Компьютерная обработка аэрокосмических снимков.

Работа с многозональными снимками в свободно распространяемой программе MultiSpec

На главную страницу семинара

Тема 5.   Краткий обзор алгоритмов классификации, предлагаемых в MultiSpec

В пакете MultiSpec имеется цельный и логически обоснованный набор алгоритмов для двух основных типов компьютерной классификации снимков: без обучения и с обучением.

Для классификации без обучения предлагается два алгоритма:

а) алгоритм быстрого выделения кластеров - пригоден для быстрого, одношагового разделения многозонального снимка на пространственно однородные области (кластеризации);
б) итеративный алгоритм ISODATA - используется для более точной, многошаговой кластеризации, при которой первоначально сгруппированные пикселы итеративно перемещаются из одного кластера в другой, пока не достигается оптимальная (в соответствии с заданными параметрами) кластеризация.

Для классификации с обучением предлагается шесть алгоритмов:

1)  методом минимального расстояния (Minimum Euclidean Distance) - для отнесения пиксела к классу используется минимальное евклидово расстояние между центрами (средними значениями яркости) обучающих выборок, корреляция между значениями яркости в разных спектральных зонах (описывающая форму кривой спектрального образа) не учитывается;
2) методом линейного дискриминантного анализа (Фишера) (Fisher Linear Likelihood) - используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков принимается линейной;
3) методом максимального правдоподобия (Maximum Likelihood) - используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков может быть нелинейной (это наиболее частый случай при наличии достаточно большого числа классов с перекрывающимися значениями яркости);
4) методом спектрально-пространственной классификации ECHO (Extraction and Classification of Homogeneous Objects - распознавание и классификация однородных объектов) - учитываются не только спектральные характеристики снимка (по методу линейного дискриминанта Фишера или максимального правдоподобия), но и пространственная однородность создаваемых классов;
5) методом спектральной корреляции SAM (Spectral Angle Mapper - картографирование спектральной корреляции) и
6) методом 'сравнения фильтра' (Matched Filter, на основе CEM - Constrained Energy Minimisation, ограниченной/условной минимизации энергии).

Последние два метода используются для классификации по гиперспектральным снимкам.

На главную страницу семинара     |     Интернет-семинары