Помощь студентам в учебе
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ СИНГУЛЯРНОГО РАЗЛОЖЕНИЯ МАТРИЦ ЯРКОСТЕЙ ДЛЯ КЛАССИФИКАЦИИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ НА СПЕКТРОЗОНАЛЬНЫХ И ГИПЕРСПЕКТРАЛЬНЫХ СНИМКАХ
|
Введение 3
Глава 1. Современное состояние проблемы 5
1.1 Использование данных съемки в спектральном диапазоне 5
1.2 Сегментация 6
1.3 Автоматизированные методы классификации 8
1.4 Неконтролируемая классификация 9
1.5 Классификация с обучением 10
1.6 Обзор существующих методов классификации 11
1.7 Применение искусственных нейронных сетей в задачах классификации 15
Глава 2. Объект и предмет исследования 17
Глава 3. Используемые методы и материалы 19
3.1 Материалы 19
3.1.1 Материалы спектрозональной съемки 19
3.1.2 Материалы гиперспектральной съемки 20
3.2 Методы 22
3.2.1 Преобразования гистограммы 22
3.2.2 Общий вид сингулярного разложения матрицы 23
3.2.3 Учет значений окрестности 25
3.2.4 Обучение модели методом сингулярного разложения 26
3.2.5 Классификация изображения на основе значений сингулярных чисел 27
3.2.6 Оценка экспериментальных результатов 28
Глава 4. Методика классификации изображений методом сингулярного разложения и экспериментальные результаты 30
4.1 Общий вид методики классификации 30
4.2 Распознавание зон затопления на данных системы Landsat 8. 30
4.3 Исследование применения алгоритма для задач распознавания сельскохозяйственных угодий на данных системы Sentinel 2. 33
4.4 Исследование применения алгоритма на данных высокого пространственного разрешения 35
4.5 Исследование применения алгоритма на гиперспектральных данных систем MODIS и EO-1 Hyperion 37
4.6 Выводы 39
Заключение 41
Литература 43
Список сокращений 47
Приложения 48
Глава 1. Современное состояние проблемы 5
1.1 Использование данных съемки в спектральном диапазоне 5
1.2 Сегментация 6
1.3 Автоматизированные методы классификации 8
1.4 Неконтролируемая классификация 9
1.5 Классификация с обучением 10
1.6 Обзор существующих методов классификации 11
1.7 Применение искусственных нейронных сетей в задачах классификации 15
Глава 2. Объект и предмет исследования 17
Глава 3. Используемые методы и материалы 19
3.1 Материалы 19
3.1.1 Материалы спектрозональной съемки 19
3.1.2 Материалы гиперспектральной съемки 20
3.2 Методы 22
3.2.1 Преобразования гистограммы 22
3.2.2 Общий вид сингулярного разложения матрицы 23
3.2.3 Учет значений окрестности 25
3.2.4 Обучение модели методом сингулярного разложения 26
3.2.5 Классификация изображения на основе значений сингулярных чисел 27
3.2.6 Оценка экспериментальных результатов 28
Глава 4. Методика классификации изображений методом сингулярного разложения и экспериментальные результаты 30
4.1 Общий вид методики классификации 30
4.2 Распознавание зон затопления на данных системы Landsat 8. 30
4.3 Исследование применения алгоритма для задач распознавания сельскохозяйственных угодий на данных системы Sentinel 2. 33
4.4 Исследование применения алгоритма на данных высокого пространственного разрешения 35
4.5 Исследование применения алгоритма на гиперспектральных данных систем MODIS и EO-1 Hyperion 37
4.6 Выводы 39
Заключение 41
Литература 43
Список сокращений 47
Приложения 48
Современное состояние дистанционного зондирования Земли обуславливается использованием технических систем анализа и обработки информации. Цифровые данные, обрабатываемые в целях получения тематической информации в большинстве случаев представлены изображениями. С каждым годом возрастающий объем информации стимулирует развитие быстродействующих вычислительных ресурсов, способных выполнять анализ изображений, используя комбинированные алгоритмы и методики, обеспечивающие высококачественный уровень анализа при имеющихся ограничениях.
При анализе изображения встает задача определения характеристик, по которым возможно разделение изображения на однородные области. В дальнейшей обработке определенные области используются для классификации. Классификация представляет собой процесс установления соответствия между областями на изображении и реальными объектами. Соответствие определяется по критериям схожести. На данный момент существует множество алгоритмов, учитывающих не только яркостные характеристики объектов, но текстурные и иные признаки(Форсайт, 2008).
Основываясь на приведенных соображениях, при создании методики классификации изображения можно выделить следующие основные этапы:
1. Разделение изображения на однородные области,
2. Вычисление признаков для каждой однородной области
3. Классификация однородных областей по вычисленным признакам.
При разработке алгоритма классификации возникает ряд проблем, связанных с особенностями интерпретации данных и учетом характеристик объектов:
1. Процедура сегментации изображения выполняется с большей точностью, при учете априорной информации в исследуемой предметной области, что требует экспертных знаний, а также настройки параметров, обеспечивающих качество выделения однородных областей.
2. При использовании искусственных нейронных сетей (ИНС) для задач классификации изображений возникает задача точной настройки алгоритма, учитывающего пространство признаков, что является необходимым критерием при анализе большого объема данных в процессе обучения нейронной сети.
Зачастую, неоднозначное представление данных нейронной сетью, вынуждает использовать более простые методы классификации.
Простые методы классификации могут быть представлены обучаемыми или необучаемыми моделями, в большинстве случаев обучаемые модели подразумевают установление регионов, вычисленные признаки которых будут использоваться как эталонные, при идентификации объектов на изображениях.
Актуальность данной работы обуславливается низкой точностью существующих простых методов классификации, и отсутствием учета непрямых спектральных признаков в окрестности каждого элемента изображения.
Целью работы является исследование алгоритма, основанного на сингулярном разложении матриц яркостей для задач анализа цифровых изображений космических съемочных систем.
Для достижения поставленной цели исследования необходимо решить следующие задачи:
1. Изучение существующих методов сегментации и классификации данных дистанционного зондирования Земли с целью анализа современного состояния предметной области для формирования требований к исследуемому алгоритму.
2. Отбор параметров, используемых в качестве признаков объектов
3. Разработка алгоритма классификации на основе сингулярного разложения матриц.
4. Проведение эксперимента и анализ результатов:
4.1. Подбор данных для обработки
4.2. Предварительная обработка данных
4.3. Классификация изображений разработанным методом
4.4. Анализ результатов сегментации
Научная новизна работы заключается в использовании алгоритма сингулярного разложения матриц яркостей для задач объектно-ориентированной классификации объектов на спектрозональных и гиперспектральных снимках.
Данный алгоритм подразумевает использование в качестве признаков объектов не прямые спектральные характеристики пикселей, а сингулярные значения областей изображения, учитывающие параметры яркости в исследуемой окрестности.
При анализе изображения встает задача определения характеристик, по которым возможно разделение изображения на однородные области. В дальнейшей обработке определенные области используются для классификации. Классификация представляет собой процесс установления соответствия между областями на изображении и реальными объектами. Соответствие определяется по критериям схожести. На данный момент существует множество алгоритмов, учитывающих не только яркостные характеристики объектов, но текстурные и иные признаки(Форсайт, 2008).
Основываясь на приведенных соображениях, при создании методики классификации изображения можно выделить следующие основные этапы:
1. Разделение изображения на однородные области,
2. Вычисление признаков для каждой однородной области
3. Классификация однородных областей по вычисленным признакам.
При разработке алгоритма классификации возникает ряд проблем, связанных с особенностями интерпретации данных и учетом характеристик объектов:
1. Процедура сегментации изображения выполняется с большей точностью, при учете априорной информации в исследуемой предметной области, что требует экспертных знаний, а также настройки параметров, обеспечивающих качество выделения однородных областей.
2. При использовании искусственных нейронных сетей (ИНС) для задач классификации изображений возникает задача точной настройки алгоритма, учитывающего пространство признаков, что является необходимым критерием при анализе большого объема данных в процессе обучения нейронной сети.
Зачастую, неоднозначное представление данных нейронной сетью, вынуждает использовать более простые методы классификации.
Простые методы классификации могут быть представлены обучаемыми или необучаемыми моделями, в большинстве случаев обучаемые модели подразумевают установление регионов, вычисленные признаки которых будут использоваться как эталонные, при идентификации объектов на изображениях.
Актуальность данной работы обуславливается низкой точностью существующих простых методов классификации, и отсутствием учета непрямых спектральных признаков в окрестности каждого элемента изображения.
Целью работы является исследование алгоритма, основанного на сингулярном разложении матриц яркостей для задач анализа цифровых изображений космических съемочных систем.
Для достижения поставленной цели исследования необходимо решить следующие задачи:
1. Изучение существующих методов сегментации и классификации данных дистанционного зондирования Земли с целью анализа современного состояния предметной области для формирования требований к исследуемому алгоритму.
2. Отбор параметров, используемых в качестве признаков объектов
3. Разработка алгоритма классификации на основе сингулярного разложения матриц.
4. Проведение эксперимента и анализ результатов:
4.1. Подбор данных для обработки
4.2. Предварительная обработка данных
4.3. Классификация изображений разработанным методом
4.4. Анализ результатов сегментации
Научная новизна работы заключается в использовании алгоритма сингулярного разложения матриц яркостей для задач объектно-ориентированной классификации объектов на спектрозональных и гиперспектральных снимках.
Данный алгоритм подразумевает использование в качестве признаков объектов не прямые спектральные характеристики пикселей, а сингулярные значения областей изображения, учитывающие параметры яркости в исследуемой окрестности.
В данной работе исследован алгоритм, основанный на методе сингулярного разложения матриц яркостей для целей классификации гиперспектральных и спектрозональных снимков.
Основываясь на современных исследованиях тематической обработки информации была разработана методика классификации, включающая этапы предварительной обработки, обучения и распознавания.
На этапе предварительной обработки данных использовался метод нормализации гистограммы, что позволило увеличить точность дешифрирования. Процедура обучения алгоритма реализована в форме выделения регионов, соответствующим искомым классам, что является единственным необходимым аспектом учета априорной информации в исследуемой области.
В качестве параметра классификации были использованы сингулярные числа, рассчитанные на матрицу окрестности скользящего окна, что позволило учесть информацию о параметрах яркости окрестности.
На основе разработанной методики классификации был проведен эксперимент, в ходе которого были классифицированы многозональные и гиперспектральные космические снимки. В ходе апробации алгоритма были подобраны исходные данные, содержащие следующую тематическую информацию:
• Площадь водной поверхности для определения зон затопления;
• Типы растительности и водоемы;
• Ледяной покров водоемов;
• Облачность.
В качестве возможностей модернизации алгоритма можно выделить:
• Подключение базы данных библиотек признаков объектов с учетом территориальной принадлежности исследуемого региона, поскольку спектральные особенности однородных объектов на разных территориях могут значительно отличаться. В данном случае необходимо наличие экспертных знаний в исследуемой области, без которых создание эталонных библиотек параметров признаков не представляется возможным.
• Комбинация исследованного алгоритма с искусственными нейронными сетями, где на этапе обучения будут использованы значения сингулярных чисел, что позволит снизить размерность признакового пространства и уменьшит требования к вычислительным ресурсам.
Проведенные исследования показывают, что методика классификации изображения исследованным методом позволяет достичь удовлетворительной точности, относительно полевых результатов исследований и составляет от 70% до 90% в зависимости от дешифрируемого класса.
Важно отметить, что алгоритм сингулярного разложения матриц яркостей может быть применен в задачах классификации любого спектрального диапазона снимка, что позволяет выделять характеристики объектов в диапазонах, представляющих область интересов.
Основываясь на современных исследованиях тематической обработки информации была разработана методика классификации, включающая этапы предварительной обработки, обучения и распознавания.
На этапе предварительной обработки данных использовался метод нормализации гистограммы, что позволило увеличить точность дешифрирования. Процедура обучения алгоритма реализована в форме выделения регионов, соответствующим искомым классам, что является единственным необходимым аспектом учета априорной информации в исследуемой области.
В качестве параметра классификации были использованы сингулярные числа, рассчитанные на матрицу окрестности скользящего окна, что позволило учесть информацию о параметрах яркости окрестности.
На основе разработанной методики классификации был проведен эксперимент, в ходе которого были классифицированы многозональные и гиперспектральные космические снимки. В ходе апробации алгоритма были подобраны исходные данные, содержащие следующую тематическую информацию:
• Площадь водной поверхности для определения зон затопления;
• Типы растительности и водоемы;
• Ледяной покров водоемов;
• Облачность.
В качестве возможностей модернизации алгоритма можно выделить:
• Подключение базы данных библиотек признаков объектов с учетом территориальной принадлежности исследуемого региона, поскольку спектральные особенности однородных объектов на разных территориях могут значительно отличаться. В данном случае необходимо наличие экспертных знаний в исследуемой области, без которых создание эталонных библиотек параметров признаков не представляется возможным.
• Комбинация исследованного алгоритма с искусственными нейронными сетями, где на этапе обучения будут использованы значения сингулярных чисел, что позволит снизить размерность признакового пространства и уменьшит требования к вычислительным ресурсам.
Проведенные исследования показывают, что методика классификации изображения исследованным методом позволяет достичь удовлетворительной точности, относительно полевых результатов исследований и составляет от 70% до 90% в зависимости от дешифрируемого класса.
Важно отметить, что алгоритм сингулярного разложения матриц яркостей может быть применен в задачах классификации любого спектрального диапазона снимка, что позволяет выделять характеристики объектов в диапазонах, представляющих область интересов.