Сегментация изображений по сей день остается актуальной проблемой. Цель сегментации разделение изображения на существенные части, тем самым сегментация определяет семантику изображения. На сегодняшний день известно большое количество алгоритмов сегментации изображений. В качестве изображений для алгоритмов сегментации могут выступать самые различные данные от модельных изображений до фото и видеоизображений. Но общим для всех методов сегментации является априорное задание некоторого отношения эквивалентности или компактности, которое задается явным образом. Иными словами, исследователи еще до начала работы алгоритма сегментации задают ограничения для нахождения необходимого объекта.
Особенностью работы является то, что цели, или объекты, которые преследуются в работе заданы неявно, как и само отношение эквивалентности.
Цель диссертационной работы состоит в определении и апробации способа неявного задания критерия компактности для сегментации изображений.
Для достижения поставленной цели сформирован ряд задач:
- определение первоначального набора признаков и выявление наиболее информативного набора;
- определение естественного количества классов на изображении;
- проведение кластеризации и сегментации изображения.
В текущей работе в качестве априорной информации для алгоритма сегментации служат карты сельскохозяйственных полей Сухобузимского района, Красноярского края. И для каждого поля автоматически вычисляются ограничения в пределах которых необходим поиск объекта. В связи с изменением различных условий произрастания культур от сезона к сезону, таких как вспашка, обработка химикатами, увлажнение, реальные границы произрастающих культур на полях искажены. В связи с этим определение реальных границ произрастания культур внутри полей является актуальной задачей. При обнаружении границ с/х культур существуют площади, которые не обрабатывались должным образом, либо по иным обстоятельствам, тем самым отличаются от общей массы и являются местами пристального наблюдения агрономами.
Подводя итог стоит отметить, что все поставленные задачи выполнены, а именно, создан и апробирован алгоритм выделения реальных границ, или определения текущего состояния сельскохозяйственных полей. Разработан модуль в среде IDL Workbench ENVI, позволяющий выделять на изображения текстуру, которая является дополнением к исходным данным. Так же в рамках диссертационной работы разработан модуль по определению естественного количества классов на изображении использующий в своем алгоритме метод кластеризации к-средних и коэффициент Бхаииачария. Сегментация выполнена методом наращивания областей с использованием критерия компактности, состоящего из двух ограничений: восьми соседства пикселей в пространстве изображения и компактности элементов класса в пространстве свойств.
1 Haralick Robert M. Textural features for image classification / Robert M. Haralick,
K. Shanmugam, Its’hak Dinstein // IEEE TRANSACCTION ON SYSTEM, MAN AND CYBERNETICS Vol. SMC-3. - 1973. - №3. - с. 610-621.
2 Колодникова Н. В. Обзор текстурных признаков для задач распознавания образов / Н.В. Колодникова // доклад ТУСУР. Автоматизированные системы обработки информации, управления и проектирования. - 2004.
3 Пестунов И.А. Информативность систем текстурных признаков классификации спутниковых изображений с высоким простланственным разрешением / И.А. Пестунов. - 2012.
4 Мицель А.А. ^параметрический алгоритм текстурного анализа аэрокосмических снимков /А.А. Мицель, Н.В. Колодникова, К.Т. Протасов // Технические науки. - с. 65-70.
5 Пестунов И.А. Алгоритмы спектрально-текстурной сегментации
спутниковых изображений высокого пространственного разрешения / И.А. Пестунов, С.А. Рылов // Вестник КемГУ. - 2012. - №4. - с. 104-109.
6 Aguera Francisco Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses / Francisco Aguera, Fernando J. Aguilar, Manuel A. Aguilar // ISPRS Journal of Photogrammetry & Remote Sensing. - 2008. - с. 635-646.
7 Андреев Г.А. Анализ и синтез случайных пространственных текстур / Г.А. Андреев, О.В. Базарский, А.С. Глауберман, А.И. Колесников, Ю.В. Коржик, Я.Л. Хлявич // Зарубежная радиоэлектроника. - 1984. - №2.
- с. 3 33.
8 Satellite imaging. [Электронный ресурс] : Режим доступа:
http://www. satimagingcorp.com/satellite-sensors/spot-6/
9 Геоинформационные системы и аэрокосмический мониторинг. [Электронный ресурс] : Режим доступа: http://www.envisoft.ru/idl.html
10 Bhattacharyya A. On a measure of divergence between two statistical populations defined by their probability distributions. //Bulletin of the Calcutta Mathematical Society 35. - 1943. - с. 99-109.
11 Потатуркин А.О. Исследование эффективности пространственных признаков при ландшафтной классификации по многоспектральным космическим изображениям / А. О. Потатуркин // Перспективные информационные технологии. - 2016.
12 Цибульский Г. М. Мультиагентный подход к анализу изображений / Г. М. Цибульский // Диссертация. - 2005.
13 Алтынцев М. А. Разработка методик автоматизированного дешифрирования многозональных космических снимков высокого разрешения для мониторинга природно-территориальных комплексов / М. А. Алтынцев // Диссертация. - 2011.
14 Елизаров А. И. Алгоритмы и программные средства идентификации полутоновых изображений / А. И. Елизаров // Диссертация. - 2003.