Анализ алгоритмов сегментации изображений для определения границ с/х полей
|
Введение 3
1 Описание предметной области, используемых приборов и программного обеспечения 6
1.1 Обзор литературных источников 6
1.2 Использовавшееся программное обеспечение 6
1.2.1 Программное обеспечение ArcGIS 7
1.2.2 Программное обеспечение ERDAS Imagine 7
1.2.3 Программное обеспечение eCognition Developer 8
1.2.4 Программное обеспечение ENVI 4.7 10
1.3 Спутник Landsat 8 11
1.4 Спутниковый снимок Landsat 8 OLI 13
2 Методы сегментации и классификации 13
2.1 Сегментация изображений 13
2.2 Классификация изображений 14
2.3 Сегментация методом наращивания областей 15
2.4 Классификация методом построения дерева решений 16
2.5 Классификация без обучения (алгоритм ISODATA) 17
2.6 Объектно-ориентированная классификация (объектно-ориентированный
подход) 18
2.7 Оценка точности выделения полей 19
3 Выделение полей 21
3.1 Сегментация методом наращивания областей 21
3.2 Метод сегментации с использованием дерева решений 22
3.3 Метод классификации без обучения (ISODATA) 25
3.4 Реализация алгоритмов объектно-ориентированной классификации в ПО
eCognition Developer 26
4 Сравнение результатов точности выделения полей методами сегментации и
классификации 29
Заключение 32
Список использованных источников 33
1 Описание предметной области, используемых приборов и программного обеспечения 6
1.1 Обзор литературных источников 6
1.2 Использовавшееся программное обеспечение 6
1.2.1 Программное обеспечение ArcGIS 7
1.2.2 Программное обеспечение ERDAS Imagine 7
1.2.3 Программное обеспечение eCognition Developer 8
1.2.4 Программное обеспечение ENVI 4.7 10
1.3 Спутник Landsat 8 11
1.4 Спутниковый снимок Landsat 8 OLI 13
2 Методы сегментации и классификации 13
2.1 Сегментация изображений 13
2.2 Классификация изображений 14
2.3 Сегментация методом наращивания областей 15
2.4 Классификация методом построения дерева решений 16
2.5 Классификация без обучения (алгоритм ISODATA) 17
2.6 Объектно-ориентированная классификация (объектно-ориентированный
подход) 18
2.7 Оценка точности выделения полей 19
3 Выделение полей 21
3.1 Сегментация методом наращивания областей 21
3.2 Метод сегментации с использованием дерева решений 22
3.3 Метод классификации без обучения (ISODATA) 25
3.4 Реализация алгоритмов объектно-ориентированной классификации в ПО
eCognition Developer 26
4 Сравнение результатов точности выделения полей методами сегментации и
классификации 29
Заключение 32
Список использованных источников 33
Дистанционное зондирование Земли (ДЗЗ) является важным источником информации для различных прикладных и научных отраслей. Для Российской Федерации, с присущими ей огромными территориальными просторами, такой метод исследований имеет особое значение. Материалы ДЗЗ успешно используются в различных областях деятельности человека: климатологии, геологоразведке, землепользовании, мониторинге чрезвычайных ситуаций, контроле водных ресурсов. Особенно характерными для нашей страны областями применения являются сельское и лесное хозяйство.
Для России, которая на протяжении достаточно долгого времени считалась аграрной страной, сельское хозяйство исторически является одной из важнейших отраслей народного хозяйства, которая производит продукты питания для населения, сырье для перерабатывающей промышленности и обеспечивает другие нужды общества [1].
В условиях, развивающихся топливного, продовольственного и экономического кризисов наиболее актуальными становятся вопросы производства зерновых культур и продукции мясоперерабатывающего производства. В связи со вступлением России во Всемирную торговую организацию отечественным производителям требуются инструменты для обеспечения эффективной конкуренции с западными игроками рынка. Одним из таких инструментов является дистанционное зондирование [1].
Данные ДЗЗ могут использоваться при планировании сельскохозяйственного процесса: инвентаризации земельных угодий, почвоведения, гидрологии, метеорологии. Важной задачей также является экономическая оптимизация: прогнозирование урожаев, объемов закупки сельскохозяйственной продукции, а соответственно и доходов производителей. В глобальном смысле ДЗЗ помогает выполнять анализ сельскохозяйственного потенциала страны в соответствии с ростом населения и экономическими показателями, что является важным при определении государственной политики в данной отрасли.
Спутниковые средства наблюдения Земли сегодня используются для решения широкого круга научных и прикладных задач. Это стало возможным благодаря наличию спутниковых систем, позволяющих обеспечить высокую частоту наблюдения и снизить стоимость спутниковой информации, появлению новых технологий работы со спутниковой информацией, обеспечивающих оперативный доступ к большим архивам данных. По каждому субъекту Российской Федерации контролировались данные о наличии неиспользуемых и используемых земель. Основными задачами применения технологии спутникового мониторинга являлись:
- получение информации о состоянии сельскохозяйственных земель на основе средств спутникового мониторинга для контроля данных ВСХП (Всероссийской сельскохозяйственной переписи);
- методически обоснованное сравнение данных спутникового мониторинга и ВСХП для выявления районов, по которым полученную в ходе переписи информацию нельзя считать полностью достоверной;
- предоставление инструментов специалистам Федеральной службы государственной статистики РФ для проведения сравнительного анализа данных спутникового мониторинга и ВСХП;
- предоставление переписчикам справочной информации, полученной на основе спутникового мониторинга и инструментов работы с ним для оперативной проверки собираемых данных.
На основе средств спутникового мониторинга осуществлялся контроль данных ВСХП по следующему набору показателей [2]: площадь пашни (в том числе посевная площадь); площадь залежи; площадь, занятая сенокосами и пастбищами; площадь, занятая многолетними насаждениями.
Контролировался этап сбора и обработки данных по выше перечисленным показателям, интегрированным на следующие территориальные уровни:
- крупные сельскохозяйственные организации;
- муниципальные районы;
- субъекты Российской Федерации;
- федеральные округа.
ГИС сельскохозяйственных полей - неотъемлемая часть агромониторинга. Необходимо следить за состоянием и использованием полей, севооборотом, сельскохозяйственными полигонами и контурами, а также за параметрами плодородия почв и развитием процессов их деградации, а также за изменением состояния растительного покрова на пашне, залежах, сенокосных и пастбищных угодьях. И для того чтобы отслеживать все эти факторы, необходимо знать, местонахождение этих полей, их площадь и принадлежность к какому-либо предприятию, так как рациональное использование земель требует их эффективного мониторинга [2].
Различные методы выделения границ полей, определение их вегетационного индекса, определение растительности методами дистанционного зондирования, являются более оперативными и качественными методами анализа сельскохозяйственных полей, в отличие от любых других. Использование данных дистанционного зондирования и их обработка, позволяют охватывать значительную территорию и определять различные растущие сельскохозяйственные культуры, границы полей, леса на территориях площадью в несколько сотен, а то и тысяч километров.
Цель работы: анализ алгоритмов сегментации изображений для определения границ с/х полей.
Задачи:
- провести анализ эффективности различных методов сегментации изображений;
- создать векторные карты полей, выделенных различными методами сегментации изображений.
Для России, которая на протяжении достаточно долгого времени считалась аграрной страной, сельское хозяйство исторически является одной из важнейших отраслей народного хозяйства, которая производит продукты питания для населения, сырье для перерабатывающей промышленности и обеспечивает другие нужды общества [1].
В условиях, развивающихся топливного, продовольственного и экономического кризисов наиболее актуальными становятся вопросы производства зерновых культур и продукции мясоперерабатывающего производства. В связи со вступлением России во Всемирную торговую организацию отечественным производителям требуются инструменты для обеспечения эффективной конкуренции с западными игроками рынка. Одним из таких инструментов является дистанционное зондирование [1].
Данные ДЗЗ могут использоваться при планировании сельскохозяйственного процесса: инвентаризации земельных угодий, почвоведения, гидрологии, метеорологии. Важной задачей также является экономическая оптимизация: прогнозирование урожаев, объемов закупки сельскохозяйственной продукции, а соответственно и доходов производителей. В глобальном смысле ДЗЗ помогает выполнять анализ сельскохозяйственного потенциала страны в соответствии с ростом населения и экономическими показателями, что является важным при определении государственной политики в данной отрасли.
Спутниковые средства наблюдения Земли сегодня используются для решения широкого круга научных и прикладных задач. Это стало возможным благодаря наличию спутниковых систем, позволяющих обеспечить высокую частоту наблюдения и снизить стоимость спутниковой информации, появлению новых технологий работы со спутниковой информацией, обеспечивающих оперативный доступ к большим архивам данных. По каждому субъекту Российской Федерации контролировались данные о наличии неиспользуемых и используемых земель. Основными задачами применения технологии спутникового мониторинга являлись:
- получение информации о состоянии сельскохозяйственных земель на основе средств спутникового мониторинга для контроля данных ВСХП (Всероссийской сельскохозяйственной переписи);
- методически обоснованное сравнение данных спутникового мониторинга и ВСХП для выявления районов, по которым полученную в ходе переписи информацию нельзя считать полностью достоверной;
- предоставление инструментов специалистам Федеральной службы государственной статистики РФ для проведения сравнительного анализа данных спутникового мониторинга и ВСХП;
- предоставление переписчикам справочной информации, полученной на основе спутникового мониторинга и инструментов работы с ним для оперативной проверки собираемых данных.
На основе средств спутникового мониторинга осуществлялся контроль данных ВСХП по следующему набору показателей [2]: площадь пашни (в том числе посевная площадь); площадь залежи; площадь, занятая сенокосами и пастбищами; площадь, занятая многолетними насаждениями.
Контролировался этап сбора и обработки данных по выше перечисленным показателям, интегрированным на следующие территориальные уровни:
- крупные сельскохозяйственные организации;
- муниципальные районы;
- субъекты Российской Федерации;
- федеральные округа.
ГИС сельскохозяйственных полей - неотъемлемая часть агромониторинга. Необходимо следить за состоянием и использованием полей, севооборотом, сельскохозяйственными полигонами и контурами, а также за параметрами плодородия почв и развитием процессов их деградации, а также за изменением состояния растительного покрова на пашне, залежах, сенокосных и пастбищных угодьях. И для того чтобы отслеживать все эти факторы, необходимо знать, местонахождение этих полей, их площадь и принадлежность к какому-либо предприятию, так как рациональное использование земель требует их эффективного мониторинга [2].
Различные методы выделения границ полей, определение их вегетационного индекса, определение растительности методами дистанционного зондирования, являются более оперативными и качественными методами анализа сельскохозяйственных полей, в отличие от любых других. Использование данных дистанционного зондирования и их обработка, позволяют охватывать значительную территорию и определять различные растущие сельскохозяйственные культуры, границы полей, леса на территориях площадью в несколько сотен, а то и тысяч километров.
Цель работы: анализ алгоритмов сегментации изображений для определения границ с/х полей.
Задачи:
- провести анализ эффективности различных методов сегментации изображений;
- создать векторные карты полей, выделенных различными методами сегментации изображений.
В результате работы, используя данные спутника Landsat 8 и бумажные карты полей Емельяновского района, был проведен анализ некоторых методов сегментации и классификации изображений для определения сельскохозяйственных полей. Были рассмотрены следующие методы:
- сегментация методом наращивания областей;
- метод сегментации с использованием дерева решений;
- метод классификации без обучения алгоритмом ISODATA;
- метод объектно-ориентированной классификации.
Для каждого из методов были созданы и представлены векторные карты результатов выделения полей, которые использовались для сравнения точности выделения полей и анализа каждого метода в отдельности.
В итоге, наиболее точными методами на практике оказались метод сегментации с использованием дерева решений (точность 75%) и метод объектно-ориентированной классификации (точность 76%). Эти два метода довольно по своим алгоритмам проведения классификации, однако, более точным и удобным для выделения различных территорий, таких как поля, леса является метод объектно-ориентированной классификации, именно потому, что в нем рассматривается не каждый пиксель по отдельности, а цельные сегменты. Однако, наряду с полезными достоинствами, объектно-ориентированная классификация имеет один серьезный недостаток - точность классификации зависит от качества сегментации, если объекты выделены неаккуратно, это может привести к очень низкому качеству итоговой классификации.
- сегментация методом наращивания областей;
- метод сегментации с использованием дерева решений;
- метод классификации без обучения алгоритмом ISODATA;
- метод объектно-ориентированной классификации.
Для каждого из методов были созданы и представлены векторные карты результатов выделения полей, которые использовались для сравнения точности выделения полей и анализа каждого метода в отдельности.
В итоге, наиболее точными методами на практике оказались метод сегментации с использованием дерева решений (точность 75%) и метод объектно-ориентированной классификации (точность 76%). Эти два метода довольно по своим алгоритмам проведения классификации, однако, более точным и удобным для выделения различных территорий, таких как поля, леса является метод объектно-ориентированной классификации, именно потому, что в нем рассматривается не каждый пиксель по отдельности, а цельные сегменты. Однако, наряду с полезными достоинствами, объектно-ориентированная классификация имеет один серьезный недостаток - точность классификации зависит от качества сегментации, если объекты выделены неаккуратно, это может привести к очень низкому качеству итоговой классификации.
Подобные работы
- Сегментация, управляемая целями
Магистерская диссертация, информатика. Язык работы: Русский. Цена: 4900 р. Год сдачи: 2017 - О РАЗБИЕНИИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ НА КЛАССЫ МЕТОДАМИ К - MEANS, FOREL И С ПОМОЩЬЮ КЛАССИФИКАТОРА БАЙЕСА
Магистерская диссертация, математика. Язык работы: Русский. Цена: 4845 р. Год сдачи: 2016 - Разработка алгоритмов анализа и классификации изображений с применением вейвлет-преобразований
Дипломные работы, ВКР, информатика. Язык работы: Русский. Цена: 4325 р. Год сдачи: 2016 - Разработка программного обеспечения для компьютерной оценки состояния межпозвоночных дисков
Дипломные работы, ВКР, информационные системы. Язык работы: Русский. Цена: 4770 р. Год сдачи: 2020 - Исследование особенностей свойств контуров на
разных видах растровых изображений
Бакалаврская работа, информатика. Язык работы: Русский. Цена: 4760 р. Год сдачи: 2016 - Автоматическая типизация полноразмерного керна
Бакалаврская работа, программирование. Язык работы: Русский. Цена: 4700 р. Год сдачи: 2020 - Исследование особенностей свойств контуров на разных видах растровых изображений
Бакалаврская работа, математика и информатика. Язык работы: Русский. Цена: 4850 р. Год сдачи: 2016 - Применение нейронных сетей для классификации и сегментации объектов на изображениях
Дипломные работы, ВКР, робототехника. Язык работы: Русский. Цена: 4670 р. Год сдачи: 2022 - СИСТЕМА ВВОДА ИЗОБРАЖЕНИЙ МАЗКА КРОВИ
Дипломные работы, ВКР, эвм. Язык работы: Русский. Цена: 1900 р. Год сдачи: 2006



