Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 2019 год

(http://conf.rse.geosmis.ru)

Методы дискретной римановой геометрии в анализе цифровых изображений

Макаренко Н.Г. (1,2), Князева И.С. (1,3), Рыбинцев А.С. (1), Терехов А.Г. (2)
(1) ГАО РАН, Санкт-Петербург, Россия
(2) ИИВТ, Алматы, Казахстан
(3) СПбУ, Санкт-Петербург, ИИВТ, Алматы, Казахстан
В докладе изложено применение методов дискретной дифференциальной геометрии и вычислительной топологии для анализа цифровых изображений. Предлагаемый подход состоит из двух этапов. Прежде всего, из цифрового изображения методами TDA извлекаются топологические инварианты, числа Бетти [1,2]. Они содержат информацию о появлении и исчезновении топологических свойств: компонент связности и дыр при фильтрации изображения по шкале яркости или контраста. Интервал этой шкалы, измеряющей «время жизни» свойства, называют его персистентностью. Чаще всего информации о персистентных числах Бетти представляют в форме облака точек на диаграмме персистентности (PD). Векторизация PD с помощью диффузного ядра позволяет получить так называемое персистентное изображение как оценку pdf для PD[3] . На втором этапе, мы используем представление полученных pdf на римановой сфере. Здесь, метрика Фишера-Рао приводит к гильбертову скалярному произведению полуплотностей (квадратных корней из pdf) на касательном расслоении сферы. Этот подход позволяет сравнивать и усреднять изображения, в ясном геометрическом контексте, не прибегая к энтропийным мерам[4]. Рамки применения подхода позволяют использовать его для любых подходах, использующих оценки pdf. Мы иллюстрируем эту технику для диагностики для ДДЗ водно-болотных угодий, расположенных в аридных зонах и отличающихся чрезвычайно высокой временной вариабельностью.

Ключевые слова: ДДЗ, Вычислительная топология, Метрика Фишера-Рао, Риманова сфера.
Литература:
  1. Edelsbrunner H., & Harer J. (2009) Computational Topology. An Introduction. American Mathematical Society.
  2. Макаренко Н. Г. и др. Распознавание текстур на цифровых изображениях методами вычислительной топологии //Cовременные проблемы дистанционного зондирования Земли из Космоса. – 2015. – Т. 12. – С. 131.
  3. Adams, H., Emerson, et al. (2017). Persistence images: A stable vector representation of persistent homology. The Journal of Machine Learning Research, 18(1), 218-252.
  4. Srivastava, A., & Klassen, E. P. (2016). Functional and shape data analysis. New York: Springer.

Презентация доклада

Методы и алгоритмы обработки спутниковых данных

43