Для автоматического выделения водных объектов на спутниковых снимках, как правило, используются водные индексы или деревья решений, использующие заранее заданные пороги для спектральных характеристик пикселей. Однако такой подход может приводить к ошибкам, относя к воде близкие по спектральным характеристикам классы (сильно увлажненные почвы, тени и некоторые антропогенные объекты) [1]. Данная проблема хорошо проявляется на снимках высокого пространственного разрешения, а также в случаях отсутствия должной радиометрической и других коррекций. В таких ситуациях водные поверхности иногда никак невозможно выделить по спектральным характеристикам, поэтому требуется привлечение дополнительной информации.
В условиях малого объема обучающей выборки (ОВ) представляет интерес использование методов активного обучения (active learning) [2]: когда в процессе работы алгоритм классификации интерактивно просит пользователя указать классы для отдельных элементов. Это позволяет повысить качество ОВ и результаты классификации. В последние годы данный подход применялся при обработке спутниковых изображений [2-3] и показал свою работоспособность.
В докладе предлагается новый метод автоматизированного выделения водных объектов на мультиспектральных спутниковых снимках с использованием активного обучения, позволяющий учитывать не только спектральные, но и пространственные характеристики. Метод базируется на алгоритме автоматического выделения водной поверхности ECCA-Water [4], в основе которого лежит комбинация непараметрической кластеризации и дерева решений. После выделения потенциальных водных пикселей для каждого пространственного замкнутого объекта на изображении вычисляются соответствующие спектральные и пространственные характеристики (размер, форма). Далее осуществляется классификация на уровне данных объектов по соответствующим признакам с помощью алгоритма на основе автоматического построения дерева решений. При этом алгоритм выявляет наименее уверенные для построения решающего правила области в пространстве признаков и предлагает пользователю указать класс для соответствующих представителей.
В докладе будут представлены результаты работы предлагаемого метода на спутниковых снимках высокого разрешения (WorldView-3), а также данных с отечественных спутников (Канопус-В и Метеор-М). Интерактивное взаимодействие с пользователем и учет специфики водных объектов позволяет эффективно работать со сложными сценами, такими как территории, затопленные паводками. А высокая скорость работы позволяет применять разработанный метод при создании оперативных карт паводковой обстановки.
Работа выполнена при финансовой поддержке РФФИ (грант № 18-37-00492 мол_а).