Модельно-ориентированный дескриптор поля градиента для анализа данных дистанционного зондирования Земли

Локальные дескрипторы, вычисляемый для определенных зон интереса анализируемого изображения, - достаточно мощное современное средство решения широкого класса задач обработки, анализа, понимания и поиска цифровых изображений. В настоящее время существует множество различных дескрипторов, которые условно можно подразделить на следующие категории.
Дескрипторы на основе вероятностных распределений. Особую популярность среди дескрипторов этой категории за универсальность и качественные показатели приобрели дескрипторы SIFT, HOG и LESH.
Дескрипторы на основе спектрального и спектрально-частотного представления. Основными способами построения дескрипторов этой категории являются использование коэффициентов разложении изображения с использованием вейвлетов, использование фильтров Габора, Фурье-разложения, преобразований Радона или Hough, степенных моментов или моментных инвариантов, и др.
Дифференциальные дескрипторы. Дескрипторы этой категории рассчитываются как функции частных производных функции яркости анализируемого изображения.
В докладе предлагается новый тип дескриптора изображения, конструируемый на основе дифференциальных и вероятностных свойств локальной окрестности наблюдаемого изображения (комбинация первой и третьей рассмотренных категорий). Спецификой вводимого дескриптора является наличие априори заданного (или заранее определенного по обучающему множеству изображений) вероятностного распределения поля градиента, характеризующего модель анализируемого изображения и/или решаемую задачу. Значения компонент дескриптора для конкретного изображения (фрагмента) вычисляются как значения этой плотности вероятностей с аргументом в виде конкретного поля градиента, то есть оказываются зависимы как от реализации (конкретного изображения), так и от модели (распределения вероятностей). Такая специфика расчета дескриптора позволяет классифицировать его как модельно-ориентированного, и использовать двумя способами. Во-первых, напрямую в решающем правиле классификатора, поскольку значение функции плотности на конкретной реализации – ключевая составляющая байесовского решающего правила. Во-вторых, аналогично любым другим дескрипторам – в качестве численной характеристики некоторой локальной области изображения. В этом случае для описания этой локальной области можно (и в ряде случаев – удобнее и численно проще) использовать не сами значения дескриптора, а некоторые их производные характеристики – признаки дескриптора.
Производные характеристики дескриптора, рассматриваемые как признаки цифрового изображения, позволяют эффективным образом решать задачи анализа, распознавания и поиска цифровых изображений, в том числе – изображений дистанционного зондирования Земли. Представлены примеры решения таких задач с использованием предложенного дескриптора.

Работа выполнена при частичной финансовой поддержке:
- грантов РФФИ, проекты 12-07-00021-а, 11-07-12060-офи-м-2011, 11-07-12062-офи-м-2011;
- программы фундаментальных исследований Президиума РАН «Фундаментальные проблемы информатики и информационных технологий», проект 2.12.