Методы распознавания данных дистанционного зондирования Земли: статистические, объектно-ориентированные и нейросетевыеалгоритмы

Обычно традиционные методы распознавания образов обеспечивают достаточно приемлемую точность результатов классификации, однако они требуют априорной информации о статическом распределении данных и проведения анализа начальных факторов, повышающих информативность и способствующих интерпретации результатов. Недостатки традиционных статистических методов характерно проявляются при обработке данных высокого и сверхвысокого пространственного разрешения. Высокий уровень различий спектральных характеристик пространственно близких областей значительно уменьшает точность результатов классификации.
Развитие компьютерных технологий, совершенствование космической техники и геоинформатики с одной стороны и расширение потребностей в материалах ДЗЗ и их качестве, с другой стороны, приводит к появлению новых способов обработки и интерпретации данных. Одними из последних, получивших широкое распространение методов тематического дешифрирования изображений являются нейросетевой (НС) и объектно-ориентированный (ООП) подходы.
Классические способы тематической обработки изображений основаны на спектральных характеристиках отдельных пикселей, в то время как ООП объединяет анализ спектральных, пространственных, а также других характеристик явлений, рассматриваемых в качестве объектов или сегментов, что является основным его отличием от таких стандартных алгоритмов, как, например, метод максимального правдоподобия (ММП). Статистические способы классификации рассматривают пиксели как независимые сущности, а ООП оперирует ими как составными частями объектов, что точнее отражает природный характер распространения явлений.
Нейронные сети являются еще одним перспективным подходом к классификации данных ДЗЗ.Использование НС для распознавания стимулируется их важными отличиями от статистических классификаторов:отсутствием необходимости получения априорной информации относительновходных данных, устойчивостью к ошибкам при обработке неполных или частично некорректных входных образов и формированием нелинейных границ решений в пространстве признаков.
Целью работы является сравнительный анализ качества классификации космических снимков различными способами: статистическим, объектно-ориентированным и нейросетевым. Для этой цели выполнено практическое сравнение точности распознаванияэтими методами на основе данных спутников Landsat и Orbview.
Данные ДЗЗ высокого и сверхвысокого разрешения характеризуются широкой вариацией спектральных характеристик единообразных природных явлений. Большие спектральные колебания существенно снижают точность стандартных классификационных алгоритмов пиксельного анализа, в качестве метода, способного обойти эти ограничения, может быть использован объектно-ориентированный подход. Наряду с полезными достоинствами, ООП имеет серьезный недостаток – точность классификации напрямую зависит от качества сегментации изображения. Если объекты выделены неаккуратно, результирующая ошибка распознавания будет включать в себя как дефекты сегментации, так и классификации, что приведет к низкому качеству классификации.
Достоинства нейросетевого подхода: безотносительность к природе обрабатываемых данных, нелинейность границ решений, устойчивость к неполным наборам обучающих образов – позволяют с успехом использовать его в различных задачах обработки ДЗЗ (для анализа гиперспектральных данных, радиолокационных материалов приборов с синтезированной апертурой (SAR)). НС может обеспечить высокий уровень распознавания в случаях неприменимости нормального закона распределения к исследуемой информации, что актуально, к примеру, для материалов ДЗЗ приборов SAR или территорий высокого уровня гетерогенности. Неправильное задание и неточная оценка функции распределения играет решающую роль в точности распознавания статистических алгоритмов. С другой стороны, сложности при использовании нейронных сетей возникают в связи с выбором сетевой архитектуры, зависимостью результатов классификации от условий обучения и неоднозначностью интерпретации поведения НС.
В случае данных среднего пространственного разрешения нейронная сеть значительно превзошла результаты ООП: 86% против 52%, метод максимального правдоподобия показал средний результат распознавания – 74%. При обработке многоспектральных материалов высокого пространственного разрешения, ООП незначительно уступил НС – 92% против 94%, у ММП самый низкий показатель – 61%.
Работа выполнена при поддержке РФФИ (грант 11-05-98056)