Предложения по повышению качества классификации изображений

В большинстве случаев для обработки изображений используют стандартные методы классификации, заложенные в широко распространенных пакетах ENVI, Erdas Imagine и др. При этом показатели и критерии сегментации материалов съемки не всегда удобно обоснованно выбирать учитывать при решении конкретных тематических задач.
Проведен анализ таких методов, как Isodata, MaxLike, спектральная угловая корреляция, метод нечетких множеств и др. Результативность методов оценивалась при решении следующих задач: выявление и определение степени лесовозобновления на вырубках и гарях, идентификация нефтезагрязненных земель, разбиение водной поверхности по классам неоднородностей, обусловленных присутствием в воде оптически активных примесей и др. Установлено, что применение методов требует от пользователя глубоких знаний об отражательных характеристиках природно-антропогенных комплексах при назначении обучающих выборок. В связи с этим указанные методы вызывают сложность для распознавания типа объекта, обучающую выборку для которого определить затруднительно.
Авторами предложен способ повышения качества сегментации изображений, который обеспечивает не только разбиение изображения на подклассы ландшафта, но и решает задачу распознавания конкретного образа объекта, определения его свойств. Способ основан на применении оригинального программно-алгоритмического обеспечения (ПАО), в котором для каждой задачи обоснованно выбраны методы классификации, заложенные в стандартные программные пакеты обработки изображений и параметры их применения. Например, предусмотрено комплексирование методов контролируемой и неконтролируемой классификации с введением этапа реклассификации, позволяющего назначить обучающие выборки без привлечения дешифровщика с использованием библиотеки спектральных признаков, интегрированной с ПАО.
Для апробации ПАО были подключены данные летных видеоспектральных измерений, материалы космической съемки, распространяемой на бесплатной основе (Modis, Hyperion), съемки среднего и высокого пространственного разрешения (RapidEye, WordView-2). В качестве показателей достоверности использовались материалы, полученные в ходе наземной заверки.