Морфологический анализ границ экологических объектов на спутниковых изображениях при машинном обучении алгоритмов сегментации

При космическом мониторинге экологических объектов первостепенной задачей является сегментация изображений для выделения объектов интереса. Для решения этой задачи с помощью машинного обучения важно выбрать способ подготовки обучающих данных с учетом огромной площади импактных районов зон и разнообразия экологических классов. [1] Поэтому предлагается метод ускорения подготовки обучающей выборки на основе кластеризации областей на изображениях и векторизации границ. В докладе представлен метод подготовки данных для машинного обучения алгоритмов кластеризации при семантической сегментации информативных классов на спутниковых изображениях импактных районов. Обоснован выбор иерархических методов кластеризации как наиболее эффективных для работы с кластерами произвольной структуры и формы. Приведена общая схема метода, включающая помимо самой кластеризации процедуры тайлирования данных, оценки оптимальных параметров кластеризации, регистрации объектов, оценку качества данных. Представлена схема подготовки данных для машинного обучения, включающая построение эталонной разметки, расчет модели кластеризации, коррекцию разметки, тестирование моделей кластеризации для разных информативных классов на новых изображениях. В работе также предлагается метод и алгоритмы анализа векторной информации, базирующиеся на морфологических операциях, выполняемых над границами объектов. Описан комплекс алгоритмов, реализующих векторные морфологические операции, разделённые на следующие блоки: простые операции (инверсия, ротация, замыкание, удлинение и др.) ; блок распознавания путевых структур (ключевых точек, петель, узловых связок и др.); блок работы с участками границ (сложение и вычитание, умножение и деление путей, сегментация пути); блок изменения траектории пути на границе (сдвиги, повороты, растяжения, подобие, поляризация, ортогонализация); блок квазибинарных операций (изменение связности, передискретизация, дилатация и эрозия, скелетизация и др.); блок групповых операций (сегментация, паттернизация, агрегация, фильтрация, интерполяция и экстраполяция). Алгоритмы реализованы в исследовательском макете программного обеспечения, которое позволяет рассчитывать и анализировать векторную информацию разного типа на спутниковых изображениях. Приведены примеры работы алгоритмов при обработке контурных изображений, полученных при подготовке данных машинного обучения алгоритмов кластеризации спутниковых изображений.