Классификация амплитудных изображений от космических систем радиолокационного наблюдения Земли с использованием текстурных признаков

При решении тематических задач с использованием данных космических систем радиолокационного наблюдения Земли часто требуется классификация изображений. Наиболее качественно эта процедура выполняется с использованием поляриметрических признаков, когда доступны комплексные радиолокационные изображения (РЛИ), полученные для всех четырёх возможных комбинаций поляризаций зондирующего сигнала при излучении и приёме (Lee, Pottier, 2009). Однако далеко не все радиолокационные космические аппараты поддерживают съёмку таких изображений. Кроме того, полнополяриметрические данные отличаются более низким пространственным разрешением из-за необходимости чередовать радиоимпульсы, излучаемые с разными поляризациями. В связи с этим актуальна задача классификации амплитудных изображений, которые могут быть сформированы любыми космическими радиолокаторами, в том числе с максимально высоким разрешением.
В докладе рассматриваются неконтролируемая классификация амплитудных РЛИ методом k-средних и контролируемая классификация методами опорных векторов и деревьев решений. Для извлечения полезной информации из амплитуды РЛИ можно использовать текстурные признаки (Обработка…, 2019). Во всех вариантах классификации исходными данными для неё являются пиксели изображения, сформированного путём извлечения наиболее значимых текстурных признаков Харалика (Haralick et al., 1973).
В задаче классификации методом k-средних минимизируется сумма квадратов расстояний всех элементов до центров соответствующих классов. В качестве метрики используются евклидово или манхэттенское расстояние, метрика Чебышёва.
Целью метода опорных векторов является построение гиперплоскости, оптимально разделяющей пространство признаков на два класса. Так как в общем случае классы могут быть линейно неразделимы, используется алгоритм с мягким зазором. Задача сводится к поиску седловой точки функции Лагранжа и в настоящей работе решается методом последовательных минимальных оптимизаций. Суть метода заключается в попарной настройке отдельно взятых множителей Лагранжа. Другим способом разрешения линейной неразделимости является переход в пространство большей размерности при помощи ядерных функций. Могут быть выбраны полиномиальное, сигмоидальное ядро, радиальная базисная функция и другие. Классический метод опорных векторов производит бинарную классификацию. Для того, чтобы обобщить алгоритм на большее число классов, используются две стратегии. Стратегия «все против всех» заключается в обучении всех возможных пар классификаторов. Решение о результирующем классе пикселя принимается мажоритарным способом — выигрывает класс, получивший большинство голосов. Стратегия «один против всех» предполагает обучение классификаторов, способных отделять один класс от остальных. Во время применения алгоритма выигрывает классификатор, наиболее уверенный в своём предсказании.
Метод деревьев решений заключается в рекурсивном построении дерева, разделяющего исходную выборку на классы по принципу минимизации неопределённости в его листьях. Во время обучения для каждого узла дерева находится критерий (текстурный признак и пороговое значение), разделение данных по которому на подвыборки приведёт к максимальному приросту информации по Шеннону. При работе с непрерывными данными дерево является бинарным, так как каждый узел проверяет условие «больше» или «меньше». Для предотвращения переобучения к алгоритму добавляются ограничения на максимальную глубину дерева и на минимальное число элементов в выборке для продолжения рекурсии.
В докладе приводятся примеры классификации изображений, полученных зарубежными аппаратами радиолокационного наблюдения Земли.