Сведение результатов многопараметрических наблюдений к единственному параметру и опыт его применения в ДЗЗ

В дистанционном зондировании широко применяют многопараметрические системы получения видеоинформации. Сначала это были цветные и спектрозональные аэросъемки. [1] При космической съемке для обеспечения необходимой информативности используют многозональные наблюдения выполняемые в разных зонах спектра [2, 3] А для получения видеоинформации о текстуре (структуре) наблюдаемых объектов была предложена структурозональная съемка. [4] Увеличение числа используемых параметров, повышая возможность распознавания, значительно осложняют обработку данных. Разрабатываются методы сокращения избыточности данных.
Важное место в сокращении размерности занимают корреляционные методы. Наиболее эффективным является метод главных компонент, который основывается на ортогональном разложении корреляционной (ковариационной) матрицы наблюдаемых параметров. Он позволяет найти новую систему осей в пространстве признаков, проекции на которые дают максимальные дисперсии и обеспечивает эффективное сокращение размерности исходного пространства. [5] Однако, статистическая оптимальность такого преобразования не связана с классификацией конкретных объектов, а сами признаки становятся сложноопределенными.
Landgrebe D. A. назвал такую матрицу корреляционным портретом объекта. Он представлял её как изображение, связывая частные значения корреляции (ковариации) наблюдаемых параметров с условными яркостями или цветами. [6] Поскольку сам вид корреляционного портрета отражает внутренний характер причинных связей, то это свойство неоднократно использовалось для интерпретации наблюдаемых явлений. [7]
Учитывая информационную значимость корреляционной матрицы результатов многопараметрических наблюдений объекта, был предложен новый способ распознавания. Он основан на определении корреляции между структурами самой корреляционной матрицы текущих наблюдений и корреляционной матрицы заданного объекта-эталона. Для нахождения заданного объекта по-фрагментно просматривают изучаемый район, а для каждого наблюдаемого фрагмента определяют матрицу корреляций наблюдаемых параметров и оценивают её корреляцию с эталоном. По полученной величине их корреляции задают условную яркость элемента формируемого изображения. [8] Получаемое таким образом изображение отражает степень сходства в последовательности фрагментов с эталоном.
Особенности структуры корреляционных портретов таковы, что они не зависят от абсолютного значения отсчета в спектральном канале и даже от коэффициента масштабирования. Это позволяет формировать корреляционную матрицу эталона на основе имеющихся каталожных данных. [9]
Результаты применения этой технологии к распознаванию различных объектов показали её эффективность. Кроме того, этот метод можно комплексировать с другими методами распознавания, в частности с методом максимального правдоподобия, что во многих случаях обеспечивает устойчивое распознавание. [10]
Рассмотренная технология может применяться для обработки многопараметрической информации на борту и передачи полученного изображения по каналу связи для использования.