4 / 12
А.А. Гурченков, А.Б. Мурынин, А.Н. Трекин
138
ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки. 2017. № 3
Рис. 2.
Блок-схема взаимодействия методов объектно-ориентированной
классификации классов подстилающей поверхности
После классификации изображение подвергается дальнейшей тематической
обработке, для каждого объекта (участка поверхности) вид обработки зависит
от класса, к которому объект был отнесен [3].
Сегментация изображения.
На первом этапе объектной классификации про-
исходит сегментация изображения — разделение его на отдельные участки, харак-
теризующиеся однородной структурой внутри участка, и существенными различи-
ями между участками. Задача этого этапа обработки изображения — выделить на
нем объекты, подлежащие классификации. Соответственно, при описании класси-
фикации объектов на изображении, именно участки, полученные на этапе сегмен-
тации, будем называть объектами, предполагая, что они соответствуют природным
или антропогенным объектам на поверхности Земли [19].
Для этого применяют метод семантической сегментации с использованием
марковских случайных полей, который учитывает яркостные, геометрические и
текстурные характеристики объектов, но требует указания некоторых парамет-
ров — числа классов, числа итераций обработки. Результатом его работы явля-
ется разбиение изображения на объекты.
Оптимальная сегментация, основанная на байесовском принципе, должна
вырабатывать такой результат
*
,
,
x y
m
которому соответствует максимум апосте-
риорного распределения вероятностей
*
= argmax ( | ),
M
P M N
где
*
*
,
= {
}
x y
M m
— результат оптимальной сегментации. В реальных задачах
прямое вычисление такой функции слишком вычислительно затратно, поэтому