6 / 12
А.А. Гурченков, А.Б. Мурынин, А.Н. Трекин
140
ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки. 2017. № 3
−
среднее значение яркости во всех каналах по всем пикселям объекта;
−
поточечная классификация — объект целиком относится к тому классу,
к которому отнесено наибольшее число его точек.
Более перспективен подход с большим количеством признаков объекта, ко-
торые могут включать в себя выборочную ковариационную матрицу пикселей
объекта, текстурные характеристики и др. [22]. Однако такие характеристики
имеют смысл для больших объектов, что редко выполняется для снимков низ-
кого и среднего разрешения, к которым относится изображение
Landsat 8
, и для
большого объема обучающей выборки. Поэтому применим признаковые про-
странства, которые допускают составление обучающей выборки из точек изоб-
ражения, а не объектов. В то же время текстурные характеристики учитываются
как на этапе сегментации, так и добавлением в вектор признаков пикселя спек-
тральных характеристик его соседей. Вектор признаков пикселя формируется
из спектральных характеристик девяти точек, включая сам пиксель и его сосе-
дей, что дает, при использовании семи спектральных каналов, 63-мерное про-
странство признаков.
Каждый объект может характеризоваться очень большим числом характе-
ристик разной (и, возможно, неизвестной заранее) степени значимости. Для
снижения размерности в рассматриваемой задаче выбран метод главных ком-
понент, как хорошо зарекомендовавший себя и простой в реализации метод.
Экспериментальная проверка.
Целью экспериментальных исследований
метода было изучение работоспособности и эффективности объектно-ориенти-
рованного подхода в исследовании арктических территорий. Поэтому для объ-
ектно-ориентированной и поточечной классификаций для сравнения использо-
ван один и тот же классификатор.
Для проверки работоспособности разработанного метода были исполь-
зованы космические изображения
Landsat 8
с пространственным разрешением
30 м в семи спектральных каналах в диапазоне 0,43…2,3 мкм. Для изучения
тундровых или лесотундровых ландшафтов выбраны снимки, полученные в
период максимального развития растительности. Это необходимо при изучении
состояния различных классов растительности, а также в случаях, когда
растительность служит индикатором выделения изучаемых объектов (например,
ареалов загрязнения). Использованы материалы дистанционного зондирования
за период август–сентябрь, когда наблюдается минимальное количество снега.
Исследование арктических территорий осложнено тем, что для них
недоступны данные наземных подстпутниковых наблюдений для требуемых
значительных территорий.
Обучающая выборка, содержащая классы растительности, почвы, водоемов,
а также урбанизированных территорий, была построена с помощью экспертной
разметки изображения; экспертная оценка также применена для сравнения
качества классификации. Для каждого класса обучающая выборка содержит
порядка 10
3
точек изображения.