24. Фильтрация изображений

Реальное изображение наряду с полезной информацией содержит различные помехи. Источниками помех могут являться собственные шумы фотоприемных устройств, шумы каналов связи и т.д. модель искаженного изображения имеет вид:

f(x,y)=m(x,y)*F*s(x,y)+n(x,y);

s(x,y) – исходное изображение.

F – некий функционал, описывающий геометрические и радиометрические искажения.

m – мультипликативная помеха, изменяющая яркость изображения, всего или частично

n – аддитивная (случайная) помеха, накладывающаяся на изображение.

Для улучшения таких изображений используются различные фильтры, позволяющие как сглаживать резкие перепады яркости, так и подчеркивать (выделять) контура.

25. Понятие дешифрирования

Под дешифрированием понимают теорию и способы получения информации об элементах местности по их изображению, установлению их количественных и качественных характеристик, обозначение распознанных объектов условными знаками, принятыми для топографических и специализированных (тематических) карт.

В основе дешифрирования снимков положены два фактора:

1. Физико-математический, где рассматривается оптика и геометрия изображения

2. Географический, при котором анализируется пространственное размещение объекта

Общую схему процесса дешифрирования аэрокосмических снимков можно представить в виде четырех основных блоков:

1. Блок входного сигнала в виде исходного аэрокосмического изображения

2. Блок предобработки изображения

3. Блок анализа изображения (почти дешифрирование?)

4. Блок оформления и выдачи результатов

26. Автоматизированное дешифрирование

При автоматизированном дешифрировании необходимо выявить и распознать объект среди массы других в том виде, в каком отобразился на снимке.

Объекты обычно частично перекрывают или маскируют друг друга.

Стремление к автоматизации вызвано ограниченными возможностями человека в скорости дешифрирования и несовершенством глаз. Кроме того, автоматизация позволяет повысить объективность и достоверность при обработке всё возрастающего потока информации.

Автоматизация дешифрирования ускоряет, но полностью не устраняет участие человека, поэтому основной задачей автоматизации процесса распознавания является освобождение дешифровщика от непроизводительного поиска дешифрируемых объектов.

При автоматизированном дешифрировании появляется возможность использовать новые дешифровочные признаки, которых нет при визуальном дешифрировании. Таким признаком является вектор плотностей элементов изображения многозональных снимков, т.е. совокупность значений яркости для одного элемента изображения в различных зонах спектра.

При дешифрировании цифровых изображений выделяют контролируемые и неконтролируемые классификации.

27. Неконтролируемая классификация

+7.2 Неконтролируемая/автономная классификация/классификация без обучения.

При классификации без обучения используются статистические методы чтобы сгруппировать n-мерные данные (n-количество каналов съемочной системы) в их естественные спектральные классы. Один из самых распространенных методов – сегментация – это преобразование полутоновых или цветных изображений в изображения, имеющие меньшее число тонов или цветов, чем исходное. Целью сегментации является выделение областей (сегментов) однородных в каком-либо заданном смысле.

Часто такие области называются кластерами, а сам анализ – кластерным.

Алгоритм кластеризации производит спектральный анализ исходного многозонального изображения и пересчитывает его в одноканальное.

Алгоритмы кластеризации, пример: K-Means; Isodata;

Каналы n1 ^n2; некая область – область значений.

Для алгоритма K-Means требуется, чтобы оператор указал количество классов или кластеров, на которые будет поделено изображение, или которые будут выделены из изображения. Алгоритм кластеризации произвольно определяет местонахождение центров кластеров, однако они должны находиться на максимально больших расстояниях друг от друга. Основная задача, которую решает данный алгоритм – определение положения кластеров, причём они должны быть различны настолько, насколько это возможно.

Выбор числа K кластеров может базироваться на результатах предшествующих исследований, теоретических соображениях или интуиции.

на рисунке делим область на K частей, центры будут максимально отделены

Алгоритм Isodata. Также мы должны задать K.

Перед первой итерацией рассчитываются статистические параметры распределения яркостей в каждой спектральной зоне (минимальное, максимальное и среднее значение), а далее всё пространство разбивается на n равных частей и назначают среднее значение кластеров в центре каждой из образовавшихся областей, затем определяют расстояние в пикселях в спектральном пространстве признаков и относят его к ближайшему центру.

На рисунке: берем диагональ и делим на равные части, в центре каждой из частей назначает центр кластера. после пересчета центры изменятся.

пороговая сегментация основана на понятии «расстояния», в которое входят значения яркости i,j-го пикселя изображения в различных каналах. После первой итерации рассчитывают реальные средние значения спектральных признаков и на второй итерации выполняется повторная кластеризация по минимуму расстояния от средних значений.

Итерации повторяют до тех пор, пока границы кластеров не стабилизируются, т.е. пиксели не станут переходить из кластера в кластер.

Чаще всего задают параметр «Порог сходимости» и ставят его от 95 до 99% - как только определенный процент пикселей «определится» со своим кластером, итерации заканчиваются.

Поэтому часто для ограничения времени обработки указывают предельное количество итераций (на практике количество итераций обычно ставят 25).