Ғарыштық суреттерді өңдеудегі классификациялардың ерекшеліктері
Орындаған: Хамит А. ГК151
Тексерген: Забира Р.
Жұмыстың мақсаты: Әр түрлі классификация түрлерінің қандай мақсатта қолданылатынын қарастыру, бір-бірінен айырмашылығын салыстыру;
Жұмыстың міндеті: классификациялардың жасалу жолын үйрену;
1. 7 бэнді бар ғарыштық суретті алып, оны ENVI бағдарламасында Layer Stacking жасаймыз.
Ғарыштық суреттер Ертіс өзенінің орта ағысын алдым.
Ертіс—Солтүстік Мұзды мұхит алабында жатқан өзен, Обь өзенінің сол жақ саласы. Қазақстан жерінде Шығыс Қазақстан, Павлодар облыстары арқылы ағады. Жалпы ұзындығы 4248 км, оның 1698 км-і Қазақстан жерінде. Су жиналатын алабы 1643 мың км2. Қазақ жерінде Ертіс ағынын Қатын, Қалба, Нарын, Тарбағатай және Сауыр жоталарынан, Құлынды даласынан жинайды. Көп жерінде тау сілемдерін тіле терең шатқалдар қалыптасқан. Бұл тұста жағаларының биіктігі 500 м-ге жетеді. Құлынды даласында өзеннің арнасы кеңейіп, жайылмасы пайда болады. Таулық аңғары (250 м биіктікке дейін) қылқан жапырақты орманды, оң жағы көбіне қарағайлы шабындықты келеді, осы тұстағы арнасының ені 100 – 150 м, Омбы қаласы тұсында 6 – 8 км, Тобыл кент тұсында 25 – 30 км-ге жетеді.
2. Одан соң суреттегі объектілерге ROI to Interest функциясымен аймақтарды түске бөлеміз.
Менің ғарыштық суретімде 7 объекті болды және фонына бөлек түс беру керек болды. Өйткені, бағдарлама автоматты түрде фонға жақын түспен бояп, суреттің сапасы бұзылады.
3.Ең бірінші қолданған классификациямыз Maximum Liklihood. Бұл классификациямын бұрын жұмыс жасағандықтан, көп қиындық тудырмады. Жұмыс жасау принципі:барынша ықтималдық арқылы жіктеледі. Әдетте әр топта әр класы үшін статистикалық деректер таратылады деп есептелінеді және берілген белгілі бір пиксель арнайы класқа жататын ықтималдығын есептеп береді. Егер сіз ықтималдылығы шекті параметрін таңдағыңыз келмесе, пикселдер автоматты жіктеледі. Әрбір пиксель ең жоғары ықтималдығын (яғни, ең ықтималдығы) бар класқа тағайындалады. ең жоғары ықтималдық сіз көрсеткен шамадан кем болса, пиксель құпия болып қалып отырады.
Классификация объектілерді түспен жақсы ажыратып көрсетеді. Бірақ, мен күлгін түспен тау деп берген объектілерімді жасыл түске бояп тыстаған. Бұл жағдайға суреттегі бұлттар кедергі келтірген сияқты. Фонға қара түс берілді, бірақ классификация жасауда барлығы қара түске боялып кеткендіктен, алып тыстадым.
4.Келесі классификациямыз Parallelepiped: мультиспектральных деректер жіктеу үшін, қарапайым шешу ережесін пайдаланады. Кескін деректердің кеңістікте өлшемді параллелепипедтік жіктеу - объектілердің шекараларын қалыптастыру үшін, әрбір таңдалған класстың орташа құнынан стандартты ауытқу негізінде анықтайды.
Параллелепипедте су объектілері және үлкен объектілер жақсы көрінеді. Ұсақ объектілерді анық көрсете алмайды.
5.Жіктеу әдісі «Mahalanobis қашықтық» әр класы үшін статистиканы пайдаланады. Бұл ықтималдықты барынша жіктеу әдісіне ұқсас, бірақ жылдам және барлық классты ковариация лық тең деп қабылдайды. Барлық пикселдер қажетті таңдалған аймақтың ең жақын класына жіктеледі.
Суретте барлық үлкен де, ұсақ объектілерде анық көрінеді. Бірақта кейбір объектілердің түстері өзгеріп, артық боялып кеткен сияқты.
6.Ең аз қашықтық әдісі(алгоритм Minimum Distance Classification) әр "endmember" векторлардың орташасы пайдаланады және әр класс үшін орташа векторға белгісіз әрбір пиксель, евклидтік қашықтықты есептеп береді. Сізде олар таңдалған өлшемдеріне сәйкес келмесе, кейбір пиксел құпия болуы мүмкін, бұл жағдайда шекті стандартты ауытқуын немесе қашықтық белгіленбесе, барлық пиксел ең жақын класқа жіктеледі.
7.Спектрлік бұрыш әдісі (алгоритм Spectral Angle Mapper Classification).Бұл жағдайда, класқа пиксель қатынасы орта таптың және спектрлік ерекшеліктері (-пайдаланылатын арналар саны-N) туралы N өлшемді кеңістіктегі пиксель құндылықтарды, құны қалған арасындағы спектрлік бұрыштың максималды мәні алу арқылы анықталады.
Берілетін параметрлер:
- количество определяемых классов за счет загрузки файла областей интереса или файла в формате EVF;
- Maximum Angle – максимальный угол (задается в радианах)
8.Спектрлік Ақпараттық алшақтық (SID) пиксель эталондық спектрі сәйкес келетін алшақтық шара қолданатын, спектрлік жіктеу әдісі болып табылады. Пиксел ұқсас екенін ықтималдығы дисперсиясы аз немесе үлкен қылып алыстыру арқылы табады. Осының қарсаңында жоғарыда өлшей отырып, пикселдердің айырмашылықтары жіктелмейді.
Параметрлерінде біз әр объектіге арнайы параметрлер беріп, оларды өшіріп, қоса аламыз.
Суретте бұлттың әсерінен көрінбейтін жерлер NULL, яғни бос аумақ болып қалады. Фонға берлген қара түс, көк түс болып берлуі де осында. Бұл классификация жоқ аймақтарды қара түске бояды, мен фонға бөлек рой бергендіктен ол көк түске боялған.
9.Екілік кодтау әдісі(алгоритм Binary encoding classification) деректерді кодтайтын және жиілік ауқымына қарай нол және бірлік Into спектрін жіктеу, тиісінше спектрлерді ортасынан төмен немесе жоғары қарай жіктейді. XOR функциясы кодталған мәліметтерді спектрдің, әрбір кодталған анықтамалық спектрін салыстырады және суретке жіктеу жасайды. Барлық пикселдер, белгіленген ең төменгі шекті, сәйкестік көзделмесе, сәйкес ең жоғары жолақтармен жіктеледі,Олар өлшемдерге сәйкес келмейтін болса, осы жағдайда, кейбір пикселдер ашуға жабуға болады.
10. ISODATA классификациясын қолданғанда өңдеуші келесі мәліметтерді енгізеді:
Number of Classes — число классов, которые будут выделены на снимке;
Maximum Iterations — максимальное число итераций;
Threshold – порог сходимости — количество пикселей (в процентах), которые меняют свою принадлежность к классу при переходе к следующей итерации;
Maximum Stdev from mean — максимальное стандартное отклонение от среднего;
Бақыланбайтын жіктеу нәтижелері қанағаттанарлық емес , сондықтан аймақтарға бөлу мен аумақтарды қажетсіз үшін қажетті заттарды бөлуге осы əдісті пайдалану тиімсіз.
11. Квалификатор K-Mean табиғи спектрлік кластардағы деректердің тобына статистикалық әдістерді пайдаланады. N-өлшемді деректерді бөлінетін топтардың санына операторлық таңдау қажет ететіндей кластерлі талдау арқылы оқиды Бұл жіктеу алгоритмі-алгоритм кездейсоқ оңтайлы спектрлік кластарды анықтағанша жүреді, содан кейін бұл бірнеше рет қайталану(менің жағдаймда 20 рет кайталанды) арқылы осы топтардың орталықтарының орнын анықтайды. Қаншалықты қайталану саны көп болса, соншалықты объектілер толықтай қамтылады.
Қорытынды:Классификация- ғарыштық түсірістегі объектілерді түс арқылы ажыратуға қажетті функция.Бірақ әр классификацияның өзінің қолданылатын мақсаты мен артықшылықтары мен кемшіліктері бар. Кейбірі суреттегі ірі объектілерді толыққанды қамтыса, кейбірі ұсақ объектілерді қарастырып шығады. Классификация объектілердің 100 пайызға дәл қамтып шығады деп айту қиын. Себебі түстердің ұқсастығы, олардың нақты берілмеуі көп жағдайда қателіктердің болуына әкеліп соғады. Сондықтан классификациядан кейін, алғашқы ғарыштық сурет пен соңғы нәтижені салыстыра отырып, қателіктерін қарастыру, артық етпейді деп ойлаймын.
