Key Concepts Հիմնական հասկացություններ
Reading time
Content
Հիմնական հասկացություններ
Ռադիոմետրիկ դասեր - պատկերի պիքսելների դասակարգումը վերաբերում է դասակարգման ենթակա նմուշներին (կամ պիքսելներին): Ենթադրվում է, որ գոյություն ունի հնարավոր ռադիոմետրիկ դասերի (դասի պիտակների) վերջավոր հավաքածու:
Ω = {ω1, ω2,…, ωk,…, ωK}
Ω-ի ωk տարրերը կոչվում են ռադիոմետրիկ դասեր, իսկ Ω-ը ռադիոմետրիկ դասերի հավաքածուն է: Տարբերակվող դասերի քանակը հետեւյալն է.
K = քարտեզ (Ω) = դասերի քանակ
K - ωk դասերը ներկայացված են մեկ դասի անվամբ կամ պիտակով, որը սահմանում է ԵՏՀ օգտատերերի համայնքը:
Նիդեռլանդների Ֆլեվոպոլդեր քաղաքի գյուղատնտեսական շրջանում արբանյակային պատկերի վրա մշակաբույսերի դասակարգման օրինակը ցույց է տալիս դասերի հավաքածուի գաղափարը: Պատկերը գրանցվել է Landsat Thematic Mapper սենսորով, որը չափում է անդրադարձված արեւի լույսը վեց սպեկտրալ շերտում (տեսանելի եւ ինֆրակարմիր)՝ 30 մ տարածական լուծաչափով (նկար 5): Ենթադրենք Ω-ն դասակարգման դասերը սահմանում են յոթ հիմնական մշակաբույսերը, այսինքն՝
Ω = {խոտ, ցորեն, կարտոֆիլ, շաքարի ճակնդեղ, լոբի, ոլոռ եւ սոխ}
Նկար 5. Գյուղատնտեսական դաշտերի հայտնաբերումը եւ դասակարգումը հեռազննման պատկերներում. (ա) Flevopolder Landsat-TM պատկերներ, որոնք ստացվել են 1987 թվականի հուլիսի 7-ին Բիդդինգհայզեն տարածքում, 5, 4 եւ 3 շերտերում (RGB): (բ) 1987 թվականի հողածածկույթի քարտեզ, որը ցույց է տալիս յոթ հիմնական մշակաբույսերը
Պատկերի դասակարգման խնդիրն է դասակարգել եւ ճանաչել տարածքում մշակաբույսերը: Ω-ի այս հստակ սահմանումը բացառում է մյուս բոլոր դասերը. գյուղը, որոշ ջրանցքներ, որոշ անտառներ, ճանապարհներ եւ ֆերմերային տներ, չնայած դրանք առկա են տարածքում, չեն ներառվում դասակարգման արդյունքներում: Միասին կազմում են անհայտ ω0 դասը:
Ω դասերի հավաքածուն կարող է բավականին տարբեր կերպ սահմանվել՝ կիրառությունից կախված: Ω-ի սահմանումը հիմնականում կիրառության հարց է:
Թեմատիկ քարտեզներ - պատկերի դասակարգումը պատկերներից թեմատիկ քարտեզներ ստեղծելու գործընթաց է: Թեմաները կարող են տատանվել, կախված օբյեկտների կատեգորիաներից կամ դասերից, ինչպիսիք են հողը, բուսականությունը եւ մակերեւութային ջրերը (նաեւ վերեւում նշված ռադիոմետրիկ դասը): Հետեւաբար, թեմատիկ քարտեզ ստեղծելու համար, յուրաքանչյուր պիքսելի «Labels» դասը փոխարինում է ֆոտոնների քանակը։
Պիքսելների կամ պիքսելների խմբերի միջեւ համանմանություն - օրինակ՝ դասակարգման մեջ ցանկանում ենք պիտակավորել գետնի վրա նմանատիպ ֆիզիկական բնութագրեր ունեցող տարածքները։ Դա կատարվում է նման բնութագրեր ունեցող տվյալների խմբավորմամբ։
Պարամետրիկ, թե ոչ պարամետրիկ դասակարգում - դասակարգման ալգորիթմները կարելի է բաժանել երկու տեսակի՝ պարամետրիկ եւ ոչ պարամետրիկ։ Պարամետրիկ ալգորիթմները ենթադրում են որոշակի վիճակագրական դասակարգային, սովորաբար նորմալ բաշխում, եւ դասակարգման համար պահանջում են բաշխման պարամետրերի գնահատականներ փորձնական նմուշից, ինչպիսիք են միջին վեկտորը եւ կովարիացիոն մատրիցը։ Ոչ պարամետրիկ ալգորիթմները չեն կատարում որեւէ ենթադրություններ հավանականության բաշխման վերաբերյալ եւ հաճախ համարվում են հուսալի, քանի որ դրանք կարող են լավ աշխատել դասակարգային բաշխումների լայն շրջանակի համար. սակայն դրանք պահանջում են փորձնական նմուշների զգալի քանակ։
Խմբերի (կլաստերների) ձեւավորում - հիմնական գաղափարն այն է, որ սպեկտրալ նմանատիպ ցամաքային ծածկույթի շրջաններից կամ տեսակներից (դասերից) ծագող պիքսելները կազմում են կոմպակտ կլաստերներ կամ խմբեր։ Այս խմբավորումները հայտնի են որպես «կլաստերներ» եւ սահմանվում են իբրեւ հատկանիշների տարածության հարակից կետեր։ Օրինակ, ջրային, ինչպես նաեւ խոտի կամ ծառի հատկանիշների վեկտորները սովորաբար կազմում են կոմպակտ խմբեր։
Տարբեր կլաստերները նույնականացնելու ուսուցում - սովորաբար, տարբեր ռադիոմետրիկ դասերի համապատասխանող տարբեր կլաստերները նույնականացվում են հատկանիշների տարածքում «ուսուցման» գործընթացի միջոցով: Բազմաշերտ պատկերից հատկանիշների յուրաքանչյուր վեկտոր կարող է գծագրվել այս տարածության մեջ: Այս սկզբունքը թույլ է տալիս յուրաքանչյուր պիքսել համեմատել այս՝ նախապես սահմանված կլաստերների հետ, թույլ տալով նշանակել ամենահամապատասխան դասը։
Կլաստերների նույնականացումն ինտերակտիվ գործընթաց է եւ իրականացվում է ուսուցման ընթացքում: Առանձին պիքսելների համեմատությունը կլաստերների հետ կատարվում է դասակարգչի ալգորիթմների միջոցով։
Ուսուցումը ներառում է պիքսելների ընտրություն՝ ցանկալի դասերը ճանաչելը դասակարգողին սովորեցնելու համար, իսկ դասակարգումը ներառում է լուծման սահմանների որոշում, որոնք բաժանում են հատկանիշների տարածությունը՝ համաձայն փորձնական պիքսելների հատկությունների: Այս քայլը կամ վերահսկում է վերլուծողը, կամ համակարգչային ալգորիթմի միջոցով չի վերահսկվում։
Սկզբունքորեն, ուսուցման հավաքածուն [d, ω] ցույց է տալիս կիրառությունը, այսինքն՝ հայտնի նույնականության չափումների վեկտորները, որոնք ենթադրվում է, որ ներկայացնում են հետաքրքրության դասերը: Հավանականության բաշխման պարամետրերը գնահատելու համար պետք է հասանելի լինեն համապատասխան ուսուցման հավաքածուները։
Ուսուցման նմուշները հավաքվում են հետաքրքրության շրջանների (ROI) միջոցով։
ROI-ներն ընտրվում են
- դասերի քանակի սահմանման,
- առանց դասերի միջեւ խառնվելու, համասեռ դասերի միջեւ լինելու,
- դասի ներսում ամբողջական փոփոխականությունը ներկայացնելու համար,
- քանի որ հաճախ յուրաքանչյուր դասի համար պահանջվում է մեկից ավելի հատված կամ տարածաշրջան,
- քանի որ որոշ դասեր կարող են ունենալ փոքր տարածվածություն, օրինակ՝ «սալարկված» ճանապարհը։
- ուսուցման նմուշները դասակարգումից առաջ վերլուծելու համար։
Բազմաչափ գրաֆիկ, որը գծագրում է չափերի d վեկտորները։ Յուրաքանչյուր պիքսել համապատասխանում է առանձնահատկությունների տարածության մեկ կետի։ Առանձնահատկությունների տարածության կետերի կլաստերները համապատասխանում են օբյեկտների տարբեր դասերի։
Նկար 6-ը պատկերում է երկչափ առանձնահատկությունների տարածություն, որը գծագրում է հողածածկույթի հինգ որոշակի տեսակի (դասի) կլաստերներ, ինչպիսիք են ջուրը եւ ծառերը:
Նկար 6. Երկչափ առանձնահատկությունների տարածություն, որը ցույց է տալիս հինգ դասի համապատասխան կլաստերները, յուրաքանչյուր դաս զբաղեցնում է առանձնահատկությունների տարածության սահմանափակ տարածք
Նկար 7-ը պատկերում է եռաչափ առանձնահատկությունների տարածություն, որտեղ գծագրվում են կանաչ, կարմիր եւ մերձինֆրակարմիր տիրույթներում հինգ հողածածկույթի դասերի համար նախատեսված փորձնական պիքսելները
Մակարդակ-կտրվածք դասակարգիչ - հայտնի է նաեւ որպես տուփերի կամ զուգահեռաձողերի դասակարգիչ, դասակարգման ամենապարզ մեթոդն է։ K-չափ տուփերի հավաքածուն, որը կենտրոնացած է գնահատված դասի միջին վեկտորների վրա, տեղադրվում է N-չափ առանձնահատկությունների տարածությունում (N-ը սպեկտրալ շերտերի քանակն է)։ Եթե չնշագրված պիքսելային վեկտորը գտնվում է տուփերից մեկի ներսում, դրան տրվում է այդ դասի պիտակը։ Տուփերի սահմանների առանձնահատկությունը սովորաբար յուրաքանչյուր հարթության տվյալների ծավալի առումով է, օրինակ՝ ±1 ստանդարտից շեղումը (միջին քառակուսային սխալ) վերաբերում է յուրաքանչյուր շերտի միջին արժեքին։ Տուփերի սահմանազատումն առանձնահատկությունների տարածության մեջ կարող է նաեւ կատարել անմիջապես վերլուծողը՝ ինտերակտիվ եղանակով։ Քանի որ տուփերը համընկնում են տվյալների առանցքների հետ, ամբողջ պատկերի դասակարգման պիտակավորումը հնարավոր է արագ իրականացնել ապարատային կամ ծրագրային որոնման (փոխակերպման) աղյուսակների (LUT) միջոցով, իսկ ստացված քարտեզը հնարավոր է դիտել առանձնահատկությունների տարածության տուփերի մանիպուլացման հետ միաժամանակ։ Բարդություն է առաջանում, եթե պիքսելային վեկտորն ընկնում է երկու կամ ավելի տուփերի մեջ (տուփերը կարող են համընկնել, եթե դա հստակ արգելված չէ): Պիքսելի պիտակի վերաբերյալ որոշումը պետք է կայացվի մեկ այլ ալգորիթմի՝ օրինակ ամենամոտ միջինի միջոցով։
Իր բնույթով մակարդակ-կտրվածք ալգորիթմը նաեւ ստեղծում է «չպիտակավորված» դաս, որը կոչվում է «չդասակարգված պիքսելներ», այն բաղկացած է բոլոր պիքսելային վեկտորներից, որոնք չեն ընկնում նշված տուփերից որեւէ մեկի մեջ։
Կոշտ եւ փափուկ դասակարգումներ - պիքսելների պիտակավորումն իրականացվում է հատկանիշների տարածքի բաժանմամբ։
- Կոշտ դասակարգումը հանգեցնում է յուրաքանչյուր պիքսելի համար մեկ դասի։
- Փափուկ դասակարգումը հանգեցնում է բազմաթիվ դասերի մեկ պիքսելի համար, որոնցից յուրաքանչյուրն ունի համապատասխան հավանականություն։
- Փափուկ դասակարգումն ավելի ճշգրիտ է եւ նկարագրում է իրականությունը, հաշվի առնելով դասերի ներսում եւ դրանց միջեւ տատանումները, ինչպես նաեւ դասերի խառնումը։
Խտության կտրում - դասակարգում մեկ շերտի միջոցով։ Տեսականորեն, հնարավոր է դասակարգումը հիմնել մեկ սպեկտրալ շերտի վրա՝ օգտագործելով մեկ շերտի դասակարգումը։ DS-ը տեխնիկա է, որի միջոցով պատկերի հիստոգրամի հորիզոնական առանցքի երկայնքով բաշխված ֆոտոնների քանակը բաժանվում է օգտատիրոջ նշած միջակայքերի կամ շերտերի շարքի։ Շերտերի քանակը եւ շերտերի միջեւ սահմանները կախված են ուսումնասիրության տարածքում գտնվող տարբեր օբյեկտների դասերից։
Բազմասպեկտրալ դասակարգում - դասակարգում բազմաթիվ շերտերի միջոցով։