Q&A Հարց ու պատասխան
Reading time
Content
Նկարագրել «ֆոտոնային թվերի» դերը հեռազննման տվյալների ձեռքբերման գործում: Ինչպե՞ս են պատկերում այս ֆիզիկական չափումներն ի վերջո ներկայացվում որպես «թվային նիշեր - DN»:
Ֆոտոնային թվերը ներկայացնում են սենսորային տարրի՝ որոշակի ժամանակահատվածում ֆիքսած ֆոտոնների քանակը, որը ցույց է տալիս գետնի վրա լուծաչափի բջջից անդրադարձված կամ արձակված էլեկտրամագնիսական ճառագայթման քանակը: Այս ֆոտոնային թվերը սենսորային տարրում կուտակված լիցք են առաջացնում, որը վերածվում է անալոգային լարման: Այնուհետեւ այդ անալոգային լարումն անալոգ-թվային փոխարկիչի (ADC) միջոցով վերածվում է դիսկրետ «թվային նիշի» (DN)՝ թվային պատկերի ներկայացման համար:
Սահմանել «պատկերի տարածություն» եւ «հատկանիշների տարածություն» հասկացությունները պատկերի դասակարգման համատեքստում: Ինչպե՞ս են այս հասկացությունները կապված RGB կամ բազմասպեկտրալ սենսորի գրանցած ֆոտոնային թվերի կամ թվային նիշերի (DN) հետ:
Պատկերի տարածությունը վերաբերում է պիքսելների երկչափ զանգվածին, որտեղ DN-ների տարածական բաշխումը սահմանում է պատկերը: Հատկանիշների տարածությունը բազմաչափ գրաֆիկ է, որտեղ գետնի լուծաչափի մեկ բջջի (GRC) տարբեր սպեկտրային շերտերից DN-ները գծագրվում են որպես «հատկանիշների վեկտոր»: Ըստ էության, պատկերի տարածությունը ցույց է տալիս տվյալների բազաների տարածական դասավորությունը, մինչդեռ հատկանիշների տարածությունը ցույց է տալիս դրանց միջեւ սպեկտրալ հարաբերությունները։
Հաշվի առնելով հեռազննման գործընթացում հատկանիշների բազմաչափ վեկտորների պատկերման մարտահրավերը, երբ գործ ունենք սպեկտրալ շերտերի մեծ թվի հետ, ո՞րն է պիքսելների արժեքների բաշխումը ցուցադրելու գործնական լուծումը: Երկչափ ցրման գրաֆիկները հաճախ օգտագործվում են որպես գործնական լուծում չորս կամ ավելի շերտերի հետ գործ ունենալիս տվյալները պատկերելու համար՝ երկու շերտի հնարավոր բոլոր համադրությունների առանձին-առանձին կառուցմամբ։
Ի՞նչ է պատկերի թվային դասակարգումը հեռազննման մեջ, եւ որո՞նք են դրա հիմնական կիրառությունները։
Պատկերների թվային դասակարգումը պատկերի պիքսելները որոշակի դասերի վերագրելու գործընթաց է՝ հիմնվելով դրանց սպեկտրալ բնութագրերի վրա: Այն, ըստ էության, ստեղծում է քարտեզ, որտեղ յուրաքանչյուր պիքսել ներկայացնում է հողածածկույթի որոշակի տեսակ (դաս): Սա արվում է պիքսելների ֆոտոնների քանակը կամ տվյալների բազաները վերլուծելով, որոնք ներկայացնում են տարբեր սպեկտրալ շերտերում արտացոլված կամ արձակված էլեկտրամագնիսական ճառագայթումը՝ օբյեկտների մակերեւույթներից կամ գետնի լուծաչափի բջիջներից (GRC)։
Դրա հիմնական կիրառությունները բազմազան են: Օրինակ, այն օգտագործվում է նախագծերում՝ ֆերմերների բերքի սուբսիդիաների պահանջներն ստուգելու համար, որին հաճախ հաջորդում են դաշտային ստուգումներ՝ ճշտությունն ապահովելու համար։ Նպատակը կամ էկրանի օբյեկտները դասակարգելն է (օրինակ՝ մշակաբույսեր, ջրային մարմիններ, քաղաքային տարածքներ), կամ այդ օբյեկտներին վերաբերող պարամետրերի գնահատումը։
Հակիրճ նկարագրել «միջինից նվազագույն հեռավորություն» (MDM) դասակարգման ալգորիթմի հիմնական սկզբունքը։ Ո՞րն է այս մեթոդի մեկ նշանակալի թերությունը, եւ ինչպե՞ս կարելի է այն մեղմել։
MDM դասակարգիչը պիքսել է վերագրում այն դասին, որի կլաստերի կենտրոնը (միջին հատկանիշային վեկտորը) սպեկտրալ առումով ամենամոտն է պիքսելի հատկանիշային վեկտորին։ Թերությունն այն է, որ այն հաշվի չի առնում կլաստերների փոփոխականությունը կամ ձեւը, հնարավոր է՝ այդ դասին վերագրելով կլաստերի միջուկից հեռու գտնվող կետեր։ Սա կարելի է մեղմել՝ սահմանելով շեմային հեռավորություն, որից այն կողմ պիքսելը չի վերագրվի որեւէ դասի։
Որո՞նք են տարբերությունները պատկերի վերահսկելի եւ անվերահսկելի դասակարգման մեթոդների միջեւ։
Պատկերի վերահսկելի դասակարգում
Անհրաժեշտ են նախնական գիտելիքներ. օպերատորը պետք է ծանոթ լինի հետաքրքրության ոլորտին եւ իմանա, թե որտեղ գտնի էկրանի սահմաններում կոնկրետ դասերը (օրինակ՝ «ջուր», «անտառ», «բնակավայր»): Այս գիտելիքները հաճախ ստացվում են դաշտային դիտարկումներից կամ առկա քարտեզներից:
Ուսուցման տարածքներ. օպերատորը ձեռքով ընտրում է պատկերի վրա «ուսման տարածքներ» (հետաքրքրության շրջաններ կամ ROI-ներ), որոնք ներկայացնում են յուրաքանչյուր անհրաժեշտ դասը: Այս ROI-ները սահմանում են խմբերի սպեկտրալ բնութագրերը եւ սահմաններն հատկանիշների տարածությունում:
Օպերատորի ղեկավարած դասակարգման որակը մեծապես կախված է ճշգրիտ եւ բնութագրային ուսուցման նմուշներ ընտրելու հարցում նրա հմտությունից:
Դասերի ուղղակի համադրում. արդյունքն ուղղակիորեն համադրվում է նախապես սահմանված, օգտատիրոջ անվանած դասերին:
Պատկերի անվերահսկելի դասակարգում
Նախնական գիտելիքներ չի պահանջում (նախապես). Օգտակար է, երբ տարածքի կամ կոնկրետ դասերի մանրամասն գիտելիքները բավարար չեն:
Ավտոմատացված խմբավորում (կլաստերացում). ալգորիթմները ինքնաշխատ կերպով նույնականացնում են «բնական» խմբավորումները կամ սպեկտրալ նման պիքսելների խմբերը հատկանիշների տարածությունում: Օգտատերը սովորաբար նշում է խմբերի առավելագույն քանակը:
Իտերատիվ գործընթաց. իտերատիվ բարելավման (միջինների ներհոսք) տեխնիկայի (հայտնի է նաեւ որպես ISODATA) նման ալգորիթմներն սկսվում են կամայական խմբային կենտրոններից եւ իտերատիվ կերպով կատարելագործում են դրանք՝ պիքսելներ վերագրելով ամենամոտ կլաստերին ու վերահաշվարկելով դրանց միջին արժեքները մինչեւ կայունության հասնելը։
Դասակարգումից հետո պիտակավորում. ստացված խմբերն սկզբում վիճակագրական խմբավորումներ են։ Այնուհետեւ օգտատերը պետք է մեկնաբանի եւ պիտակավորի դրանք (օրինակ՝ «Կլաստեր 1-ը՝ ջուր», «Կլաստեր 2-ը՝ բուսականություն»)՝ հիմնվելով արտաքին տեղեկատվության կամ տեսողական զննման վրա։
Սպեկտրալ խմբավորումներ. հիմնականում ստեղծում են սպեկտրալ դասեր, որոնք հետագայում հնարավոր է անհրաժեշտություն առաջանա միավորելու հողածածկույթի նշանակալի տեսակների (դասերի)։
Ըստ էության, վերահսկելի դասակարգումն «ուսուցման օրինակով» է, մինչդեռ անվերահսկելին՝ «նմանությամբ խմբավորումն է»։
Բացատրեք «հատկանիշների վեկտոր» եւ «կլաստերներ» հասկացությունները պատկերի դասակարգման համատեքստում։
Հատկանիշների վեկտորը մեկ պիքսելի սպեկտրալ բնութագրերի բազմաչափ ներկայացումն է։ «N» սպեկտրալ շերտերով բազմասպեկտրալ պատկերի համար յուրաքանչյուր պիքսել ունի «N» թվային նիշեր (DN), մեկական՝ յուրաքանչյուր շերտի համար։ «N» DN-ների այս հավաքածուն կազմում է հատկանիշային վեկտոր (օրինակ՝ [DN_ band1, DN_band2, ..., DN_ bandN])։ Այս վեկտորը կարող է գծագրվել որպես N-աչափ «հատկանիշային տարածության» մեկ կետ։
Կլաստերներն այս հատկանիշային վեկտորների (կետերի) խմբավորումներ են հատկանիշային տարածքում: Պատկերի դասակարգման հիմնարար ենթադրությունն այն է, որ նույն դասին պատկանող պիքսելները (օրինակ՝ ջուր, անտառ, մերկ հող) կունենան նման սպեկտրալ հատկություններ: Հատկանիշային տարածության մեջ գծելիս, այդ սպեկտրալ նման պիքսելները բնականաբար կխմբավորվեն՝ կազմելով առանձին «կլաստերներ»: Օրինակ, ջուրը ներկայացնող բոլոր պիքսելները կարող են կազմել կոմպակտ կլաստեր հատկանիշային տարածության որոշակի շրջանում, մինչդեռ մերկ հողը ներկայացնող պիքսելները կազմում են մեկ այլ՝ հաճախ առանձին կլաստեր: Դասակարգման ալգորիթմների նպատակն է նույնականացնել այս կլաստերները, ապա պատկերի յուրաքանչյուր պիքսելը վերագրել այն կլաստերին կապված դասին, որի սահմաններում է ընկնում կամ որին ամենամոտն է դրա հատկանիշային վեկտորը:
Ինչպե՞ս է ստուգվում եւ չափվում պատկերի դասակարգման արդյունքների որակը:
Պատկերի դասակարգման արդյունքների որակն ունի որոշիչ նշանակություն եւ սովորաբար գնահատվում է խիստ ստուգման գործընթացի միջոցով, որը հաճախ անվանում են ճշտության գնահատում: Այն ներառում է.
Էտալոնային/չափանիշային տվյալներ (գետնի ճշմարտություն). դասակարգված պատկերի համեմատություն «գետնի ճշմարտության» տվյալների հետ: Այս ստուգիչ տվյալները նախընտրելի է ստանալ ուղղակի դաշտային դիտարկումներից կամ ավելի բարձր ճշտության աղբյուրներից, ինչպիսիք են անօդաչու թռչող սարքերի պատկերները:
Նմուշառման սխեմա. համեմատության համար դասակարգված պատկերից պիքսելների վիճակագրորեն ներկայանալի նմուշի ընտրություն: Նմուշառման տարածված ռազմավարությունները ներառում են պարզ պատահական կամ շերտավորված պատահական նմուշառումներ՝ հաշվի առնելով այնպիսի գործոններ, ինչպիսիք են նմուշների քանակը եւ նմուշի միավորի չափը (կետ կամ մակերես):
Սխալի (շփոթության) մատրից. Երբ նմուշները հավաքվում եւ համեմատվում են, կառուցվում է սխալի մատրից: Այն խաչաձեւ աղյուսակավորում է դասակարգված դասերն էտալոնային (ճշմարիտ) դասերի հետ: Օրինակ, եթե կան A, B, C, D դասեր, մատրիցը ցույց է տալիս, թե A-ին իրականում պատկանող քանի պիքսել է դասակարգվել որպես A, B, C կամ D եւ այլն:
Ճշտության չափանիշներ. սխալի մատրիցից ստացվում են ճշտության տարբեր չափանիշներ:
Ընդհանուր ճշտություն. ճիշտ դասակարգված պիքսելների ընդհանուր տոկոսը:
Այս չափանիշները քանակական պատկերացում են տալիս դասակարգման արդյունքի հուսալիության եւ որակի մասին: