Ако даден пиксел се намира в рамките на непараметричната сигнатура , тогава решаващото правило го причислява към сигнатурата на този клас [ 7 ].
Направената контролируема класификация на входното изображение ( Фиг . 3 ) е извършена отново в ArcMap и показана на фиг . 5 . Детайл от класификацията е показан на фиг . 6 .
Фиг . 5 . Класификация с обучение
Фиг . 6 . Детайл от класификацията 4 . ОБЕКТНО-ОРИЕНТИРАНА КЛАСИФИКАЦИЯ
Обектно-ориентираната класификация групира пикселите на обработваното изображение в зависимост от формата , размерите и други характеристики на заснетите обекти . Сегментацията е базов процес за такъв вид класификация . Изследваните обекти могат да бъдат класифицирани според текстурата им , геометрията им и редица други техни признаци . Могат да се използват отделни канали от мултиспектралните изображения , както и допълнителни слоеве .
Предимство на обектно-ориентираната класификация е , че може да се използва техниката за класификация „ най-близък съсед “, която наподобява класификацията с обучение . След като се направи сегментацията , се избират шаблони и се извършва класификацията [ 9 ]. За оптимизиране на класификацията може да се използват изображения , направени в инфрачервения канал , или пък височинен модел , получен от Лидар .
Предимства на обектно-ориентираната класификация :
� При нея се използва голямо разнообразие от характеристики на изследваните обекти ( спектрални , пространствени и други );
� Същите тези характеристики могат да се използват при извършване на сегментация ;
� Възможно е използването на класификация по метода на „ най-близкия съсед “, която наподобява контролируемата класификация ;
� Резултатът от обектно-ориентираната класификация са класове , представени с векторни данни , които лесно и бързо подлежат на последваща обработка ( например , елиминиране на малки обекти или пък присвояването им към друг клас );
� Вече съществува богата гама от разнообразни софтуерни продукти , боравещи с различни файлови формати .
Могат да се посочат следните недостатъци на обектно-ориентираната класификация :
� За обработката на големи по размер територии се изисква мощен процесор , който да осигури необходимата бързина на действието ;
� Обектно-ориентираната класификация е сравнително нов вид класификация , поради което е необходимо извършването на допълнителни изследвания и проучвания с оглед повишаване на нейната точност . [ 8 ]
4.1 . Сегментиране на изображения
В основата на анализа на изображения лежи тяхната семантика . Важна семантична информация в едно изображение са обектите и връзката между тях . Очакваният резултат от сегментацията е автоматизирано извличане на дадени обекти , което е вследствие от специфични алгоритми .
Процес на разделяне на едно изображение на множество разнородни сегменти , групирани по дадени характеристики , като например форма , цвят , яркост , текстура и други . Сегментацията е фундаментален процес при обработката на изображения , който афектира върху следващите фази . Този процес може да бъде разгледан също като получаване на една снимка от друга . В новото изображение всеки пиксел има идентификатор на обекта , към който принадлежи .
Техниките за сегментация са базирани на две качества на стойностите на пикселите :
� Прекъсване - въз основа на това качество при сегментацията се търси наличието на внезапни промени в интензитета ( т . е . намират се граници върху изображенията );
� Подобие - въз основа на това качество при сегментацията върху изображенията се търси наличието на подобни зони по зададен критерий ( праг от хистограмата ). Освен това се извършва „ нарастване “ на зоните , тяхното разделяне или сливане . [ 9 ]
4.2 . Мултирезолюционна сегментация
Към друг тип средства за сегментация спада мултирезолюционната сегментация , заложена в софтуери за обектно-ориентирана класификация .
Алгоритъмът минимизира средната разнородност на обектите в изображението при зададена резолюция . Мултирезолюционната сегментация последователно
16 ГКЗ 5-6 ’ 2020