Мультиспектралды бейнелерді өңдеуде кластеризация алгоритмін зерттеу және өңдеу, параллелизация технологиясын қолдану арқылы бағдарламаның тиімділігін арттыру

Пән: Астрономия
Жұмыс түрі: Дипломдық жұмыс
Тегін: Антиплагиат
Көлемі: 55 бет
Таңдаулыға:

КІРІСПЕ

Казіргі таңда жерді қашықтықтан зерттеу (ЖҚЗ) космостық жүйелер кең таралымға ие болып отыр. Жерді қашықтықтан бақылау дегеніміз - ол белгілі бір территория, немесе оған қатысты обьект туралы ақпарат жинау. Жерді қашықтықтан бақылау әдістері үлкен көлемді спектралды диапазондағы жердің бетін электромагиниттік сәулелер және сандық немесе аналогтық тіркеуде негізделген.

Жерді қашықтықтан басқарудың өнімі ретінде пиксельдердің мәні кандай да бір қасиетке сәйкес келетін бейне бөлігінің жер беті бөлігінің сандық бейнесі. Сол алынған жер бетінің көлемі алынған спутниктік бейнеге байланысты болады, жалпы алғанда осы алынған жиынның бәрін берілген аймақ қасиетін сақтайтын көпөлшемді матрица түрінде қарастыруға болады.

Белгілі бір табиғи ресурс есептерін шешетін әр түрлі спектралды диапазонды мыңдаған спутниктік жүйелер секунд сайын жер үсті өзгерістерін бақылап отыр. Жерді қашықтықтан зерттеу мәліметтерін өңдеу өте үлкен жұмыс, ол бір неше этаптан тұрады: алдын ала, алғашқы және салдарлық (тематикалық) өңдеу. Әр түрлі тематикалық өңдеу жүргізу үшін космостық түсірілімдер материалдары бойынша аймақ туралы ақпаратты алу дешифирлеу этапында жүзеге асады. Картография және мониторинг есептері спутниктік бейнелерді тематикалық дешифрирлеу кезінде визуалды аспапты және автоматтандырылған әдістерге жүгінеді. Визуалды аспапты өңдеу процессі өте күрделі жұмыс және субьективті болып келеді. Сондықтан өңдеуден алынған ақпараттың сапасы мен орындалу уақыты ең алдымен маманның кәсіптілігі мен біліктілігіне байланысты. Сол себепті спутниктік бейнелерді өңдеу процессін максималды түрде автоматизациялау ұмтылысы әбден түсінікті.

Соңғы жылдары мултиспектралды жүйелер (10 спектралды диапазонға дейін) мен гиперспектралды жүйелер (300 диапазонға дейін) үлкен таралымға ие болып отыр. Көпөлшемді анализ және сегментация жерді қашықтықтан зерттеу спутниктерінен алатын мультиспектралды суреттерді тематикалық өңдеу барысында қолданылатын негізгі процедураларының бірі болып табылады. Бір территория бойынша спутниктерден қабылданатын ақпараттар көлемі бір сеанс ішінде гигабайтқа және одан да асады, сондықтан осындай ақпаратты өңдеу күрделі есептеулер мен ресурстарды қажет етеді. ЖҚЗ мәліметтерін тематикалық өңдеу кезінде, осындай жоғарғы есептеу қүрделігі бар алгоритмдердің мәселелерін принципиалды түрде шешу үшін геоинформациялық жүйелер ортасын параллельді есептеуіш ресурстарына қол жеткізу мүмкіндігін ұйымдастыру керек. Қазіргі таңда сандық бейнелерді (мультиспектралды) анализдеу және автоматты өңдеу үлкен тәжірбиеге ие.

Автоматтандырылған әдістердің көпшілігі игеріліп, спутниктік ақпаратты өңдеу де қолданылып жатыр. Осы бағыттағы ғалымдардың спутниктік бейнелерді өңдеу автоматтандырылған жүйелерге салатын басты талаптарының бірі болып, қазіргі таңда өнімдердің сапасы мен ақпаратты өңдеу уақытты тиімділеу яғни тездету әдістерді табу болып отыр. Осыған қарамастан спутниктік бейнелерді автоматты түрде өңдейтін есептерге арналған жұмыстар аз. Сонымен қатар, қарапайым бейнелерді өңдейтін алгоритмдердің өздері де көпзонды бейнелер жағынан қарағанда бірнеше кемшілікке ие:

Біріншіден, белгілі шешімдер, космостан алынған бейне тек бір ғана емес бірнеше суреттен тұруы мүмкін деген болжамды сонымен қатар әр түрлі спектралды зоналарда түсірілген бір бірімен корреляцияланған суреттерден тұруы мүмкін деген болжамды ескермейді.

Екіншіден, бейнелерді өңдеудің ортақ принциптеріне негізделгендіктен, реалды уақытта яғни ақпараттың түскен сәтінде бейнелерді өңдеуге арналған алгоритмдер тым ақырын болып шықты.

Үшіншіден, осыған қоса алғанда, қолданылатын шешімдер әрқашан қанағаттырарлық нәтиже (сапалы) бермейді, сондықтан сапалы өнімге жету үшін жаңа әдістерді, мүмкін бар әдістерді комбинирлі түрде қолдану да керек. Осынын бәрі аэрокосмостық бақылаулардың сапасы мен сапалы анализі үшін жаңа әдістердің өңдеуін қажет етеді. Осының бәрін ескере отырып бейнелерді өңдеудің тез әрі тиімді алгоритмдерін өңдеу және зерттеу актуалды мәселелердің бірі болып табылады.

Жұмыстың мақсаты

Мультиспектралды бейнелерді өңдеуде кластеризация алгоритмін зерттеу және өңдеу, параллелизация технологиясын қолдану арқылы бағдарламаның тиімділігін арттыру.

Жұмыстың өзектілігі

Космостық спутниктердің мультиспектралды түсірілім құрылғылары көмегімен алынған, жерді қашықтықтан зерттеу мультиспектралды суреттері, жер беті обьектілерінің панхроматты режимде көрінбейтін көптеген қасиеттерін зерттеуге мүмкіндік береді. Жерді қашықтықтан зерттеу мультиспекталды ақпарат көптеген салаларда орнын табады, ең алдымен ол - орман және ауылшаруашылығы; энергетика; мұнай газ комплекстерінде; телекоммуникация; арнайы және тематикалық картография; қоршаған ортаны қорғау және экология; төтенше жағдайларды басқару. Сондықтан мультиспектралды ақпаратты өңдеу мен космостық суреттерді дешифрлеу күнделікті адам өмірінде көптеген салаларда маңызды және актуалды болып келеді.

Мультиспектралды ақпараттың көлемі үлкен болу себебінен осындай ақпаратты өңдеу өте үлкен есептеуіш процесстерді және көп уақытты талап етеді. Сол себепті мультспектралды ақпаратты өңдеудің тиімді алгоритімін тауып, өңдеу уақытын тездету мультиспектарды ақпараттпен жұмыс істейтін салалар үшін маңызды мәселелерінің бірі болып табылады.

Жұмыстың жаңалығы

Мультиспектралды бейнелерді өңдеу үшін класстеризация алгоритімдерін қолданып, алгоритмдердің анализін жасап, есептеу процессін тиімділеу үшін параллелизация технологияларын қолданып бағдарлама комплексін орындау.

Зерттеу әдістері

Алдыға қойылған есептерді шешу үшін қолданылған әдістер: ықтималдық теорияға, математикалық статистикаға және сандық әдістерге; есептеуіш техника құрылғыларына; бағдарламалау тілдері мен графикалық бейнелермен жұмыс істейтін бағдарламалық құрылғыларына; параллельизациялау технологияларына негізделген.

Жұмыс нәтижелерін жариялау.

Тақырып бойынша нәтижелер 2 республикалық және 1 халықаралық конференцияларда талқыланып конференция баяндамалар жинақтарында жарыққа шыққан.

1. ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ ӨҢДЕУ

Қашықтықтан зерттеу мәліметтері (ҚЗМ) (remote sensing data, aerospace data) -син. Контакты емес яғни дистанционды әдіспен алынған жер беті және жер бетінде орналасқан обьектілер туралы аэрокосмостық зондтау мәліметтер.

ЖҚЗ (Жерді қашықтықтан зерттеу мәліметтері) мәліметтерін өңдеу (image processing) - аэрокосмостық суреттерге орындалатын коррекциялау, түрлендіру және жақсарту, дешифрлеу, визуализациялау процесстері.
Космостық суреттер мәліметтерін өңдеу негізгі деңгейлері:

Алдын ала өңдеу;
Тематикалық өңдеу.

1. 1 МУЛЬТИСПЕКТАРЛДЫ МӘЛІМЕТТЕРДІ АЛДЫН АЛА ӨҢДЕУ

Алдын ала өңдеу - бұл спутниктік суреттерді түзету және жақсарту.

Алдын ала өңдеудің түрлері:

Спутниктік суреттерді геометриялық түзету ;
Суртеттердің радиометриялық калибровкасы;
Атмосфера ықпалының радиометриялық калибровкасы;
Қалып кеткен пиксельдерді қалпына келтіру;
Контрастілеу;
Фильтрация.

Спутниктік суреттерді геометриялық түзету

Суреттегі геометриялық бұрмалауларды түзету (орторектификация),
Географиялық байланыстарды түзету.

Геометриялық бұрмалаудың бірнеше себептері бар, брақ бұл себептер бірлесе жүреді. Және де космостық суреттердің типіне байланысты осы себептер комбинациясы әрқалай болуы мүмкін.

Жер бетінің кыйсықтығы. Жер бетінің қыйсықтығы себебінен суреттердің геометриялық бұрмалауы сканерленген аймақтар бiр кеңістікте жатпағандықтан болады. 1-суретте әр түрлі кеңістікте жатқан жер бетін сканерлеу мысалы көрсетілген.

1-сурет. Жер бетін сканерлеу.

Жер бетінің қыйсықтығы түрлері: обьектілер пішіндерінің бұрмалауы, масштабтың бұрмалануы

2) Рельефтің қыйсықтығы. Рельефтің қыйсықтығы жер бетінің қыйсықтығы сияқты өрескел бұрмалауға әкеледі, бірақ оларды жою-түзету әлде қайта қыйындау келеді. Себебі рельефтің пішіні жер пішініне қарағанда күрделілек, сфераға жақын келеді. 2-суретте жер бетін сканеленгендегі релефтің қыйсықтығы мысалы.

2-сурет. Жер беті рельефінің қыйсықтығы.

Жердің айналуы. Жерді космостан түсіру бір мезеттік жұмыс болмағандықтан, жердің айналуы түсірілім шарттарын өзгертеді (1 мин жер 0. 25айналады) .
Суреттің құрылу процессіндегі космостық аппараттың қозғалуы. Суреттердің қасиеті мен сапасына спутник орбитасының биіктігі және пішіні ықпал тигізеді.

Суртеттердің радиометриялық калибровкасы

Спутниктерден алынған алғашқы суреттер DN ашықтықтың шикі мәндер түрінде болады. Осындай форматтағы мәліметтерді басқа сурет мәліметтерінмен салыстыруға біріктіруге болмайды. Радиометриялық калибровка осы мәндерді физикалық бірліктерге айналдырды. Оптикалық диапозондағы многозоналды суреттердің калибровкасының формуласы:

B*λ=K λ DN+C λ (1)

мұндағы: B* λ - λ спектралды зонасы үшін энергетикалық ашықтық;
DN - ашықтықтың шикі (алғашқы) мәндері;
K λ - калибровтік коэффициент;
C λ - тіркелген ашықтықтың минималды мәніне сәйкес келетін, калибровтік тұрақты.

Атмосфера ықпалының радиометриялық калибровкасы

Жұту және шашу. Электромагниттік толқындар атмосферадан өткенде жұтылады және шашырайды, оның себебі: озон, су буы, көмірқышқыл газ, оттегі, метан, шаң, түтін.
Бұлттылық. Оптикалық диапазонда түсірілім кезінде бұлттылық кезергілердің бірі болып табылады.

Атмосфералық коррекция әдістері:

Бұлттар мен тұмандар су фонында жақсы көрінеді, себебі қызыл және ИҚ аймақтарда судың спектірлік беті өзінің оптикалық қасиеті бойынша қара денеге жақын болады. Сондықтан атмосферадағы су буының және аэрозольдерінің бар болуын теңіз және мұхит аймақтары бар суреттерден бағалауға болады.
Атмосферадағы шашырылмды, жыл маусымдарын, метеорологиялық мәліметтерді ескере отырып атмосфера қалып күй моделін құратын математикалық моделдер бар. Осынай модельдерді анықтау спутниктің ұшуы кезінде обьектілердің шағылыстыру мүмкіндігін өлшеу арқылы жүзеге асады.

Қалып кеткен пиксельдерді қалпына келтіру

«Қалып кекен пиксельдер» түсірілім кезінде немесе тасымалдау кезінде, және де ашықтық мәндерін көршілес тұрған мәндермен ауыстырған жағдайда пайда болады. Осындай құбылыстар суретті тематикалық өңдеу кезінде қыйындық тудыруы мүмкін. Қалып кеткен пикельдерді белгілі бір кемшілікпен интерполяция жолымен қалпына келтіруге болады. Мысалы 3-суретте көрсетілген.

3-сурет. Қалып кекен пиксельдер қалпына келтіру.

Контрастілеу

Сурет контрастісі - бұл ашықтықтың максималды және минималды мәндерінің айырмасы.
Әлсіз контраст - ең көп тараған сурет ақауы.

Сандық өңдеу арқылы контрастіні жоғарлатудың бірнеше әдісі бар. Сурет конрастісін жоғарлату суреттерді визуалды дешифрлеу кезінде қолдануы мүмкін. (мысалы, обьект шекараларын көрсету кезінде) . Контрастілмеген және контарстіленген сурет мысалы 4-суретте көрсетілген.
Контрастіні жоғарлату әдістері:

Гистограмманы сызықты созу.
Гистограмманы нормализацилау.
Гистограмманы тегістеу

: Контрастілмеген сурет.

: Контрастілген сурет

4-сурет. Контрастілеуден өткен сурет.

Фильтрация

Фильтрация - берілген бір обьектілердің оқылуын жоғарлататын, жағымсыз күңгірттеулерді бассып, кездейсоқ бөгеулерді жоюға мүмкіндік беретін түрлендіру. Фильтрацияның ең қарапайым түрлерінің бірі - жылжымалы терезеде түрлендіру. Осындай түрлендіру кезінде суреттегі пиксельдердің ашықтық мәні есептеледі. Есептеу әрбір пиксель үшін болады: сурет бойымен қозғалып кележатқан терезедегі пиксель орталық писель болып тағайындалады да оған функция болып табылатын жаңа мән беріледі. Терезе көлемі мысалға, 3х3 немесе 5х5 пикселдер болуы мүмкін. Терезе бир пикелден келеси пикселге жылжып, барлық пикселдерді өтпегенше сурет бойымен жылжыйды. Терезенің барлық пиксельдері үшін зерттеуші дешифрлеу мақсатында салмақты коеффиценттерді орнатады.

Егер терезедегі пиксельдердің салмақтық коеффициенті тең болған жағдайда бейне тегістеледі.

Егер терезедегі пиксельдердің салмақтық коеффициенті тең болған жағдайда бейне тегістеледі.: Егер терезедегі пиксельдердің салмақтық коеффициенті басқалардан жоғары болған жағдайда бейне кескіні қаттылайды.

Егер терезедегі пиксельдердің салмақтық коеффициенті тең болған жағдайда бейне тегістеледі.: Егер терезедегі вертикалды орналасқан пиксельдердің салмақтық коеффициенті басқалардан жоғары болған жағдайда бейнеде меридионалды бағытты сызықтар пайда болады.

1-кесте. Фильтрация түрлері.

1. 2 МУЛЬТИСПЕКТРАЛДЫ СУРЕТТЕРДІ ТЕМАТИКАЛЫҚ ӨҢДЕУ

Косомостық суреттерді тематикалық өңдеу - космостық суреттердегі құбылыстарды және обьектерді тану және дешифрлеу процессі.

Тематикалық өңдеу әдістері:

Түстік түрлендіру;
Индекстік бейнелер;
Бас компоненттер анализі;
Спектралды бөліну әдісі;
Классификация.

Түстік түрлендіру

Егер экран дисплейна көпспектралды суреттің бір каналын шығаратын болсақ, онда сурет сұр түске боянады (жартылай көлеңке бейне) . Түсті бейнені алу үшін көпспектралды суреттің үш каналын қосу керек, олардың бірі қызыл (R), келесісі жасыл (G), үшіншісі көк (B) болады. 5-суретте түстік түрлендіру процессі көрсетілген.

5-сурет. Түстік түрлендіру.

Бейнелерді табиғи түске және жалған түстерге бояуға болады (6-7 суретте көрсетілген) . Егер R, G, B каналдарында бейне R, G, B сурет каналында берілсе, ондай болса бейне табиғи түрде берілген. Ал егер R, G, B каналдарында бейне басқа сурет каналында берілсе, ондай болса бейне жалған түрде Бейненің түсін іріктеу механизмі. Егер R бейне каналына пиксельдер ашықтығы жоғары мәнді сурет каналын қойып, ал G, B каналдарына пиксельдер ашықтығы төмен мәнді сурет каналын қойатын болсақ, ондай болса сурет басымырақ қызыл түсті тондарға боялады.

6-сурет. Суреттің табиғи түске боялу мысалы.

7-сурет. Суреттің жалған түске боялу мысалы

Обьектінің түр-мәнін табиғи түсті бейнелерде анықтайды, ал обьектілердің контурларын бөлу үшін жалған түсті бейнелер қолданған дұрыс.

Индекстік бейнелер

Индекстік бейнені алу үшін, суретің әр түрлі каналдарынан алынған пискельдердің ашықтық мәнін анықтау арифметикалық операциялар арқылы жүзеге асады. Осындай бейнелерде бастапқы бейнелерге қарағанда обьектілер контрасты түрде анық ерекшеленіп көрінеді.

Бас компоненттер анализі (principal components analysis)

Бас компоненетер анализі - бұл көпспектралды корреляцияланған мәліметтердің анализі. Корреляцияланған мәліметтер дегеніміз - бұл, бір спектралды каналда ашықтық мәндері жоғарласа, онда басқа ба спектралды каналдардың ашықтық мәндері жоғарлайдыдеген мағына.

Спектралды бөліну әдісі (spectral unmixing)

Бір пиксель бір неше квадрат метрден мыңдаған квадрат метр жер бетін қамтуы мүмкін, және сәйкесінше территорияда жатқан бірнеше обьектілер ия обьектілер жиыны туралы акпаратты қамтуы мүмкін. Спектралды бөліну әдісін бейнелерде, көлемі пиксельден кіші обьектерді анықтау-тану үшін қолданылады. Бұл әдістің мағынасы келесі де: аралас спектрлер танымал таза спектрлермен яғни таза спектарлды матеиалдар кітапханасымен салыстырылып, анализ жасалады. Спектрдің әрбір пикселінің сандық-мөлшерлік бағалауы жасалып, боялған яғни әр бір түс белгілі бір обьектіні білдіретін бейне алынады. Спектралды бөліну әдісінің мысалы 8-суретте көрсетілген.

8-сурет. Спектралды бөліну әдісінің нәтижесі.

1. 3 КЛАССИФИКАЦИЯ

Классификация - бұл суреттерді компьютерлік дешифрлеу немесе белгілі бір обьектерге сәйкес келетін сурет приксельдерінің автоматты түрде класстарға бөлінуі. Классификация процессі мультиспектралды суреттерді өңдеу және алу этаптары 9-суретінде көрсетілген. Классификацияның бірнеше түрі бар:

Оқытылымды классификация;
Оқытылымсыз классификация.

Оқытылымды классификация

Оқытылымды классификация - бұл процессте, әр бір пиксельдің ашықтығын эталонмен салыстырып, нәтижесінде әр бір пиксель қасиеті бойынша сәйкес классқа жатқызылады.

Оқытылымды классификация қолданылады, егер:

Суретте қандай обьектілер бар екені алдына ала белгілі болса;
Суреттегі класстар саны көп болмаса (30 дейін) ;
Класстар суретте анық түрде ажырытылытын болса.

Оқытылымды классификация бірнеше этаптан тұрады:

Суретті өңдеу есептерін анықтау және классификация әдісін таңдау;
Эталонды аймақтарды таңдау;
Классификацияны орындау және нәтижелерді бағалау.

9-сурет. Мультиспектралды бейнелерді өңдеу және алу этапттары.

Суретті өңдеу есептерін анықтау және классификация әдісін таңдау. Бұл этаптағы орындалатын жұмыс:

Дешифрлейтін обьектілер тізімін анықтау, обьектілердің ашықтық мәндерін орналастыру түрін бағалау:

а) суретте;

б) Спектралды белгілер кеңістігінде;

10- сурет. Спектралды кеңістіктегі классификация.

Суреттегі пиксельдерді класстарға үйлестіруді орындайтын классификация әдісін таңдау:

Спектралды бұрыш әдісі

Спектралды бұрыш әдісі барлық спектралды диапозондардағы ұқсас мәндері бар обьектілерге классификация орындауға ыңғайлы. Спектралды бұрыш әдісі 11-суретте көрсетілген.

1) Алдын ала эталонды аймақтар таңдалады;
2) Суреттегі барлық пикселдер, эталонды пикселдерде вектор түрінде қарастырылады;

: Бастапқы сурет.

: Спектралды бұрыш әдісі классификация әдісі.

11-сурет. Спектралды бұрыш әдісі нәтижесі.

Ең қысқа жол әдісі

Бұл әдіс әр түрлі класстардың спектралды белгілері ұқсас және ашықтық диапазон мәні асып түскенде қолданылады. Ең қысқа жол әдісі нәтижесі 12-суретте көрсетілген. Ең қысқа жол әдісінің жұмысы 13-суретте көрсетілген.
1) Алдын ала эталонды аймақтар таңдалады;
2) Пиксельдердің ашықтық мәндері спектралды белгілер кеңістігінде fij векторы ретінде қарастырылады, i және j бұл әр түрлі спектралды каналдардағы пиксельдердің ашықтық мәні;

: Бастапқы сурет.

: Ең қысқа жол әдісі классификация әдісі.

12-сурет. Ең қысқа жол әдісі нәтижесі.

Эталон векторлары арасындағы арақышықтық және суреттің бардық пиксельдері ашықтық мәндері векторлары есептеледі, екі вектор арасындағы арақашықтық (r) келесі формуламен есептеледі,

(2)

мұндағы, к -спектралды канал номері;

4) Пиксельдер класстар бойынша үлестіріледі, егер эталоннан векторға дейіңгі арақышықтық қысқа болса онда бұл векторды осы классқа жатқызады, ал егер үлкен болса онда басқа классқа жатқызады немесе еш классқа жатқызбайды.

13-сурет. Ең қысқа жол әдісінің жұмысы.

Параллелипедтер әдісі

Параллелипедтер әдісін обьектілер ашықтығы қиылыспайтын кезде қолданады ( 14-сурет) .

: Бастапқы сурет

: Параллелипедтер әдісі классификасия нәтижесі

14-сурет. Параллелипедтер әдісі нәтижесі.

1. Алдын ала эталонды аймақтар таңдалады;

2. Пиксельдердің ашықтық мәндері спектралды белгілер кеңістігінде fij векторы ретінде қарастырылады, i және j бұл әр түрлі спектралды каналдардағы пиксельдердің ашықтық мәні;

3. Эталон векторлары арасындағы арақышықтық және суреттің бардық пиксельдері ашықтық мәндері векторлары есептеледі, екі вектор арасындағы арақашықтық (r) келесі формуламен есептеледі,

(3)

мұндағы, к -спектралды канал номері;

Ең қысқа жол есебі сияқты параллелипедтер әдісі дисперсяны (D) қолданады, бұл әдісті әлде қайда нақтыландырады;
Сондықтан параллелипедтер әдісі классификациясы кезінде берілген классқа ашықтық мәндері орташа оқытушы таңдауы 2D кем болатын пиксельдер кіреді.

Бинарлы кодтау

Егер суретте пикселдерді екі классқа бөлу керек болса, мысалы су құрғақ, ондай болса бинарлы кодтау әдісі қолданылады. Бинарлы кодтау кезінде пиксельдерге эталонмен салыстыру кезінде екі мәннің бірі тағайындалады. Классификация кезінде пиксельдердің мәндері орташа эталонды таңдаумен салыстарылады, нәтижесінде бинарлы бейне калыптасады. Бинарлы кодтаудың нәтижесі келесі 15-суретте көрсетілген.

15-сурет. Бинарлы кодтаудың нәтижесі

Оқытылымсыз классификация

Оқытылымсыз классификация бұл пикселдер ашықтығының статистикалық үйлесім анализі негізінде автоматты түрде сурет пикселдерінің үйлестірілуі. Классификация алдында суретте қанша және қандай обьектілер бар екені белгісіз болады, классификация орындалғаннан кейін класстарды дешифрлеу керек, қай класс қандай обьектіге жататынын анықтау үшін. Оқытылымсыз классификация орындалады егер:
а) Алдын ала суретте қандай обьектілер бар екені белгісіз болса;
б) Суретте күрделі шекаралы обьектілер саны көп болса (30 дан аса) ;
в) Оқытылымды классификация алдында бастапқы этап ретінде қолдануға болады.

Оқытылымсыз классификацияның кең таралған түрлері:

ISODATA;
K-Орташалар. ISODATA классификация әдісі (мәлімет анализінің өздігінен ұйымдастырылатын итерациондық әдісі- Iterative Self-Organizing Data Analysis Technique) .

ISODATA - бұл, кластерлік анализге негізделген процесс. Бір классқа түстерінің ашықтық мәні бойынша спектралды белгілері жақын кеңістіке жататын пикселдер жатады. ISODATA кластеризация алгоритмі белгілі бір қасиеттермен байланысқан бейне жиынын ішкі жиындарға бөліп жұмыс істеуге негіделген.

ISODATA алгоритмі әр бір пиксель үшін сәйкесінше кластерді анықтау үшін минималды спектралды арақашықтықты қолданады. Кластердің кездейсоқ ортақ мәнін тағайындау процессінен басталады және бұл процесс шығу мәліметтерінің әр бір кластерлерінің ортақ мәні тағайындалған мәнге жеткенше қайталана береді. Класстерлердің бастапқы ортақ мәндері спектралды кеңістіктің орталық векторының бойымен үйлестіріледі.

: Бастапқы сурет

: ISODATA классификацисы

16-сурет. ISODATA классификацисы нәтижесі

K-ОРТАШАЛАР (k-means) - кластеризация әдістерінің ішіндегі ең кең таралған түрі. Алгоритм қарапайымдылығы және орындалу жылдамдығы жоғары болғандықтан үлкен қолданысқа ие. K-Орташалар алгоритмі итеративті түрде орындалады, ол берілген пикселдер жиынын олардың центрлеріне жақын келетін k кластер нүктелеріне бөліп, осы центрлердің орнының ауысуы нәтижесінде кластеризация орындалады. K-Орташалар алгоритмі бөгеулерге (шумы) сезімтал келеді, олар кластеризация нәтижесін бұрмалауы мүмкін, сол себепті сапалы нәтижеге жету үшін алдын ала бейнені фильтрациядан өткізу керек.

1. 4 ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ СЫҒУ

... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.