CC BY
168
УДК 528.852
НЕЧЕТКАЯ КОНТРОЛИРУЕМАЯ КЛАССИФИКАЦИЯ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Алексей Александрович Бучнев
Институт вычислительной математики и математической геофизики СО РАН, 630090, г. Новосибирск, пр. Академика Лаврентьева, 6, старший научный сотрудник лаборатории обработки изображений, тел. (383)333-73-32, e-mail: [email protected]
Валерий Павлович Пяткин
Институт вычислительной математики и математической геофизики СО РАН, 630090, г. Новосибирск, пр. Академика Лаврентьева, 6, заведующий лабораторией обработки изображений, тел. (383)333-73-32, e-mail: [email protected]
Рассматриваются методы нечеткой контролируемой классификации, применяемые для обработки данных дистанционного зондирования Земли (ДЗЗ). Реализованы два метода: метод нечеткой классификации Вонга, основанный на использовании нечетких ковариационных матриц, и метод явной нечеткой контролируемой классификации, использующий преобразование векторов признаков в нечеткое представление.
Ключевые слова: дистанционное зондирование, контролируемая классификация, нормальное распределение векторов признаков, нечеткая контролируемая классификация.
FUZZY SUPERVISED CLАSSIFICATION OF EARTH REMOTE SENSING DATA
Aleksey A. Buchnev
Institute of the Computational mathematics and mathematical geophysics SB RAS, 630090, Russia, Novosibirsk, 6 Аcad. Lavrent'ev av., lab of the images processing senior researcher, tel. (383)333-73-32, e-mail: [email protected]
Valeriy P. Pyatkin
Institute of the Computational mathematics and mathematical geophysics SB RAS, 630090, Russia, Novosibirsk, 6 Аcad. Lavrent'ev av., lab of the images processing head, tel. (383)333-73-32, e-mail: [email protected]
The fuzzy supervised classification methods for the Earth remote sensing data processing are discussed. Two methods are realized: Wang's fuzzy classification method, which is based on the using of the fuzzy covariance matrices, and the explicit fuzzy supervised classification method, which is based on the feature vectors transformation into fuzzy representation.
Key words: remote sensing, supervised classification, feature vectors normal distribution, fuzzy supervised classification.
Одним из наиболее популярных методов извлечения информации из данных ДЗЗ является классификация, основанная на байесовской стратегии максимального правдоподобия для нормально распределенных векторов признаков. Этот метод реализует жесткую классификацию по принципу "один вектор -один класс". Такая логика не учитывает естественное смешение тематических классов в данных ДЗЗ. Вонг [1] изменил традиционный метод максимального
правдоподобия путем предварительного вычисления нечеткой ковариационной матрицы. Затем степени нечеткого членства векторов в классах вычисляются путем применения процедуры максимального правдоподобия к нечетким сигнатурам классов.
В общем случае алгоритм Вонга требует априорных знаний о членствах в классах векторов из обучающих выборок. Мы в своей реализации метода используем для этого выходные данные алгоритма нечеткой кластеризации [2].
С другой стороны, существует метод нечеткой контролируемой классификации, не требующий никаких априорных сведений о нечеткой принадлежности классам векторов из обучающих выборок.
Соответствующий алгоритм известен как алгоритм явной нечеткой контролируемой классификации [3]. Этот алгоритм включает три основных шага. Сначала выполняется преобразование векторов признаков в нечеткое представление (fuzzification step) для получения оценок вкладов классов в каждую спектральную полосу при условии гауссова распределения векторов признаков в классах. Фактически это преобразование сводится к вычислению для компонент каждого вектора признаков значений нормального распределения в соответствующей спектральной полосе во всех классах:
Здесь хь - компонента вектора признаков в спектральной полосе Ь, Ь = 1,...,Б, а параметры нормального распределения определяются с помощью сигнатур классов (сигнатуры классов строятся на основе обучающих выборок): среднее значение иь, совпадает с оценкой среднего для класса с, е=1,...,С, в спектральной полосе Ъ, а стандартное отклонение <ть с является модулированным значением оценки стандартного отклонения <тЬ с. Значение коэффициента модуляции определяется на основе ожидаемого размера класса в данной полосе. Таким образом, на первом этапе с каждым вектором признаков связывается матрица ¥, число столбцов которой равно числу классов, а число строк равно размерности вектора признаков:
Эти матрицы являются входными данными ко второму этапу. На втором этапе к полученным данным применяется правило нечеткого вывода для получения, после нормирования, нечеткой классификации набора векторов признаков. В качестве правила нечеткого вывода используется одно из двух правил Мамдани: правило MIN для получения минимального значения в списке аргу-
ментов и правило PRODUCT для получения произведения значений аргументов. Эти правила применяются к столбцам матриц F. Наконец третий этап алгоритма, используя правило MAX для выбора среди смешанных в векторе признаков тематических классов класса с максимальным значением членства, переводит нечеткую классификацию в жесткую (defuzzification step).
Параллельная реализация алгоритмов осуществляется средствами ОС Windows в рамках одного процесса путем запуска нескольких параллельных потоков. Количество запускаемых потоков равно количеству логических процессоров компьютера. Необходимая при работе параллельных потоков синхронизация достигается с помощью механизма событий ОС Windows.
Нижеследующие рисунки демонстрируют результаты работы алгоритмов контролируемой классификации. На рис. 1 представлен фрагмент снимка ИСЗ SPOT-4, полученного 04.05.2011 г., с паводковой ситуацией в районе Камня-на-Оби (снимок предоставлен Сибирским центром НИЦ «Планета»). На рисунке обозначены границы обучающих и контрольных полей. На рис. 2 приведен результат жесткой контролируемой классификации, использующей метод максимального правдоподобия для нормально распределенных векторов признаков. На рис. 3 представлен результаты работы метода явной нечеткой контролируемой классификации. Выделялось 6 классов. Фрагменты исходного изображения, являющиеся «шумом» по отношению к области интереса, попадают в класс отклоненных векторов. На рис. 4 приведены объемы полученных классов.
S3 sscc.ooi - 0405110522^
File Edit Image Mapping Make_Map Classif Drifts Motion View Window Help
..|»|г|ф|о| ■] i-|q.|-| ,-|iB|Kn|»|ei|: |tl
Рис. 1. Фрагмент исходного изображения с границами обучающих полей
Рис. 2. Результат жесткой Рис. 3. Результат нечеткой
контролируемой классификации контролируемой классификации
Рис. 4. Распределение векторов по классам
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Wang F. Fuzzy Supervised Classification of Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, vol. 28, no. 2, March 1990, pp. 194-201.
2. Bezdek J.C. Pattern recognition with fuzzy objective function algorithms. Plenum Press, New York, 1981.
3. Melgani F., Al Hashemy B., and Taha S. An Explicit Fuzzy Supervised Classification Method for Multispectral Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, vol. 38, no. 1, January 2000, pp. 287-295.
© А. А. Бучнев, В. П. Пяткин, 2015
