ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №4




 

 

«Автономная классификация космических изображений»

 

Студенты, КИ08-17 __________ Л.С.Шишигина

подпись, дата

 

 

Преподаватель __________ В.Б. Кашкин

подпись, дата

 

 

Красноярск 2011

Цель работы: Произвести классификацию снимка сенсора SPOT4 (выбор файла согласно варианта) методами K-Means и ISODATA в ПО ENVI.

Классификация без обучения – unsupervised classification – использует статистические методы, чтобы сгруппировать n-мерные данные в их естественные спектральные классы. K-Means – один из алгоритмов классификации без обучения, использующий кластерный анализ. Данный алгоритм требует, чтобы аналитик выбрал число групп (кластеров, clusters), которые будут выделены на данных; затем алгоритм произвольно определяет местонахождение центров этих групп и многократно повторяет данную процедуру до тех пор, пока оптимальная спектральная отделимость (spectral separability) не будет достигнута.

Среди классификации без обучения по спектральным признакам наиболее часто используется самоорганизующийся способ классификации ISODATA (Iterative Self-Organizing Data Analysis Technique). Основной параметр, задаваемый перед вычислениями – число кластеров n, которое необходимо получить в итоге.

Перед первой итерацией рассчитывают статистические параметры распределения яркости всего снимка в каждой спектральной зоне: минимальное, максимальное и среднее значения, стандартное отклонения. Далее все пространство спектральных признаков произвольно разбивается на n равных диапазонов, и назначаются средние значения кластеров в центре каждой из образованных областей. Затем проводят первую итерацию – кластеризацию – кластеризацию по минимальному расстоянию от этих центров с использованием евклидовой метрики. После этого вычисляют вектора средних значений и находят среднеквадратическую ошибку. Каждый пиксель относят в определенный кластер.

После первой итерации рассчитывают реальные средние значения спектральных признаков по полученным кластерам. На второй итерации выполняется повторная кластеризация по минимум расстояния от векторов средних значений. При этом число кластеров может измениться, изменятся и вектора средних значений, и значения ошибки и т.п. Итерации повторяются до тех пор, пока границы кластеров не стабилизируются – среднеквадратическая ошибка не перестанет заметно уменьшаться – то есть пикселы не перестанут переходить из кластера в кластер. Обычно задают соответствующий параметр – порог сходимости – 95 99 процентов всех пикселов. Кроме этого необходимо уточнить число итераций!

 

Рисунок 1 – исходное изображение

Dims: 3000 x 3000 x 4 [BSQ]

Pixel: 0.000458 x 0.000224 Degrees

Datum: WGS-84

Wavelength: 545 to 1620 Nanometers

Upper Left Corner: 1,1

Description: DIMAP: SPOT 4 - HRVIR

2 File Imported into ENVI

[Thu Dec 15 22:56:16 2011]

Рисунок 2-после классификации методом ISODATA Рисунок 3-после классификации методом K-Means

 

Параметры, использованные при данных методах:

· число классов -1,

· количество итераций 1,

· порог сходимости- 5%

· максимальное отклонение от среднего-10

· максимальное расстояние ошибки- 10

 

Рисунок 4-после классификации методом ISODATA Рисунок 5-после классификации методом K-Means

 

Параметры, использованные при данных методах:

· число классов -1,

· количество итераций 1,

· порог сходимости- 5%

· максимальное отклонение от среднего-200

· максимальное расстояние ошибки- 200

 

 

Рисунок 6-после классификации методом ISODATA Рисунок 7 -после классификации методом K-Means

 

Параметры, использованные при данных методах:

· число классов -5,

· количество итераций 1,

· порог сходимости- 5%

· максимальное отклонение от среднего-10

· максимальное расстояние ошибки- 10

 

 

Рисунок 8-после классификации методом ISODATA Рисунок 9-после классификации методом K-Means

 

Параметры, использованные при данных методах:

· число классов -15,

· количество итераций 5,

· порог сходимости- 99%

· максимальное отклонение от среднего-100

· максимальное расстояние ошибки- 100

 

 

Вывод: В данной работе была произведена классификация снимка сенсора SPOT4 методами K-Means и ISODATA в ПО ENVI. В ходе работы было установлено, что такие параметры как число итераций и порог сходимости влияют на время классификации. Чем они больше, чем дольше длится процесс. Два параметра - максимальное отклонение от среднего и максимальное расстояние ошибки влияют на качество классификации. Чем больше значения этих параметров, тем лучше качество классификации. Если сравнивать два метода классификации - K-Means и ISODATA, то никаких различий между ними, по крайней мере в данной работе не выявлено.

 



Поделиться:




Поиск по сайту

©2015-2024 poisk-ru.ru
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2016-04-27 Нарушение авторских прав и Нарушение персональных данных


Поиск по сайту: