8.4.3. Алгоритмы неконтролируемой классификации
Алгоритмы неконтролируемой классификации позволяют пользователю задать некоторые параметры, которые компьютер применяет для обнаружения присущих данным спектральных (в том числе статистических) образов. Эти образы не обязательно соответствуют объектам съемки; они являются простыми группами пикселов со сходными спектральными характеристиками.
Алгоритмы неконтролируемой классификации реализуют часто применяемые в различных многомерных исследованиях методы кластеризации, в основе которых лежат так называемые пороговые процедуры. В них предполагается, что количество первоначальной информации достаточно для разделения классов и поэтому эталоны не используются. При обработке снимков эти алгоритмы применяют разные меры разделимости классов в пространстве признаков объектов и составляют математическую основу их формальной классификации.
В общем случае при пороговой классификации сравниваются значения яркости двух соседних пикселов. Если различие в значениях яркости превышает некоторую заранее заданную величину — порог, то считается, что эти пикселы принадлежат разным объектам и между ними проходит разделяющая граница. В случае многозонального снимка пороги задают либо для различий яркостей каждой спектральной зоны, либо для расстояний в пространстве признаков, которые используют в качестве меры разделимости. При таком способе классификации точность обычно невысока, тем не менее, при отсутствии априорной информации о классах выполнение такой процедуры целесообразно, так как она позволяет выделить однородные по яркости области (подклассы) объектов на основе их естественных природных отличий, проявляющихся в спектральной яркости. Когда объекты некоторого класса описываются векторами, компонентами которых являются действительные числа, этот класс можно рассматривать как кластер и выделять его свойства в пространстве образов кластера.
Алгоритмы кластеризации. В основе алгоритмов кластеризации лежит объединение пикселов в группы — кластеры — в зависимости от установленного дешифровщиком порога (порогов) близости их характеристик. Основная процедура состоит и следующем.
Пусть каждый элемент изображения на исходном многозональном снимке описывается вектором Х{ спектральных признаков
- ВВЕДЕНИЕ
- 1.3. Общее представление о ГИС
- 1.5. География и ГИС
- 2.2. Проектирование географических баз данных
- 2.2.1. Требования к базе данных
- 2.3. Представление пространственных объектов в БД
- 2.3.1. Выбор модели пространственной информации
- 2.3.3. Позиционная и семантическая составляющие данных
- 2.4.Системы управления базами данных в ГИС
- 2.4.1.Функции СУБД
- 2.4.3. Базовые понятия реляционных баз данных
- 2.4.4. Язык реляционных баз данных SQL — функции и основные возможности
- 2.4.6. СУБД в архитектуре «клиент-сервер»
- 2.5. Организация и форматы данных
- 2.6.Качество данных и контроль ошибок
- 2.6.1. Типы ошибок в данных и их источники
- 3.4. Технологии ввода графической информации
- 3.7. Общая характеристика программных коммерческих ГИС-пакетов
- 4.1.2. Алгоритмы трансформирования геоизображений
- 4.1.4. Оценка ошибок трансформирования
- 4.2. Дискретная географическая привязка данных
- 4.3.Операции с данными в векторном формате
- 4.3.1. Представление пространственных объектов и взаимосвязей
- 4.3.3. Способы вычисления длин линий, периметров и площадей полигонов
- 43.6. Операции оверлея полигонов
- 4.4. Хранение и преобразование растровых данных
- 4.4.1. Кодирование и сжатие информации
- 4.4.4. Технологии анализа данных, основанные на ячейках растра
- 4.5. ГИС-технологии совмещения и оценки пригодности данных
- 5.1. Методы пространственного анализа
- 5.1.1.Классификация объектов путем группировки значений их признака
- 5.1.3. Исследование взаимосвязей объектов с использованием операций оверлея слоев
- 5.1.6. Тематическое согласование слоев
- 5.2.Методы пространственного моделирования
- 5.2.2. Подготовка исходных данных для создания модели
- 5.2.3. Интерполяция по дискретно расположенным точкам
- 5.2.5. Определение местоположения и оптимального размещения объектов
- 5.2.6. Моделирование пространственных распределений
- 5.2.7. Интерполяция по ареалам
- 5.3. Применение пространственных моделей
- 5.4. Обеспечение принятия пространственных решений
- 5.4.1. Методы обеспечения поддержки принятия решений
- 5.4.2. Понятия нечетких географических объектов и нечетких множеств
- 6.2. Общие вопросы проектирования базы данных ГИС
- 7.3. Географические основы ГК
- 7.5.1.Задачи проектирования картографических БД
- 7.6.1. Электронные и компьютерные карты
- 7.6.4. Компоновка электронных и компьютерных карт
- 7.7. Методы геоинформационного картографирования
- 7.7.2. Создание тематических карт на основе методов пространственного моделирования в ГИС
- 7.8. Автоматизированная генерализация тематических карт
- 7.8.3. Использование теории фракталов
- 7.9. Формализация и алгоритмизация процесса картографирования
- 7.9.1. Картометрические функции
- 7.9.3. Построение системы картографических знаков и размещение надписей
- 7.10. Новые направления и технологии геоинформационного картографирования
- 7.10.1. Оперативное картографирование и картографические анимации
- 8.2. Методы цифровой обработки космических снимков
- 8.3. Методы дешифрирования, основанные на преобразовании спектральных яркостей
- 8.3.1. Спектральное пространство и дешифровочные признаки
- 8.4. Алгоритмы классификации
- 8.4.1.Правила и типы автоматизированной классификации
- 8.4.3. Алгоритмы неконтролируемой классификации
- 8.5. Алгоритмы выполнения географического анализа по космическим снимкам
- 8.5.1. Изучение динамики явлений (объектов) по картам и снимкам
- 8.5.2. Изучение географических объектов с использованием методов нечеткой и экспертной классификации
- ЛИТЕРАТУРА1
- Учебники и учебные пособия
- ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ