Слияние изображений

Слияние изображений заключается в формировании нового изображения в результате комбинации двух и более различных изображений с использованием определенного алгоритма. Смысл данного метода заключается в том, чтобы повысить точностные характеристики, а также повысить надежность интерпретации за счет снижения неопределенности. Были использованы три подхода для получения наилучшего изображения с точки зрения его интерпретируемости. Первый – это последовательное добавление отдельных каналов к панхроматическому каналу. Второй подход заключался в получении средних значений спектральных характеристик всех спектральных каналов с последующим наложением на панхроматическое изображение. И, наконец, третий подход предусматривал трансформацию RGB изображения в 3 отдельных изображения – каждое из которых имело бы максимальные характеристики соответственно интенсивности, насыщенности и оттенков цветов. После того, как были апробированы все три подхода, оказалось, что добиться улучшения результатов классификации не удалось (отмечено ухудшение автоматического распознавания классов объектов).

Анализ основных компонентов

В основе анализа лежало создание новых изображений, которые получались в результате оценки корреляции между 4 исходными каналами. Эти изображения строились по принципу убывания степени корреляции между исходными каналами. Первые три изображения с наибольшим коэффициентом корреляции комбинировались в одно изображение, однако и в этом случае результат автоматического распознавания классов объектов оказался еще ниже.

Причины отказа от автоматического распознавания классов объектов

Как показали вышеприведенные эксперименты, любые попытки осуществить автоматическое выделение классов объектов были неудачными в силу того, что различия в спектральных и отражающих характеристиках между отдельными объектами оказались небольшими, что приводило к неоднозначному отнесению того или иного объекта к соответствующему классу. В нашем случае мы имели дело с тестовым участком, который представлял собой преимущественно застроенную территорию с минимальным количеством растительности, водных объектов и т. д. Крыши домов, дороги, отдельные участки местности имеют практически идентичные спектральные характеристики и сильную корреляцию между собой, что приводило к существенным ошибкам. Как итог, мы отказались от автоматического распознавания классов объектов. Вместо этого была осуществлена ручная визуальная классификация. Результаты оказались очень хорошими. Это связано прежде всего с особенностями человеческого восприятия и мышления, в частности ассоциативности, а также возможности, т.е. инструментов, недоступных при автоматическом распознавании и дешифрировании.

Интеграция векторных данных с растровым изображением и обновление

Была выполнена интеграция векторных необновленных данных с растровым изображением, а потом информация была обновлена с использованием классов и отдельных объектов выделенных в результате визуального дешифрирования. При обновлении данных на изображении применялся анализ непосредственно объектов и их окружения, текстуры, формы, расположения и т.д. Весь процесс обновления информации выглядел следующим образом – отображалась генерализованная векторная информация в среде ГИС, при этом снимок уже был приведен в соответствие с данными ГИС. Затем любые объекты и отдельные элементы в случае их несоответствия векторизовались и им присваивалась атрибутивная информация. Если в результате происходило «выпадение» того или иного элемента из соответствующего класса, вносились необходимые изменения и элементу или объекту присваивалась новая атрибутивная информация. Этот процесс продолжался последовательно до тех пор, пока все объекты и элементы в различных классах не были обновлены. (см. рис. 13-15).