17205

Посткласифікаційна обробка зображень. Робота із векторними шарами

Лабораторная работа

География, геология и геодезия

Лабораторна робота №5. Посткласифікаційна обробка зображень. Робота із векторними шарами В даній лабораторній роботі ми розглянемо роботу із класифікованими зображеннями їх перевірку покращення та експорт у векторний формат. Тестування правильності класифікаці...

Украинкский

2013-06-30

2.66 MB

3 чел.

Лабораторна робота №5. Посткласифікаційна обробка зображень. Робота із векторними шарами

В даній лабораторній роботі ми розглянемо роботу із класифікованими зображеннями, їх перевірку, покращення та експорт у векторний формат.

Тестування правильності класифікації за допомогою контрольних зразків

Відкриємо вихідний супутниковий знімок for_classification.tif та результат його класифікації classified1_min_dist.img, виконаний на минулій лабораторній роботі  (рис. 5.1)

Рис. 5.1. Вихідні файли для роботи

Нагадаємо, що класифікація була проведена за наступними класами (збережені у 5-class-train.roi) (рис. 5.2.):

  •  Вода (Water) – червоний колір;
  •  Трава (Grass) – зелений колір;
  •  Ліс (Forest) – синій колір;
  •  Міська забудова (Urban) – жовтий колір;
  •  Грунт (Dirt) – блакитний колір

Рис. 5.2. Області-зразки класів

 Проведемо автоматичну перевірку правильності класифікації за допомогою тестових зразків. 

 Для цього створимо області-зразки за допомогою ROI Tool (Basic Tools/Region of Interest/ROI Tool). Обираємо тип області – Polygon або Rectangle, вікно, в якому будемо малювати область (Image, Scroll або Zoom). За допомогою лівої кнопки миші обводимо потрібну область, за допомогою кліку правою кнопкою в середині області – заповнюємо її. Після того, як потрібні обєкти 1-го типу обрано, створюємо нову область за допомогою New Region та задаємо обєкти другого типу.

 Важливо! Області для перевірки повинні мати ті ж самі імена, що і області, за якими було здійснено класифікацію.

Зберігаємо отримані обєкти File/Save ROIs...у файлі 5-class-train.roi (рис. 5.3)

Рис. 5.3. Тестові зразки

Будуємо матрицю невідповідностей Classification/Post Classification/Confusion Matrix/Using Ground Truth ROIs (рис. 5.4)

Рис. 5.4. Побудова матриці невідповідностей

Обираємо файл-результат класифікації (у нашому випадку classified1_min_dist.img). Зявиться вікно Match Classes Parameters (рис. 5.5). Якщо ви правильно задали імена класів при створенні  тестових ROI, то відповідність класів буде визначена автоматично. Якщо ж ні, то потрібно вручну задати однакові класи. Натискаємо ОК в цьому та наступному вікнах.

Рис. 5.5 Відповідність класів

З`явиться вікно матриці невідповідностей (рис. 5.6.) Тут можна подивитись, наскільки точно зійшлися тестові зразки із результатами класифікації взагалі(Overall Accuracy), побачити статистику по окремих класах у абсолютних величинах (пікселі) та відносних (відсотки).

Рис. 5.6. Матриця невідповідностей

 Також можно побудувати робочу характеристичну криву (ROC curve – receiver operating characteristic), що показує взаємозалежність вірно та невірно класифікованих об`єктів.

 Для цього виберемо Classification /Post Classification / ROC Curves /Using Ground Truth ROIs.

У вікні, що з`явилося, обираємо файл із базою правил classified1_rules_min_dist.img, який ми зберігали на минулій лабораторній роботі разом із результатом класифікації. Далі обираємо відповідність класів. У наступному вікні (рис. 5.7) вводимо:

  •  Classify – Minimum Value для класифікаторів типу Minimum  distance or SAM classifier, Maximum Value для іншіх класифікаторів(наприклад для класифікатора за найбільшою подібністю Maximum Likelihood);
  •  Min = 0,  Max  = 100;  
  •  Points per ROC Curve – 70. Це поле визначає кількість точок, за якими будується крива. Чим більше – тим крива гладше та тим довше вона будується.

Рис. 5.7. Параметри робочої характиристичної кривої

Натискаємо ОК та отримуємо графіки, показані на рис. 5.8.

Рис. 5.8. Робоча характеристична крива класифікатора

Ідеальна крива представляє собою східчасту функцію (step). Чим ближча крива до «сходинки», тим краща класифікація. Кольори, що використані на графіку за замовченням не співпадають із кольорами класів.

Тепер спробуємо покращити результати класифікації за допомогою інструментів пост-обробки.

Корегування зразків для класифікації

 В головному меню обираємо Classification/Post Classification/Rule Classifier. В діалоговому вікні вибору файлів обираємо файл із базою правил classified1_rules_min_dist.img, який ми зберігали на минулій лабораторній роботі разом із результатом класифікації.

 У вікні, що з`явиться підбираємо значення порогу (Thresh) таким чином, щоб результат класифікації максимально відповідал дійсності (рис. 5.9)

Рис. 5.9. Налаштування правил класифікації

Результат зберігаємо в окремий файл classified2_min_dist.img

Корекція класифікованого зображення

Majority/Minority Analysis

Якщо в середині області якого-небудь із класів є паразитні пікселі іншого класу, їх можна відфільтрувати за допомогою інструмента majority analysis. Обираємо у головному меню Classification/Post Classification/Majority/Minority Analysis (рис. 5.10)

Рис. 5.10 Majority/Minority Analysis

 Принцип роботи

При виборі majority analysis, клас центрального пікселя ядра(kernel) заміщується значенням класу більшості пікселів ядра. При виборі minority analysis, клас центрального пікселя ядра(kernel) заміщується значенням класу меншості пікселів ядра.

Розмір ядра має бути непарним. Ядро не є обовьязково квадратом. Параметр center pixel weight визначає за скільки пікселів буде пораховано центральний піксель. Наприклад, при значенні 5, клас середнього пікселя буде вразований 5 разів. На рис. 5.11 показано приклад застосування Majority/Minority Analysis із розміром ядра 7х7.

Рис. 5.11. Результат застосування Majority/Minority Analysis. Ліворуч вихідний файл, по центру – Minority Analysis, праворуч – Majority Analysis.

 

Редагування кольорів класів

Для задання довільного кольору для класу, натискаємо Tools/Color Mapping/Class Color Mapping у вікні Main Image Display. Обравши потрібний клас, задаємо за допомогою повзунків R, G, B колір. Для збреження результату, обираємо File/Save Changes.


Створення векторної карти за даними класифікації

Для створення векторної карти обираємо в головному меню Classification/Post Classification/ Classification to Vector та обираємо файл класифікації classified1_min_dist.img.

У діалоговому вікні (рис. 5.12) обираємо всі класи, задаємо режим одін шар на клас (One Layer per Class) та зберігаємо результат у файл vector_classified.evf.

Рис. 5.12. Параметри створення векторних шарів

Тепер відкриється вікно векторних шарів (рис. 5.13).

Рис. 5.13. Відкриття векторних шарів

Завантажуємо векторні шари в Display #1 (рис. 5.14)

Рис. 5.14. Поєднаня векторних та растрового шарів

Input files:

for_classification.tif 

for_classification.hdr

classified1_min_dist.img

classified1_min_dist.hdr

5-class-train.roi 

classified1_rules_min_dist.img

classified1_rules_min_dist.hdr

Output files:

vector_classified_[1..5].evf

vector_classified_[1..5].dbf

5-class-test.roi

classified2_min_dist.img

classified2_min_dist.hdr

classified1_min_dist_maj.img

classified1_min_dist_min.img

PAGE  9


 

А также другие работы, которые могут Вас заинтересовать

40496. Особенности поэтики волшебной сказки 24.5 KB
  Особенности поэтики волшебной сказки. Композиция: начало и финал сказки очень жесткие В. Пропп Путьдорога = жизнь судьба героя 1 2 1 – начало сказки: В некотором царстве в некотором государстве. 2 – конец сказки: И я там было мед пиво пил по усам текло да в рот не попало.
40497. Особенности поэтики сказок о животных 21 KB
  Особенности поэтики сказок о животных. Структура сказок о животных довольно проста. Цепочная структура Самая примечательная особенность сюжета строения этого типа сказок – нанизывание эпизодов. Весьма типична для сказок о животных так называемая комулятивная или цепочная структура.
40498. Плачи И. Федосовой 43 KB
  Федосовой. Речитативы Федосовой оказали влияние на классическую музыкальную традицию русскую оперу. Есть много свидетельств того что Николай РимскийКорсаков встречавшийся с Федосовой использовал мотивы ее речитативов в опере Садко . Творчество Федосовой органично вошло в поэзию Николая Некрасова.
40499. Пословицы и поговорки 21.5 KB
  Общественная ценность пословиц: философский жанр – многосторонняя и глубоко осмысленная картина жизни: Вчера не догонишь от завтра не уйдешь. эстетическая ценность простота краткость содержательность выразительность.
40500. Похоронная обрядовая поэзия 20.5 KB
  Отношение живых к умершим: существо злое – смысл обряда – защититься существо доброе – смысл обряда – обеспечить канал связи.
40501. Пушкин и фольклор 21 KB
  Пушкин и фольклор. Концепция Пушкина – вершина декабристской концепции. Пушкин – художник. Пушкин первым ощущает себя профессиональным литератором.
40502. Свадебная обрядовая поэзия 25.5 KB
  Песни пелись во время всего процесса: песни величальные песни корильные причитания невесты Во всех песнях участвуют князь и княгиня а также образы: воли символические образы горя полуразрушенный дом и радости блестит звенит Функции песен: величальные – возвеличивание жениха и невесты. Песни имели магическое значение песниобереги. Причитание принципиально строится иначе чем остальные свадебные песни: причитание – песня одного человека в то время как остальные песни – коллективные.
40503. Своеобразие фантастики в русской народной сказке 21 KB
  Раз исторические представления о том что возможно и невозможно меняется то меняется и представление о фантастике: с течением времени сфера фантастики расширяется а не уменьшается то что раньше не было фантастическим с течением времени может приобрести свойство сказки но назад хода нет.
40504. Сказка «Медведь на липовой ноге» и вопрос о происхождении сказок о животных 27.5 KB
  Сказка Медведь на липовой ноге и вопрос о происхождении сказок о животных. Источники: зооморфные мифы новая социальная действительность Медведь на липовой ноге Загадочность сюжета печальный финал атмосфера страха и ужаса – нетипично для русского фольклора. Медведь – священное животное может прогонять нечистую силу самые священные части медведя – голова и лапы. Первый тип вариантов – Медведь на липовой ноге.