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

42701. Создание игры Spider 2 154 KB
  Успех вашего проекта во многом будет зависеть от выбранной вами платформой под которую будет вестись разработка, жанра игры и аудитории на которую рассчитана эта игра. Проект, процесс разработки которого, я бы хотел описать в этой курсовой работе я начал разрабатывать, потому что мне это нравится и я хотел получить опыт разработки под платформу Android
42702. Криптографические алгоритмы. Процесс формирования цифровой подписи 2.64 MB
  Криптографическая система PGP . Ознакомиться с программой PGP. Работа с программой PGP В консоли: Сгенерировать вашу собственную уникальную пару секретный открытый ключи. Проверка подлинности подписи В случае успешной верификации будет выведенно сообщение: Работа с криптографическими средствами программы PGP Pretty Good Privcy PGP выпущено фирмой Phil's Pretty Good Softwre и является криптографической системой с высокой степенью секретности.
42703. ИССЛЕДОВАНИЕ ПОЛУПРОВОДНИКОВЫХ ДИОДОВ 275.5 KB
  Диффузия основных носителей заряда через границу раздела р и nобластей создает ток диффузии в рnпереходе равный сумме электронного и дырочного токов: Уход основных носителей заряда из слоев вблизи границы в соседнюю область оставляет в этих слоях нескомпенсированный неподвижный объемный заряд ионизированных атомов примеси: уход электронов – положительный заряд ионов доноров в nобласти а уход дырок – отрицательный заряд ионов акцепторов в робласти рис. В результате появления потенциального барьера диффузионный ток уменьшается. Движение...
42704. Программирование вложенных циклов и матричных задач 174 KB
  В самом начале для удобстава пользователю предоставляется менюшка с выбором действий. 1-ручное заполнение матрицы, 2 – рандомное и выход из программы. Эта реализация выполняется спомощь оператора switch (+ разумеется выбор действий case 1, case 2, case 3). После того как матрица будет заполнена программа по условию задачи с помощью цикла for переберает каждый эл. матрицы по диагонале и ищет отрицательный эл. если не находит то выводит сообщение “Отрицательные числа в диагонале отсудствуют”.
42705. Инструкции по движению поездов и маневровая работа, конспект лекций 218.5 KB
  Правила приема, отправления и пропуска поездов при различных устройствах сигнализации, централизации и блокировки на железнодорожных станциях и средствах сигнализации и связи при движении поездов, как в нормальных условиях, так и в случаях их неисправности...
42706. Міжнародна система інтелектуальної власності 59.5 KB
  Основою міжнародної системи інтелектуальної власності на сьогодні є 22 угоди, 14 з яких регулюють правовідносини у сфері промислової власності, а вісім відносяться до авторського права і суміжних прав. Україна приєдналася до більшості
42707. Изучение массивов в языке ANSI C 1.8 MB
  Задача лабораторной работы состоит в практическом освоении массивов, совмещения их с функциями ввода и вывода, математическими функциями в одном приложении, написание приложения по индивидуальному варианту.
42708. Розпорядження майновими правами інтелектуальної власності, курс лекцій 1.35 MB
  Придбання прав інтелектуальної власності є засобом стратегії розвитку субєкта господарювання, спрямованої на оптимальне економічне використання такого обєкту не тільки в інтересах сторін договору, але й в інтересах широкої громадськості.
42709. ИССЛЕДОВАНИЕ ДИОДНЫХ ОГРАНИЧИТЕЛЕЙ И ДИОДНЫХ ФОРМИРОВАТЕЛЕЙ 155.5 KB
  Краткие теоретические сведения Основная функция положительных диодных ограничителей заключается в том чтобы повторять амплитуду входного напряжения если она не превышает заданный порог а при превышении – поддерживать амплитуду выходного напряжения на пороговом уровне. Отрицательные диодные ограничители работают аналогично: амплитуда напряжения на выходе повторяет входную если она выше порогового уровня. В схемах диодных формирователей амплитуда выходного напряжения равна сумме амплитуды входного напряжения и некоторой постоянной...