1
Klasifikace objektů (,,Per-object" classification) Základní východiska
* Klasifikace založená na identifikaci jednotlivých obrazových
prvků má mnohá omezení.
* Vychází z předpokladů, které již a priori vylučují úspěšnou
aplikaci těchto přístupů na některé úlohy (zastavěné plochy).
* Informace uložená v obraze má často fraktální povahu záleží
na měřítku. (Části stromu ­ strom ­ les ­ krajinná
mozaika).
* Analýza obrazu prozatím málo využívá jiných
charakteristik (interpretačních znaků) než spektrálních
(např. na radarová data nelze v důsledku značného podílu
šumu použít klasický per-pixel přístup).
Základní východiska
* Objektový přístup ­ základní jednotkou pro klasifikaci není
obrazový prvek (pixel), ale skupina prostorově souvisejících
pixelů (field, image object primitive, ...).
* Tato skupina pixelů je vytvořena procesem segmentace
obrazu. Jejím cílem je pospojovat pixely podobných
vlastností do skupin.
* Nejsou uvažovány jen vlastnosti spektrální, ale například
textura, kontext, vlastnosti související s tvarem a velikostí
pixelů apod.
* Vytvoření skupin pixelů podobných vlastností umožňuje
následně definovat vztahy sousedství mezi jednotlivými
skupinami
Obecný postup objektové klasifikace obrazu
1. Spojování podobných pixelů do homogenních
ploch ­ segmentů
2. Testování homogenity segmentů
3. Výpočet atributů pro každý segment
4. Klasifikace segmentů (objektů)
ECHO
(Extraction and Classification of Homogeneous Objects)
* Vedle spektrálních hodnot pixelů se uvažují i jejich prostorové vztahy ­
spectral-spatial.
* Při segmentaci se vyhledávají skupiny spektrálně podobných pixelů, které
jsou spojovány do tzv. fields (pole)
* Pole jsou následně klasifikovány jedním z výše popsaných rozhodovacích
pravidel
Postup spojování pixelů do polí (fields):
1. Obraz je rozdělen na skupiny pixelů zadané velikosti (2 x 2, 3 x 3 apod.)
Takto vytvořené slupiny jsou následně testovány, zda tvoří skupinu
homogenní či ne.
2. Do dalšího kroku postupují pouze homogenní skupiny, které tvoří ,,jádra"
výsledných polí.
3. Nehomogenní skupiny pixelů se rozpadají zpět na jednotlivé pixely.
4. Následně se na zárodečná jádra přibalují sousední jednotlivé pixely či
skupiny pixelů a opět je testována homogenita takto se postupně
zvětšujících skupin pixelů.
5. Výsledkem segmentace je obraz rozdělený do skupin homogenních pixelů.
Algoritmy pro segmentaci obrazu:
1. ,,Boundary seeking" - vyhledávání hranic. Většinou pracují
s kontrastem snímku ­ části obrazu s největší změnou
kontrastu definují polohu hranice mezi dvěma obrazovými
objekty. Problémem je, že takto definované hranice v obraze
často nevytváří uzavřené polygony
2. ,,Object seeking" ­ (region growing) vyhledávání objektů.
Vycházejí z hodnocení interní homogenity skupiny pixelů.
Vytvářejí uzavřené polygony.
* Konjunktivní ­ začíná s několika málo pixely a postupně
na ně ,,nabalují" další, které vyhovují předem definovanému
kritériu (homogenity, tvaru, ...)
* Disjunktivní ­ založeny na postupném dělení celé scény
2
Konjunktivní způsob segmentace založený na definování
objektů
ECHO
(Extraction and Classification of Homogeneous Objects)
Každý objekt je definován
průměrnou hodnotou pixelů, které
ho tvoří.
Jednotlivé objekty i osamocené
pixely jsou klasifikovány metodou
maximální pravděpodobnosti.
eCognition
objektově orientovaná klasifikace obrazu
Segmentace obrazu - mulitresolution segmentation
Definování základních obrazových objektů je založeno na
spojování podobných pixelů.
Podobnost či homogenita je posuzována z hlediska těchto
tříd informací:
* Spektrální informace
* Texturální informace
* Informace o tvaru objektů
* Informace o topologických vztazích (kontextuální)
Nastavení parametrů segmentace obrazu
Posouzení spektrální heterogenity:
 =
c
ccwh 
c ­ proměnná příznakového prostoru (např. pásmo
multispektrálního obrazu)
W ­ váha daného atributu
 - směrodatná odchylka pixelů daného pásma
3
Posouzení tvarové heterogenity:
Hladkost - Smoothness ­ optimalizuje hranice
l ­ obvod skupiny pixelů
n- počet pixelů tvořících skupiny
b ­ obvod nejmenšího pravoúhelníka opsaného skupině pixelů
Kompaktnost - Compactness ­ optimalizuje tvar
n
l
h =
b
l
h =
,,Mulitresolution segmentation"
Objektově orientovaná analýza obrazu pracuje s obrazovými objekty
uspořádanými do hierarchicky uspořádaného systému vrstev. Nejnižší
vrstvu tvoří vrstva jednotlivých pixelů, nejvyšší vrstvu pak celý obraz.
Mezi těmito dvěma krajními úrovněmi se vytváří další úrovně právě
procesem segmentace obrazu. Celá síť má jednoznačně definované
topologické vazby.
Hierarchie podle dědičnosti (INHERITANCE)
Sub-objekty dědí vlastnosti svých rodičů
(super-objektu).
Travní porosty
* Louky
* Parky
Zastavěná plocha
* Les ve městě
* Parky
* Bloky budov
Hierarchické uspořádání klasifikačního schématu
- podle dědičnosti (inheritance)
- podle sémantiky (významu)
Každému z objektů přísluší množina atributů, které popisují
spektrální vlastnosti, tvar, topologické vazby, texturní znaky, ...
Atributy objektů
Vlastní klasifikace může být založena na klasifikátoru nejbližšího
souseda (Nearest Neighbor)
Trénovací data tvoří vybrané objekty
Klasifikátor zařadí všechny ostatní objekty do třídy, ke které má
v předem definovaném příznakovém prostoru nejblíže.
Klasifikace objektů I.
4
Klasifikace objektů II.
Příslušnost jednotlivých objektů ke každé třídě je hodnocena
prostřednictvím funkce příslušnosti (membership function) pro
každý z uvažovaných atributů.
Membership function normalizuje hodnoty jakéhokoliv použitého
atributu (např DN hodnot pásma obrazu 0 až 255) do hodnot 0
až 1.
Funkce má různý průběh (např. sigmoida).
Průběh membership function definuje neostré (fuzzy) hranice a
nahrazuje binární logiku (patří - nepatří).
Klasifikace založená na
principu neostrých
množin (fuzzy logic).
Klasifikace objektů může probíhat dvěma způsoby
* jako klasifikace bez uvažování topologických a hierarchických
vazeb objektů
* jako klasifikace hodnotící též topologické a hierarchické vazby
objektů v obraze
* Jednotlivé třídy již nemusí představovat land cover, ale mohou být
již kategoriemi land use. To je umožněno hodnocením odlišné
skupiny atributů při klasifikaci tříd ­ příznakový prostor může být
definován různě pro různé kategorie:
Příklad příznakového prostoru použitého pro
klasifikaci využívající topologických vazeb Klasifikační schéma ve formě binárního stromu
- daná třída je definována vždy jako negace příslušnosti
k třídě jiné
* Objektů je výrazně méně než jednotlivých pixelů a proto je klasifikace
velmi rychlá.
* Klasifikovány jsou nejprve třídy na nejvyšší hierarchické úrovni
zpracování ­ (nejmenší měřítko) ­ například městské plochy, venkovské
plochy, vodní objekty. Ty se klasifikují bez uvažování topologických vazeb.
* Následně je klasifikace provedena na nižší úrovni zpracování (v
podrobnějším měřítku), kdy je možné využít topologických vazeb
sestavených na základě klasifikace na vyšší úrovni.
* Př. Při zařazování obrazových objektů do třídy městská zeleň je možné
uvažovat vztahy těchto objektů k třídě městské plochy ­ např. ve formě
relativní vzdálenosti k těmto plochám nebo jako vztah k nejbližšímu
sousedovi.
* Hierarchicky uspořádané klasifikační schéma je možné sestavit ve formě
binárního stromu, kdy daná třída je definována vždy jako negace
příslušnosti k třídě jiné
Rysy klasifikace