Objektově orientovaná klasifikace
Objektová („per-object“) klasifikace
Naše rozpoznávání není založeno na postupném
skládání celku z jednotlivostí.
Je založeno m.j. na:
1. zkušenosti (jak vypadá…..?)
2. schopnosti hodnotit vztahy (mezi skupinami černých a
bílých ploch)
Základní východiska
• Člověk při vizuální interpretaci nevyhodnocuje jednotlivé v geografickém
prostoru oddělené pixely, ale postupně zaostřuje oko na homogenní celky
snímku a podle barevných (spektrálních), tvarových, velikostních,
kontextuálních, texturálních a dalších informací rozpoznává jednotlivé
objekty. Tento princip je možné do určité míry napodobit a přenést do
počítače tak, aby stroj prováděl vyhodnocení snímků.
• Klasifikace založená na identifikaci jednotlivých obrazových prvků má
mnohá omezení.
• Vychází z předpokladů, které již předem vylučují úspěšnou aplikaci
těchto přístupů na některé úlohy (zastavěné plochy – nejsou homogenní).
• Informace uložená v obraze často 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.
Segmentace obrazu
 Segmentace obrazu je proces, kdy je obrazový soubor rozdělen
do dílčích obrazových částí, tzv. primitiv. Tyto obrazové
segmenty jsou pak předmětem klasifikace
 Každý segment
 je podobrazem zpracovaného obrazu
 splňuje jedno nebo více z následujících tvrzení:
 všechny jeho pixely mají stejnou úroveň šedi
 všechny jeho pixely se neliší úrovní šedi o více než předem
požadovanou hodnotu
 všechny jeho pixely jsou přijatelně homogenní
(směrodatná odchylka)
Dva způsoby segmentace:
 segmentace probíhá po částech, na přechodech možný
překryv – nutná manuální editace
 celý obraz se rozdělí na jednotlivé segmenty bez mezer
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)
Příklad- vytváření segmentů v obraze
Atributy objektů
Každému z objektů
přísluší množina
atributů, které popisují
spektrální vlastnosti,
tvar, topologické vazby,
texturní znaky, …
Algoritmy pro segmentaci obrazu:
1. „Boundary seeking“ - (Edge based) 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. Pracují s
hranovými operátory (Sobel)
2. „Object seeking“ – (region growing) vyhledávání objektů
založené na oblastech. 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
ECHO (metoda již od roku 1976)
(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 skupiny 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.
Konjunktivní způsob segmentace založený
na definování objektů
Segmentace obrazu - multiresolution
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)
Segmentace je dána podmínkou minimalizovat heterogenitu pixelů
v objektu = dosáhnout homogennosti, tato heterogenita se
posuzuje jako fúze spektrální i tvarové heterogenity
Nastavení parametrů segmentace obrazu
Posouzení spektrální heterogenity (color):
 
c
ccwh 
c – proměnná příznakového prostoru (např. pásmo
multispektrálního obrazu)
W – váha daného atributu
 - směrodatná odchylka pixelů daného pásma
Posouzení tvarové heterogenity (shape):
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 
Tvarové kriterium - kompaktnost
 např. Ikonos PAN
 prostorové rozlišení 1 metr
4
2
8
4
8

n
l
cpt
5
2
10
4
10

n
l
cpt
8
2
16
4
16

n
l
cpt
Tvarové kriterium - hladkost
 např. Ikonos PAN
 prostorové rozlišení 1 metr
1
14
14

b
l
hladkost 1
10
10

b
l
hladkost 1
14
14

b
l
hladkost
Tvarové kriterium - hladkost
 např. Ikonos PAN
 prostorové rozlišení 1 metr
22,1
18
22

b
l
hladkost 29,1
14
18

b
l
hladkost
Celková tvarová heterogenita:
vcom – váha kritéria kompaktnosti tvaru (0;1)
smcomcomcomt hvhvh )1(var 
Proces slučování sousedních segmentů:
var)1( tbarvybarvybarvy hvhvf 
vbarvy – váha kritéria barvy (0;1)
f – fúze – parametr spojování
Ke spojování dochází, pokud je fúze (f) menší než
parametr SCALE. Ten zadává uživatel na počátku
procesu segmentace. Malá hodnota parametru SCALE
produkuje malé objekty
„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.
Algoritmy segmentace
http://www.ioer.de/segmentation-evaluation/index.html
Hierarchické uspořádání klasifikačního schématu
- podle dědičnosti (inheritance)
- podle sémantiky (významu)
Hierarchie podle dědičnosti (INHERITANCE)
Sub-objekty dědí vlastnosti svých rodičů
(super-objektu).
Travní porosty
• Louky
• Parky
Zastavěná plocha
• Les ve městě
• Parky
• Bloky budov
Každému z objektů přísluší množina atributů, které popisují
spektrální vlastnosti, tvar, topologické vazby, texturní znaky,
…
Atributy objektů
Object features v eCognition
Příklad klasifikace Ostrov Les hustý X řídký
Les list. X jehl
Používané klasifikační algoritmy
 metoda nejbližšího souseda (Nearest
Neighbor)
 metoda max. pravděpodobnosti (Maximum
Likelihood)
 znalostní přístupy (Knowledge Based)
 logika klasifikační neurčitosti (Fuzzy Logic
 …
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.
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).
Funkce příslušnosti
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:
• 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.
• 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
Klasifikační schéma ve formě binárního stromu
- daná třída je definována vždy jako negace příslušnosti
k třídě jiné