Разработка метода и параллельных алгоритмов автоматической вариационной классификации объектов на изображениях земной поверхности

• Автор: Барсук, Алексей Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Белгород
• Количество страниц: 150 с. : ил.

ГЛАВА 1. МЕТОДЫ И АЛГОРИТМЫ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ. СОСТОЯНИЕ ВОПРОСА И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ
1.1. Проблема классификации объектов на спутниковых фотографиях земной поверхности
1.2. Вариационный и эвристический подходы к решению задачи классификации
1.3. Методы и алгоритмы классификации объектов
1.3.1. Метод минимального расстояния
1.3.2. Алгоритм параллелепипеда
1.3.3. Иерархическая классификация
1.3.4. Метод максимума правдоподобия
1.3.5. Алгоритм FOREL
1.3.6. Алгоритм К-внутригрупповых средних (K-Means)
1.3.7. Алгоритм ИСОМАД (ISODATA)
1.4. Принцип однородности разбиения при классификации объектов
1.5. Информационная мера однородности
1.6. Постановка задач исследований
ГЛАВА 2. РАЗРАБОТКА МЕТОДА АВТОМАТИЧЕСКОЙ ВАРИАЦИОННОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ НА ОСНОВЕ ПРИНЦИПА ОДНОРОДНОСТИ РАЗБИЕНИЙ
2.1. Исследование свойств информационной меры однородности
2.2. Разработка функционала качества разбиения на основе информационной меры однородности

2.3. Особенности применения вариационного метода классификации объектов при принятии решений об отборе наилучшего разбиения пикселей на классы в задаче дешифрирования ИЗП
2.4. Основные результаты и выводы главы
ГЛАВА 3. РАЗРАБОТКА ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ
3.1. Особенности современных технологий программирования параллельных вычислений
3.2. Параллельные алгоритмы определения максимума функционала
3.2.1. Параллельный алгоритм предварительной классификации
3.2.2. Параллельный алгоритм построения минимального
Евклидова дерева
3.2.3. Алгоритм обхода минимального остовного дерева
3.2.4. Параллельный алгоритм определения максимума функционала качества разбиения
3.3. Оценка эффективности разработанных алгоритмов
3.4. Основные результаты и выводы главы
ГЛАВА 4. ПРОГРАММНАЯ РЕЛИЗАЦИЯ ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ ВАРИАЦИОННОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ
4.1. Выбор технологий программирования
4.2. Архитектура программной реализации
4.3. Основные результаты и выводы главы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ А
ПРИЛОЖЕНИЕ Б

Актуальность работы. Одним из основных направлений развития информационных технологий является разработка методов и алгоритмов обработки и анализа изображений, что обусловлено тенденцией использования естественных для человека форм информационного обмена, к которым относятся визуальные отображения реальности. Среди интенсивно развивающихся направлений обработки изображений можно выделить анализ цифровых космофотоснимков земной поверхности, получаемых со спутников. Важность этого направления исследований определяется задачами мониторинга земной поверхности, и в частности выделения на изображениях некоторых особенностей (дешифрирование) в целях принятия соответствующих управленческих решений.
Одной из основных процедур дешифрирования является выделение на изображениях земной поверхности (ИЗП) отдельных групп объектов, объединяемых на основе некоторых признаков (классификация), для чего предложены различные подходы. Классификация (кластерный анализ, кластеризация, таксономия) объектов на спутниковых ИЗП является одним из основных этапов предварительной обработки данных, необходимых для последующего проведения различных процедур, связанных с получением информации о запечатленных на снимках объектах, таких как распознавание, получение статистических оценок и прочее. Из-за трудностей обоснования количественных критериев оценивания качества разбиения генеральной совокупности объектов на классы наиболее сложная ситуация возникает при создании методов и алгоритмов автоматической классификации. Вместе с тем использование таких методов является важным предварительным этапом обработки ИЗП больших размеров, поскольку позволяет существенно сократить объем работы эксперта.
Среди существующих современных программных реализаций

Рисунок 1.16. Графики производных функции В0(х)
: / ' 1 500 г ' 1 *»[ і і Iі о 10001- і
1/ ‘ 1 1 1 1500-- І I 2000, | ' !і
2500 , і
Рисунок 1.17. Графики производных функции С0(х)
Их анализ приводит к следующим выводам:
1. Меры (1.46, 1.47, 1.48) являются очень похожими по своим
характеристикам. Различия заключаются лишь в степени чувствительности, которая определяется двумя параметрами: степенью и параметром а.
2. Скорость роста мер (1.46, 1.47, 1.48) увеличивается ближе максимуму. Другими словами чувствительность меры к изменению однородности наибольшая при высоких степенях однородности (одинаковости) значений компонент вектора х.