Способы дешифрирования

[Serp]

Добрый день!
Не появилось ли среди всех этих программ и методов классификации, в том числе и нейронной, чего-нибудь такого, что приближало бы выдаваемый результат близкий к восприятию человека? Вопрос вызван постоянно идущим у нас соревнованием между теми, кто традиционно дешифрирует вручную и теми, кто как-то пытается этот процесс автоматизировать.

Первые дешифрируют обстоятельно, не торопясь. Работают медленно, зато сразу получают вразумительные названия и почти готовую карту: болото грядово-мочажинное, болото беломошное (ягелевое), темнохвойный лес, смешанный лес, низкая пойма, высокая пойма и т.п.

Автоматчики обычно получают кучу объектов (десятки тысяч), характеризующих какие-либо частности: пятно чего-то лиственного, пятно чего-то темнохвойного, группа пикселей похожих на ягель, черные пятна - явно соответствуют воде и т.п. Собрать всю эту пестроту воедино, фактически, можно только при просмотре итоговой карты. Например, увидев рядом редкие кустарники, траву и воду можно прийти к выводу, что это болото. Мозаика темненьких и светленьких оттенков зеленого наводит на мысль, что это смешанный лес, контуры которого нужно провести мысленно.

В дальнейшем все это переводится в векторные объекты, мелочь убирается по значению площади, каким-то образом группируется, исправляются ошибки классификации и в итоге общее время работы у обеих групп примерно одинаковое.
В общем, граждане, помогите, кто чем может...

[Дмитрий Барышников]

А быстрее кто, первые или вторые?

[nadiopt]

вообще бывает два типа автоматчиков: одни получают миллиард классов и объединяют, а другие делят снимок на небольшое, но осмысленное количество классов по эталонам. По-моему, это несколько перспективнее и быстрее, чем тупо пытаться понять, какой пиксель какого цвета куда отнести

[Максим Дубинин]

судя по описанию вашей "проблемы" вам стоит взглянуть на eCognition

[Serp]

Может и правда нужно глянуть Definiens. Я пару лет назад уже видел презентацию про подсчет деревьев, но как-то не проникся, что это имеет отношение к нам. Но вот их девиз - "мыслить не пикселями, а объектами" очень даже привлекателен.
А насчет миллиарда классов - мы хоть и не мастера, но тоже стараемся работать управляемой классификацией с учетом полевых данных. Учиться еще есть чему - это даже без вопросов, вот только конечный результат все равно будет раздробленным ( в смысле мозаичным). Хотя те, кто просто выделяют в гуще леса различные породы деревьев (ну или что-то в этом духе с сельхозкультурами), конечно такой проблемы не почувствуют. Им как раз, чем больше пестроты, тем лучше.

В ручном режиме я выделяю речную долину и пишу, что в ней присутствует такая-то растительность (1, 2, 3 ...).
В автомате выделяются различные группы растительности и далеко не всегда они подчеркивают речные долины. А у нас долины малых рек это один из ландшафтов.

Кстати, имеющаяся тут тема про Текстурное дешифрирование тоже из этой области. Много математики, а до идеального решения пока далеко.

[syroezhka]

Много математики, а до идеального решения пока далеко.

Задача дешифрирования – это "не корректная" (в математическом смысле) задача. Так что, идеального решения не будет вообще. Решение может быть только приемлемым для определенных условий.
Посмотрите презентацию:
www.sovzondconference.ru/pdf_2011/062.pdf
Она с семинара по возможностям WV2. Так вот там, как раз, реальные результаты показаны, и как по мне, весьма впечатляющие. Они, конечно, не вдаются в матосновы, но и не скрывают какими методами пользовались для решения своих задач.

[Serp]

Конкретно этот файл у меня не грузится, но вообще я видел веб-семинар по WV2 - интересная штука.
В общем, понял, что надо и дальше учиться лучшему разделению классов, подтянуться в изучении спектров.
А кроме того, все-таки есть действительно разные задачи при дешифрировании. Если нужен регулярный мониторинг лесного массива или сельхозугодий, мониторинг пожаров, то автоматика выходит на 1-й план.
При составлении ландшафтных карт дешифрирование не играет исключительную роль: нужно учитывать и другие материалы (например геологию или ЦМР). То есть уже получается синтез.

[Serp]

А все-таки я хотел уточнить: вот эти методы - нейронная классификация и дерево решений, они все равно ориентированы на выделение отдельных не перекрывающихся классов? Т.е. они все равно не предназначены для выделения областей с какой-либо характерной текстурой? Я как-то раз поэкспериментировал с нейронкой и получил результат практически такой же, как и у максимального правдоподобия.

[gamm]

1) А все-таки я хотел уточнить: вот эти методы - нейронная классификация и дерево решений, они все равно ориентированы на выделение отдельных не перекрывающихся классов? Т.е. они все равно не предназначены для выделения областей с какой-либо характерной текстурой?

2) Я как-то раз поэкспериментировал с нейронкой и получил результат практически такой же, как и у максимального правдоподобия.

1) перечислена попиксельная классификация, которая не учитывает пространственный контекст. Для учета пространственного контекста на пиксельном уровне (что характерно для природно-тематического дешифрирования) придуманы Марковские случайные поля (MRF), метод предполагает существование латентных четких границ; это нынче встречается (вроде есть в ERDAS, есть в в Scanex IP). Если границы градиентные (что типично для природных объектов), то в Scanex IP есть топографические отображения (им.Кохонена и Бишопа). Для дешифрирования на уровне объектов (полученных в результате сегментации, что характерно для объектового дешифрирования, в основном искусственных объектов) есть eCognition.

2) согласно науке, обученная нейронная сеть как раз и реализует метод максимального правдоподобия. Разница только в том, что стандартный метод максимального правдоподобия предполагает многомерное нормальное распределение (иногда смесь нормальных), а нейронная сеть - нет (здесь может быть любая форма класса).

[Максим Дубинин]

что касается текстуры - это такой же признак, как и сырые значения в каналах, если вам нужен учет текстуры, попробуйте добавить ее как один из признаков в классифицируемый стэк. Только придется повозиться с выбором какой именно вариант текстуры выбрать.

[syroezhka]

Конкретно этот файл у меня не грузится

Попробуйте загрузить его со страницы со всеми презентациями:
sovzondconference.ru/2011/rus/agenda_13.html
Называется он - "Семинар компании DigitalGlobe: "Уникальные мультиспектральные возможности спутника WorldView-2""

[gamm]

что касается текстуры - это такой же признак, как и сырые значения в каналах, если вам нужен учет текстуры, попробуйте добавить ее как один из признаков в классифицируемый стэк. Только придется повозиться с выбором какой именно вариант текстуры выбрать.

а что, где-то именно текстуры появились? пока наблюдались только статистики в локальном окне - дисперсия, Хоралик, вариограмма, GMRF, и т.д.

[Serp]

Сыроежка, спасибо за ссылки - все скачал, буду разбираться. Глянул также страницы за 14 и 15 число, загрузил массу интересного.

Максим, усиленно читаю рекомендованную Вами книгу "ДДЗ количественный подход" - там "ручное" дешифрирование в ряде случаев не отвергается, хотя это, конечно, 80-е годы.

что касается текстуры - это такой же признак, как и сырые значения в каналах, если вам нужен учет текстуры, попробуйте добавить ее как один из признаков в классифицируемый стэк. Только придется повозиться с выбором какой именно вариант текстуры выбрать.

А вот это для меня уже слишком круто. Я даже не знаю, куда это применить. Нейронку я пару раз попробовал, а до дерева решений еще не дошел (если это к нему). Раньше, по наивности, я выделял какую-нибудь "текстурную" область (к примеру зелено-коричневую мозаику) в эталон (Region of Interest) и думал, что прога мне выделит все похожие . Не тут-то было. Вместо этого она заливает в 1 класс все цвета, попавшие в этот ROI, не глядя на текстуру. То есть просто-напросто при таком подходе происходит перекрытие классов.

[ВолАнд]

А вот это для меня уже слишком круто. Я даже не знаю, куда это применить. Нейронку я пару раз попробовал, а до дерева решений еще не дошел (если это к нему). Раньше, по наивности, я выделял какую-нибудь "текстурную" область (к примеру зелено-коричневую мозаику) в эталон (Region of Interest) и думал, что прога мне выделит все похожие

Вам надо получше разобраться с тем, что такое образец, сигнатура, признак, пространство признаков, его объекты и собственно решающие правила классификации.
Эффективное дешифрирование неоднородных ("текстурных") областей изображения (наряду с однородными) возможно только на основе объектного подхода, о котором говорил gamm выше. С той поправкой, что этот подход на самом деле не привязан к искусственным объектам.