Визуальное интерактивное дешифрирование 1 страница

Автоматическая(неконтролируемая): работа с мног-ми простр признаками

Применяется в случаях:

-Если нет опыта тематической обработке МИ

- заранее известно общее количество классов и типичные для них характеристики образов

Возможность: быстрая оценка, сколько классов разделяется по спектральным характеристикам наиболее надежно и где они содредоточены на из-ии

На 1 этапе вып-ся нек-ая класс-я на большое количество классов и проводится анализ получ-ого результата. Те классы, которые,, соот-ют реальным тем-им объектам, оставляются, остальные, распр-ся по изобр-ию случайным образом, либо объед-ся с уже отобранными классами по близости их спектральных характ-к и относ-му распол-ю на из-ии, либо группируются так, чтобы получить еще какие-то интерпретируемые объекты.

В основе всех алгоритмов этого класса лежит метод кластеризации при заданном количестве групп

Если хотите написать научную работу за 40 минут подготовки, обратитесь к вопросу№7

Визуальное интерактивное дешифрирование

Методы,позволяющие улучшить визуальное восприятие изображения и подчеркнуть признаки тех объектов, которые интересуют дешифровщика:

- высокочастотная и низкочастотная фильтрация

-поднятие контраста

-эквализация гистограмм

-анализ главных компонент

Применяется в случае: если инф-ии слишком много для того, чтобы точно определить, сколько всего классов можно выделить на анализируемом объеме данных=> выбираем только те классы, которые представляют интерес для решения задачи, и определяем их типичные характеристики с помощью процедур обучения.

Процесс:

по умолчанию установлено: R=^:4(ближний ИК), G=3(Красный), В=2(зеленый) -три спектральных зон, как наиболее инф-ых для решения знач-ой части тематических задач. В результате RGB-синтеза растительность красная (самая высок отраж-ая способность в ближнем ИК-диапазоне), вода - голубовато-черная или зеленовато-черная (низкая интегральная отраж-ая способность по всем данным диапазонам), сухая почва и искусственные объекты - светло-голубой (наиб высокая интегральная отр-ая спос-ть по всем указанным диапазонам).

Наиболее инф-ые каналы: где можно надежно разделить по используемым признакам наибольшее количество классов. Нужно учитывать: динамический диапазон каналов (количество ненулевых значений яркости), общий диапазон рассеяния точек в проективной плоскости признакового пространства (ПП) для анализируемой пары каналов. Функции пакета ERDAS Imagine позволяют получать эти проективные плоскости признакового пространства и работать с ними.

Спектральная сигнатура пикселя - соответствующий ему вектор (1) значений пикселя по слоям (спектральным диапазонам).

Сигнатура класса - вся совокупность типичных для данного класса n-мерных векторов (1) (для многозональных изображений - спектральных яркостей).

Используя признаковое пространство, можно определить:

• какие каналы наиболее полно отображают представленные на изображении тематические классы;

• где в признаковом пространстве расположены спектральные сигнатуры интересующих аналитика тематических категорий и какие классы будут разделяться наиболее надежно.

После завершения процесса построения все проекции ПП по парам каналов будут выведены на экран, каждое в своем окне.

Лучше всего выбрать пары признаков с наиболее широкими диаграммами рассеяния и наибольшим кол-ом локальных мод (красных или желто-оранжевых пятен на цветном ПП-изображении). Если эти моды соответствуют каким-то тематическим классам, то такие классы будут выделяться наиболее надежно.

Области значений сжаты вдоль нек-го направления => сильная корреляция между данной парой признаков.

Определение положения сигнатур объектов в пространстве признаков.

1.блок Classifier=>Signature Editor. В открывшемся новом окне редактора сигнатур из меню Feature > View > Linked Cursor=>Указать номер ПП-вьюера => Link. Появится сообщение с просьбой указать привязываемое изображение. Щелкните курсором на изображении tm_86516.img. На изображении появится перекрестье, которое будет перемещаться одновременно с перекрестьем в ПП-вьюере и показывать положение пикселя в проективной плоскости ПП.

2.Открыть в окне изображения инструментарий для рисования областей интереса AOI > Tools => оконтурить небольшой объект на из-ии=>добавить в редактор сигнатур сигнатуру выб-ого объекта=>присвоить сигнатуре какой-либо яркий цвет, =>в редакторе сигнатур Feature > Masking > Image to Feature Space. В окне этой функции установите номер ПП-вьюера, в котором Вы хотите отобразить сигнатуру, => Apply=>значения пикселей выбранного объекта отобразятся в ПП-вьюере цветом, присвоенным его сигнатуре.

Общие принципы автоматизированной обработки многозональной (многослойной) видеоинформации. Понятие спектральной сигнатуры. Пространство спектральных признаков, его представление в пакете ERDAS Imagine.

Автоматизированная(неконтролируемая)обработка мнозозон-ой видеоинф-ии

-Если нет опыта тематической обработке МИ

- заранее известно общее количество классов и типичные для них характеристики образов

Возможность: быстрая оценка, сколько классов разделяется по спектральным характеристикам наиболее надежно и где они содредоточены на из-ии

На 1 этапе вып-ся нек-ая класс-я на большое количество классов и проводится анализ получ-ого результата. Те классы, которые,, соот-ют реальным тем-им объектам, оставляются, остальные, распр-ся по изобр-ию случайным образом, либо объед-ся с уже отобранными классами по близости их спектральных характ-к и относ-му распол-ю на из-ии, либо группируются так, чтобы получить еще какие-то интерпретируемые объекты.

В основе всех алгоритмов этого класса лежит метод кластеризации при заданном количестве групп

Аналогично,кому кажется вопрос не развернутым посмотрите вопрос №7

Спектральная сигнатура пикселя - соответствующий ему вектор (1) значений пикселя по слоям (спектральным диапазонам).

Сигнатура класса - вся совокупность типичных для данного класса n-мерных векторов (1) (для многозональных изображений - спектральных яркостей).

Используя признаковое пространство, можно определить:

• какие каналы наиболее полно отображают представленные на изображении тематические классы;

• где в признаковом пространстве расположены спектральные сигнатуры интересующих аналитика тематических категорий и какие классы будут разделяться наиболее надежно.

Пространство спектральных признаков:

-для каждого из-я будет своя характеристическая диаграмма рассеивания векторов.

Проекция рассеивания:

Диаграмма может сказать:

1. Широкая- в этой паре каналов большое кол-во разл.областей=>больше классов => информативная

2. Характерны для типов:

В большинстве пакетов обработки многоз-ые из-я, независимо от количества каналов, представляются RGB-комбинацией трех каналов: зеленого(0.5 - 0.6 мкм), красного (0.6 - 0.7 мкм) и ближнего (отражательного) ИК (0.7 - 0.8 или 0.8-0.9 мкм), причем эти каналы располагаются при RGB-синтезе в обратном порядке.

В результате RGB-синтеза растительность красная (самая высок отраж-ая способность в ближнем ИК-диапазоне), вода - голубовато-черная или зеленовато-черная (низкая интегральная отраж-ая способность по всем данным диапазонам), сухая почва и искусственные объекты - светло-голубой (наиб высокая интегральная отр-ая спос-ть по всем указанным диапазонам).

Задачи распознавания образа:

Образ класса -спектральная сигнатура пикселя

вектор состоит из нескольких значений

Х значения дают значения векторов яркости, рассматриваем образ как точку ПП.

4. Общая характеристика методов автоматической классификации многозональных (многослойных) изображений. Понятия образа и класса. Контролируемая и неконтролируемая классификация. Обоснование применения каждого из этих подходов.

Ежели недостаточно смотри вопросы 7 и 10
ОБРАЗ-это описание объекта или процесса, позволяющее выделять его из окружающей среды и группировать с др объектами или процессами для принятия наобходимых решений. Те категории объектов, кот.мы хотим выделить или на которые хотим разделить все множество образов в процессе распознавания, обычно называют КЛАССАМИ.
КОНТРОЛИРУЕМАЯ КЛАССИФИКАЦИЯ применяется в тех случаях, когда информации слишком много для того, чтобы точно определить, сколько всего классов можно выделить на анализируемом объеме данных. Поэтому мы выбираем только те классы, которые представляют интерес для решения задачи, и определяем их типичные характеристики с помощью процедур обучения.

НЕКОНТРОЛИРУЕМАЯ КЛАССИФИКАЦИЯ

Применяется в случаях:

-Если нет опыта тематической обработке МИ

- заранее известно общее количество классов и типичные для них характеристики образов

Возможность: быстрая оценка, сколько классов разделяется по спектральным характеристикам наиболее надежно и где они содредоточены на из-ии

 

5. Понятие спектрального образа объекта земной поверхности. Основные группы объектов, разделяющихся по спектральным образам. Связь спектрального образа с понятием спектральной сигнатуры. Средства анализа спектральных образов в пакете ERDAS Imagine.

Образ- это совокупность данных об объекте или явлении, включающая параметры и связи.

Если выполнить аэро- или космическую съемку местности одновременно в нескольких зонах спектра и по серии зональных снимков измерить яркости изобразившихся объектов, можно получить аналоги кривых спектральной яркости - спектральные образы объектов.

Распознавание образов - каждый пиксель изображения рассматривается как n-мерный вектор-образ, состоящий из значений яркости в каждом слое

Для многозональных сканерных изображений этот вектор соответствует набору значений спектральной яркости по каналам.

ПП - совокупности всех векторов-образов, которые соответствуют определенному множеству точек в n-мерном пространстве.

Спектральная сигнатура пикселя - соответствующий ему вектор значений пикселя по слоям (спектральным диапазонам)

Спектральные кривые -кривые, показывающие зависимость величины отражения излучения от длины волны, для данного типа наземного покрытия или данного вещества.

Изменение таких показателей, как влажность, содержание биомассы или многих других экологических характеристик поверхности земного участка, даёт изменение значений спектральных каналов космического снимка, а значит - и изменение спектральной кривой или сигнатуры данного участка.
Связь СО СС:спектральный образ объекта, это совокупность спектральных сигнатур всех пикселей, из которых состоит этот объект.

Группы объектов:

растительность красная (самая высок отраж-ая способность в ближнем ИК-диапазоне), вода - голубовато-черная или зеленовато-черная (низкая интегральная отраж-ая способность по всем данным диапазонам), сухая почва и искусственные объекты - светло-голубой (наиб высокая интегральная отр-ая спос-ть по всем указанным диапазонам)

В зависимости от особенностей информационных компонент системы R, выделяют три подхода к задаче распознавания образов(процесс синтеза образов):

Принцип сравнения с эталоном применяется в тех случаях, когда каждому классу А_к можно сопоставить конечный набор эталонных образов Процесс распознавания: простое сопоставление образов, поступающих на вход распознающего устройства или алгоритма, с эталонами классов А_к, на основе выбранной меры сходства(пр: распознавание текстур и выделении объектов определенной формы).

Принцип кластеризации. Если признаки представляют собой наборы измерений (параметров) без каких-либо явным образом заданных взаимосвязей, то образ можно представить как n-мерный вектор в признаковом пространстве X:

Каждому классу А_к сопоставляется некоторое множество векторов в пространстве X. В результате признаковое пространство разбивается на области, соответствующие классам А_к, которые называют кластерами или таксонами. Одному классу может соответствовать любое количество областей пространства X. Эти области могут перекрываться, но методология принятия решения должна в конечном итоге обеспечивать однозначное отнесение точки пространства к определенному классу.

Принцип общности свойств использует связи между элементами образа=> множество образов каждого класса слишком велико, чтобы получить надежное описание конечного числа эталонов, но можно выявить достаточное количество отличительных особенностей классов по конечным выборкам образов. Выявленные свойства кодируются на основе подходящей модели и хранятся в памяти в виде некоторых структур, функций или отношений. В процессе распознавания производится анализ образа по схеме, позволяющей выявить необходимые свойства образа; затем они сопоставляются со свойствами классов А_к. Обобщающим свойством может быть сам алгоритм порождения образов; в этом случае классы образов задаются алгоритмами порождения структур определенного вида.

Средства анализа:

1. Прямой анализ

Открыть в окне изображения инструментарий для рисования областей интереса AOI > Tools => оконтурить небольшой объект на из-ии=>добавить в редактор сигнатур сигнатуру выб-ого объекта=>присвоить сигнатуре какой-либо яркий цвет, =>в редакторе сигнатур Feature > Masking > Image to Feature Space. В окне этой функции установите номер ПП-вьюера, в котором Вы хотите отобразить сигнатуру, => Apply=>значения пикселей выбранного объекта отобразятся в ПП-вьюере цветом, присвоенным его сигнатуре.

2.Обратный анализ

блок Classifier=>Signature Editor. В открывшемся новом окне редактора сигнатур из меню Feature > View > Linked Cursor=>Указать номер ПП-вьюера => Link. Появится сообщение с просьбой указать привязываемое изображение. Щелкните курсором на изображении tm_86516.img. На изображении появится перекрестье, которое будет перемещаться одновременно с перекрестьем в ПП-вьюере и показывать положение пикселя в проективной плоскости ПП.

6. Методы и средства анализа спектральных сигнатур дешифрируемых объектов в признаковом пространстве. Процедуры пакета ERDAS Imagine, обеспечивающие взаимосвязь признакового пространства с анализируемым изображением.

+5 вопрос

Cигнатуры объектов, которые визуально кажутся однородными, могут иметь значительный разброс по яркости. Этот факт - одна из причин ошибок, возникающих при классификации с обучением по тестовым участкам.

По-настоящему однородные по яркости сигнатуры можно получить, выбирая области непосредственно в признаковом пространстве. Для этой цели выберите одно из наиболее информативных сочетаний каналов, например, 3 и 4, и откройте в соответствующем ПП-вьюере AOI-инструментарий командой меню AOI > Tools. Он позволяет создавать области интереса в любом растровом вьюере, как на самом изображении, так и в его признаковом пространстве.

Создание сигнатур классов в признаковом пространстве.

Перемещая перекрестье на изображении=>определить примерное положение нескольких тематических классов в выбранных ПП-вьюерах=>нарисовать с помощью инструментов AOI соответствующие им многоугольники или эллипсы

(не выбирайте слишком маленькие участки в сине-фиолетовой зоне, и слишком большие - в красно-оранжевой)

Выделив нужную область в ПП-вьюере и добавить ее сигнатуру в редактор сигнатур=> выберать в редакторе функцию меню Feature > Statistics( для подсчета статистических характеристик сигнатуры).

Чтобы посмотреть, куда попадает сформированная сигнатура на изображении, установите для нее яркий цвет и выберите в меню редактора сигнатур функцию Feature > Masking > Feature Space to Image. Нажмите Apply. Пиксели, которые попадают по всем значениям внутрь выбранной Вами области в ПП-вьюере, будут подсвечены на изображении ее цветом

Посмотреть, какие пиксели попадают в диапазон значений данной сигнатуры по каналам (гиперпараллелепипед), выберите в меню редактора сигнатур функцию View > Image Alarm=> ОК. Пиксели, которые попадают в пределы разброса значений Вашей сигнатуры по каналам, будут подсвечены на изображении ее цветом.

Точки, находящиеся внутри заданного эллипсоида рассеяния=>в окне Image Alarm кнопка Edit Parallelepiped Limits=> Set, укажите в еще одном открывшемся окне радиокнопку Std. deviation и установите нужное значение ст=> получите все точки гиперэллипсоида рассеяния, соответствующего среднему значению и ковариационной матрице данной сигнатуры.

 

Признаковое пространство=>можно построить тематическое признаковое пространство

7. Неконтролируемая классификация, ее назначение. Теоретические основы
алгоритма (метод К средних). Особенности реализации метода в ERDAS Imagine.
Входные параметры данной процедуры классификации. Способ отображения результата в
пространстве признаков.

Автоматизированная(неконтролируемая)обработка мнозозон-ой видеоинф-ии

-Если нет опыта тематической обработке МИ

- заранее известно общее количество классов и типичные для них характеристики образов

Возможность: быстрая оценка, сколько классов разделяется по спектральным характеристикам наиболее надежно и где они содредоточены на из-ии

На 1 этапе вып-ся нек-ая класс-я на большое количество классов и проводится анализ получ-ого результата. Те классы, которые,, соот-ют реальным тем-им объектам, оставляются, остальные, распр-ся по изобр-ию случайным образом, либо объед-ся с уже отобранными классами по близости их спектральных характ-к и относ-му распол-ю на из-ии, либо группируются так, чтобы получить еще какие-то интерпретируемые объекты.

Метод неконтролируемой классификации

Алгоритм К средних- метод кластеризации при заданном количестве групп(дробление и слияние пустых кластеров), лежащий в основе всех алгоритмов класса ISODATA(алгоритм кластерного анализа класса).

Входные данные - К центры кластеров, которые в плотных компактных кластерах должны совпадать с выборочными средними по группе.

Шаг итерации базового алгоритма К средних включает: 1) группировку всех точек в кластеры по минимуму расстояния до текущих центров; 2) расчет новых центров как выборочных средних по каждому кластеру. Процедура выполняется до тех пор, пока кластеры и их центры не «стабилизируются». В результате этого процесса минимизируется средний внутригрупповой разброс и максимизируется среднее расстояние между центрами кластеров.

В ERDAS Imagine - алгоритм Форджи: качество результата оценивается по проценту точек, не перемещающихся из класса в класс в результате очередной итерации (параметр convergence threshold).

Задается два входных параметра: число кластеров и количество итераций, можно обрабатывать даже не каждый пиксель, задавая Skip factor по строке и столбцу изображения (X и Y=> еще более грубая прикидка положения кластеров, и вряд ли имеет смысл использовать эти параметры на небольших объемах информации.

Недостатком предлагаемой реализации -линейная схема задания исходных центров кластеров по статистке изображения (рис.5).

 

 

Обработчику предлагается только два варианта:

1.по направлению наибольшего рассеяния точек в признаковом пространстве (так называемой главной компоненте).

Алгоритм К средних обеспечивает сходимость только к локальным максимумам гистограммы изображения=> результат будет зависеть от начального положения центров кластеров=>максимизация среднего разброса между центрами кластеров приводит к их расположению вдоль главной компоненты, то есть по направлению наибольшего разброса сигнатур пикселей. Поэтому один из предлагаемых способов задания центров (по главной компоненте) фактически сводит к минимуму сам итерационный процесс: кластеры почти не смещаются=>недостаточно эффективен.

2.равномерное расположение исходных центров на диагонали гиперкуба, образуемого осями координат пространства признаков

вариант выбора исходных центров самим обработчиком.

В ERDAS Imagine - в окне функции неконтролируемой классификации режим Signature Means и задать собственный входной файл сигнатур. Однако и в этом случае количество классов не регулируется в процессе кластеризации и всегда соответствует исходному количеству. Поэтому весь эффект кластеризации сводится к поиску ближайших к Вашим сигнатурам областей сгущения точек в признаковом пространстве (локальных пиков многомерной гистограммы => несколько лучший результат, чем при обычной классификации по минимуму расстояния, но только в том случае, если классы действительно однородны по яркости.

Количество разделяющихся интерпретируемых классов можно увеличить, задавая большее количество исходных центров, но некоторые классы, даже относительно однородные, разделить неконтролируемой процедурой не всегда удается. Пример такого класса как раз и показан выше на рис.4.

Чем больше размерность признакового пространства, тем больше классов нужно задавать для получения приемлемого по качеству результата=> наилучший результат неконтролируемая классификация дает на 2-4 наиболее информативных слоях.

Выполнение неконтролируемой классификации и предварительный анализ результата (способы отображения резултатов в пространстве признаков.).

анализ ПП-вьюеров =>выбор наиболее информативный набор из трех каналов,например:- 2-й, 3-й и 4-й. Кластеризацию будем проводить на данном трехмерном подмножестве исходного семимерного изображения. Это подмножество нужно предварительно создать с помощью функции Subset Image блока DataPrep.

-Входное изображение будет tmJ360516.img,

-выходное изображение откройте в собственной папке под своим именем.

-задать через запятую список выбранных каналов: 2,3,4

-после завершения процесса открыть сформ-ое из-е в новом вьюере.

- функция Unsupervised Classification из блока Classifier

-в качестве входного задать имя нового изображения.

-открыть файл для записи растрового результата классификации в рабочей папке.

-в соседнем окне открыть с тем же именем еще один файл, для сигнатур классов, которые будут получены в процессе кластеризации. Число классов задайте в интервале от 20 до 30. Выберите кнопку Color Scheme Options и задайте режим Approximate True Color, чтобы растровый результат кластеризации отображался в псевдоцветах исходного изображения.

-Кнопка Initialized Options позволяет выбрать одну из схем формирования исходных центров, описанных выше. По умолчанию используется диагональ гиперкуба.

-запустить процесс

-после завершения откройте растровый результат классификации в окне исходного изображения, не удаляя исходное (указав в диалоговом окне ввода полученный в результате кластеризации файл, перейти в закладку Raster Options, отключить опцию Clear Display =>ОК)

 

 

-в окне изображения функцию Raster > Attribute.

- в открывшейся таблице атрибутов классов найдите поле Opacity. Присвойте этому полю значение 0 с помощью калькулятора функции меню Edit > Formula. Ваш результат классификации после присвоения полю Opacity значения 0 станет прозрачным. Теперь, выбрав яркий цвет для любого класса в поле Color и присвоив этому классу значение Opacity =1, Вы можете посмотреть, куда ложится выбранный класс на изображении. Так же можно просмотреть и любую выбранную группу классов. Выбор группы строктаблицы производится в крайнем левом (сером) поле с нажатием клавиши Shift. Для отмены выделения щелкните правой кнопкой на этом поле и в открывшемся меню выберите Select None.

8. Общая схема алгоритма ISODATA. Параметры настройки алгоритма. Процедуры дробления и слияния кластеров. Ограничения метода, реализованного в пакете ERDAS Imagine. Зависимость результата кластеризации от положения исходных центров кластеров.

ISODTA -интерактивный самореализующийся метод кластерного анализа данных.

См Метод неконтролируемой классификации из вопроса №7

Слияние классов:

1., наиболее удобный в тех случаях, когда Вас вполне устраивают границы между классами на растровом результате классификации

- функция Raster > Reeode из меню вьюера изображения.

-Выберите предварительно классы, которые хотите объединить, и номер «базового» класса для этой группы. Номера классов можно просматривать на растровом результате классификации с помощью кнопки «+»

 

 

 

-Выбрав «базовые» классы, открыть окно функции Raster > Recode. В поле New Value заменить номера всех классов выбранной группы на номер «базового» класса => Apply. Все выбранные классы на изображении теперь принадлежат к «базовому» и имеют его цвет.

2. объединение сигнатур с помощью кнопки =U (или функции Edit > Merge) и повторная классификация.

-Объединенные сигнатуры будут добавляться как новые в уже имеющийся набор.

-Объединяемые классы не обязательно удалять.

-Из редактора сигнатур можно выполнять классификацию по любому выделенному набору сигнатур: выделить необходимые строки таблицы и вызовать функцию Classify > Supervised. В строке Parametric rule установите какое-либо правило классификации и откройте новый файл для формирования растрового результата.

На рис.8(а) показан результат простой перекодировки и положение границ шести классов в проективной плоскости 2,3 признакового пространства (каналы 3,4 исходного изображения). На рис. 8 (б), (в) -результаты контролируемой классификации по шести объединенным сигнатурам и соответствующие границы классов в этой же проекции пространства признаков. Вариант (б) - результат классификации по минимуму расстояния, (в) - гиперпараллелепипеды+максимум правдоподобия.

 

 

(в) в целом ближе к результату перекодировки (а), что заметно и на показанном участке классифицированного изображения. Однако на варианте (б) значительно точнее выделяется вода и немного точнее - почвы и застройка без зелени. Отсюда ясно, что метод группировки классов должен выбираться в соответствии с целями поставленной задачи и требованиями к точности выделения конкретных тематических классов.

Дробление классов:

-если маленькие классы(мало точек внутри)

Точке m3(2) соответсвуе ασ3(1)

Точке m2(1) соответсвуе ασ1(2)

σ-среднее отклонение

m-среднее значение

1. Вводим новые классы

2. определить пороговое значение, цвет которого σ (разброс больше среднего по все классам)

3. считаем разброс по каждому каналу=> берем кластер у каждого разброса

1-будем дробить по х1

3 будем дробить по х1

Как это делается:

-выбирается α меньше единицы

-откладываем вверх и вниз величину ασ1(2) (2)-координата

-образуется 2 новых центра

-7 кластеров-пересчитаем точки

-6 кластер лишний=>сливаем до нужного количества

Как это делать:

-выбрать центр слияния(maxрасстояние при котором мы можм объединить кластеры)

-определить сколько пар надо объединить=>выбирают самые маленькие=>объединение начнается слева

Результат:

-переиндексируем

-подсчитывем новые центры

-проверить,не образовались ли мал. Кластеры,пересчет центров,дробление-слияниеитд

Выскочит из алгоритма нужно,когда образуется нужное кол-во класткров и центров.

9. Интерпретация результатов неконтролируемой классификации с использованием спектральных сигнатур выделенных классов. Способы объединения выделенных классов в требуемые тематические категории, их реализации в ERDAS Imagine.