Применение модели скоростной кластеризации пикселей в задачах предобработки изображений дистанционного зондирования Земли

Цель исследования заключается в применении модифицированного метода Уорда в скоростной обработке полноразмерных изображений дистанционного зондирования Земли.
Методы. Классический метод Уорда модифицируется путем разделения вычислительного процесса на три последовательных этапа. На первом этапе строится грубая иерархия приближений. На втором этапе выполняется промежуточное улучшение качества заданного разбиения при фиксированном числе цветов. Третий этап кластеризует полученные суперпиксели классическим методом Уорда. Программно-алгоритмический инструментарий составляют четыре операции над кластерами пикселей и сегментами изображения: слияние пары кластеров в один, разделение кластера на Два исходных, выделение подмножества пикселей в отдельный кластер и реклассификация части пикселей путем исключения из одного кластера и отнесения их в другой. Оценкой качества служит суммарная квадратичная ошибка. Улучшение качества разбиения изображения обеспечивается итеративным исполнением сочетания операций слияния и разделения кластеров пикселей, в частности сегментов изображения. Один из кластеров (сегментов) разделяется надвое и пара других несовпадающих с ним объединяется в один по критерию минимального приращения суммарной квадратичной ошибки.
Результаты. Предложенный модифицированный метод Уорда применен в обработке полноразмерных изображений дистанционного зондирования Земли, взятых из базы данных Института обработки сигналов и изображений Южно-Калифорнийского университета. Сопоставлены результаты обработки в режимах чистой сегментации и кластеризации.
Заключение. Предложенная модель кластеризации пикселей пригодна для скоростной обработки полноразмерных изображений. Кластеризация пикселей по сравнению с сегментацией изображений позволяет более детально определить как контуры объектов интереса, так и их внутреннюю структуру.

1. Ward J.H., Jr. Hierarchical grouping to optimize an objective function. J. Am. Stat. Assoc. 1963. 58(301): 236-244. http:/doi.org/10.1080/01621459.1963.10500845.

2. Otsu N.A. Threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man and Cybernetics. 1979. 9(1): 62-66. http:/doi.org/10.1109/TSMC.1979.4310076.

3. Lloyd S.P. Least squares quantization in PCM. IEEE Transactions on Information Theory. 1957/1982. 28(2): 129-137. http://doi.org/10.1109/TIT.1982.1056489.

4. Mumford D., Shah J. Boundary detection by minimizing functionals. IEEE Conference on Computer Vision and Pattern Recognition. 1985. 17: 137-154.

5. Mumford D., Shah J. Optimal approximations by piecewise smooth functions and associated variational problems. Communications on pure and applied mathematics. 1989. 42(5): 577-685. http://doi.org/10.1002/cpa.3160420503.

6. Purohit P., Joshi R.A. New Efficient Approach towards k-means Clustering Algorithm. In International Journal of Computer Applications. 2013. 65(11): 125-129. https://pdfs.semanticscholar.org/99bb/dc0435b10476f61a778e0ab00301704c647c.pdf

7. Yedla M., Pathakota S.R., Srinivasa T.M. Enhanced K-means Clustering Algorithm with Improved Initial Center. In International Journal of Science and Information Technologies. 2010. 1(2): 121-125. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.421.7070&rep=rep1&type=pdf

8. Nazeer K.A.A., Sebastian M. P. Improving the Accuracy and Efficiency of the k-means Clustering Algorithm. In Proceedings of the World Congress on Engineering. 2009. https://www.researchgate.net/profile/K_A_Nazeer/publication/44260003_Improving_the_Accuracy_an d_Efficiency_of_the_k-means_Clustering_Algorithm/links/ 0fcfd51356e00827b8000000.pdf

9. Jose A, Ravi S, Sambath M. Brain tumor segmentation using k-means clustering and fuzzy c-means algorithms and its area calculation. International Journal of Innovative Research in Computer and Communication Engineering. 2014. 2(3): 3496-3501.

10. Das A., Sabut S.K. Kernelized fuzzy C-means clustering with adaptive thresholding for segmenting liver tumors. Proceedings on Computer Science. 2016. 92: 389-395. http://doi.org/10.1016/j.procs.2016.07.395.

11. Chan T. F., Vese L. A. Active contours without edges. Image processing, IEEE Transactions on. 2001. 10(2): 266-277. http://w3.mi.parisdescartes.fr/~lomn/Cours/CV/Se-qVideo/Articles/ChanLevelSet.pdf

12. Salem M.B., Ettabaa K.S., Bouhlel M.S. Hyperspectral image feature selection for the fuzzy c-means spatial and spectral clustering. In International Image Processing, Applications and Systems (IPAS) IEEE. 2016: 1-5. https://doi.org/doE10.1109/ipas.2016.7880114

13. Sardooi E.R., Azareh A., Choubin B., Barkhori S., Singh V.P., Shamshirband S. Applying the remotely sensed data to identify homogeneous regions of watersheds using a pixel-based classification approach. Applied Geography. 2019. 111: 102071. https://doi.org/doi:10.1016/j.apgeog.2019.102071

14. Xie T, Jiang H, Wang J, Tian X., Xu A.A. A new recognition algorithm of the lunar mare area basing on the DEM contrast. In International Conference on Advanced Materials and Engineering Structural Technology (2015 Apr 25). https://www.researchgate.net/profile/Junlin_Wang2/publication/295819542_A_new_recognition_algorithm_of_the_lunar_mare_area_based_on_the_DEM_contrast/links/56cdbc2408ae85c8233e66f1/A-new-recognition-algorithm-of-the-lunar-mare-area-based-on-the-DEM-contrast.pdf

15. Пестунов И.А., Синявский Ю.Н. Алгоритмы кластеризации в задачах сегментации спутниковых изображений // Вестник КемГУ. 2012. 4(52): 110-125. URL: https://cyberleninka.ru/article/v/algoritmy-klasterizatsii-v-zadachah-segmentatsii-sputnikovyh-izobrazheniy

16. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с.

17. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988. 176 с.

18. Харинов М.В., Ханыков И.Г. Применение метода Уорда для кластеризации пикселей цифрового изображения // Вестник БГУ. Математика, информатика. 2016. 4: 34-42. http://doi.org/10.18101/2304-5728-2016-4-34-42.

19. Харинов М.В., Ханыков И.Г. Оптимизация кусочно-постоянного приближения сегментированного изображения // Труды СПИИРАН. 2015. 3(40): 183-202. https://doi.org/10.15622/sp.40.12.

20. Khanykov I.G., Kharinov M.V., Patel C. Image segmentation improvement by reversible segment merging. 2017 International Conference on Soft Computing and its Engineering Applications (icSoftComp). IEEE, 2017. http://doi.org/10.1109/ICSOFTCOMP.2017.8280096

21. Харинов М.В. Кластеризация пикселей иерархически структурированного изображения // Информационно-измерительные и управляющие системы. 2019. 17(5): 30-43. http://doi.org/10.18127/j20700814-201905-05.

22. Харинов М.В. Обобщение трех подходов к оптимальной сегментации цифрового изображения // Труды СПИИРАН. 2013. 2(25): 294-316. http://www.mathnet.ru/links/d13b2a4e766e53f82eb216ba6367bf29/trspy552.pdf