Конечно, трудно дать исчерпывающее описание такого вопроса, как алгоритмы для анализа данных. Здесь мы попытались сделать лищь некоторые обобщения, которые не подходят для всех ситуаций. Однако, поскольку они основаны на четко определенных принципах, эти обобщения являются хорошим исходным пунктом при рассмотрении алгоритмов анализа на спектральной основе.

Дополнительная пространственная информация. А если самые сложные данные и самый сложный алгоритм недостаточны для получения необходимой информации? Примеры, данные выше, были основаны только на спектральных изменениях. Из основ дистанционного зондирования мы знаем, что информация также содержится в пространственных и временных изменениях энергии. Тогда следующим шагом для извлечения информации может быть использование алгоритма, основанного не только на спектральных, но и на пространственных изменениях. Хотя раньше мы не рассматривали такие алгоритмы, они, конечно, возможны. Они основаны на том, что статистические зависимости спектральных откликов соседних элементов изображения также содержат информацию.

Представим себе сцену, состоящую из некоторого числа объектов, причем объект представляет собой непрерывную область сцены, где название класса не меняется; например, объектом может считаться сельскохозяйственное поле. Если классы сцены можно различить только на спектральной основе, тогда пространственное разрешение для сканирования сцены не обязательно должно быть намного меньше размера самого маленького объекта для определения его класса. Если пространственное разрещение лучше и на объект приходится несколько эле-ч ментов разрешения, с помощью алгоритмов, основанных на пространственной и спектральной информации, можно успешно идентифицировать объекты (классы), которые нельзя распознать только с использованием спектральных данных [8]. Мгновенное поле зрения должно быть достаточно малым. Это необходимо для успешной передачи отличительной характеристики пространственного изменения класса объекта.

При использовании пространственной информации, как известно, необходимы локальные пространственные характеристики, т. е. пространственные изменения внутри объектов; однако ясно, что если сцену рассматривает человек, он использует не только изменения внутри объекта для идентификации классов сцены. Вполне возможна разработка алгоритмов машинной обработки, в которых также использовались бы эти более общие характеристики. Размер и форма объектов, а также их расположение в областях-все это несущие информацию признаки данных. Хотя подробное рассмотрение такой обработки выходит за рамки нашей книги, можно легко представить себе возможную степень сложности алгоритма, который будет использоваться в будущих системах анализа данных. 380

Мерархическая классификация

В качестве еще одного примера того, какую пользу может принести усложнение алгоритма, рассмотрим использование более сложной логики решения. Вспомним изложенную ранее идею информационного дерева. На рис. УП.2 показано информационное дерево, которое состоит из классов, имеющих информативную ценность. Можно спроектировать классификатор, с помощью которого окончательное решение относительно элемента изображения достигается после принятия нескольких промежуточных решений; в процессе принятия решения информационное дерево мол<ет служить в качестве карты. Вначале элемент изображения классифицируется в соответствии с классами I уровня дерева. Затем вьшолняется дальнейшая классификация элемента изображения при прохождении им последовательных уровней по ветвям дерева [9]. Эта более сложная логика решения имеет ряд преимуществ. Первое преимущество: можно избежать определенных типов нелогичных ошибок. Например, элемент изображения в середине сельскохозяйственного поля не будет ошибочно классифицирован в класс леса.

Второе преимущество состоит в том, что в каждом узле дерева меньше альтернативных классов. В результате этого для множества признаков, используемого в данном узле, возможен подбор меньшего числа альтернатив. Это может привести не только к увеличению точности, но и к повышению эффективности вычислений.

Существует третья возможность для такой иерархической логики решения - можно в случае необходимости менять сам алгоритм классификации в каждой точке ветвления (узле). Предположим, например, что обрабатывается множество, состоящее из многоспектральных данных, с многомерным гауссовым распределением, и топографических данных, не имеющих такого распределения. Классификации можно выполнить с помощью только многоспектральных данных в некоторых узлах и простого квантования по уровню топографических данных в других. Изменение алгоритма классификации или множества признаков может помочь также в случае многовременных данных. Например, уровни дерева решения могут представлять собой отдельные моменты сбора данных, причем классификация в более поздние моменты времени должна выполняться с учетом классификации в предыдущие моменты сбора данных.

Целью этого обсуждения было лишь показать, что у проектировщика или оператора системы есть много альтернатив при выборе алгоритмов обработки. И, конечно, при продолжении исследования число альтернатив будет увеличиваться. Таким образом, важно не только знать определенные алгоритмы, но также понимать более общие принципы, на которых они основаны.

Реализация алгоритмов на ЭВМ

После выбора алгоритмов для обработки данных следует рассмотреть способ их реализации. Выбор обычно во многом зависит от экономических факторов, которые включают производительность обработки максимального объема данных в единицу времени (за день) и весь период времени реализации (не важно, в какой форме) или амортизации. В самой обобщенной форме приводимый ниже перечень типов реализации дает ряд возможностей: 1) платные услуги, 2) универсальное программное обеспечение на универсальной ЭВМ, 3) специализированное программное обеспечение на универсальной ЭВМ, 4) специализированная аппаратура.

Когда необходимо обработать ограниченный объем данных или выполнить обработку за короткий период времени, можно» прибегнуть к платным услугам. Это минимизирует первоначальные затраты, которые в случае небольшого объема данных для анализа составят основную стоимость реализации.

В следующую очередь следует рассмотреть использование универсальной ЭВМ. То, что такие машины легко приспособлены и удобны, означает, что программную реализацию требуемых алгоритмов можно выполнить довольно быстро и недорого. Если объем данных большой, целесообразно потратить средства на подготовку программного обеспечения для оптимизации эффективности использования машины. Например, вместо-классификатора образов, написанного на Фортране, можно использовать процедуру поиска в таблице на машинном языке, а затем принять меры, чтобы в программном обеспечении наиболее эффективно использовался каждый компонент системы ЭВМ (основная память, память на диске, каналы и jr. д.). В данном примере специализированного программного обеспечения стоимость реализации хотя и выше, затраты на обработку единицы классификации могут быть меньше.

Если объем данных очень большой, то для получения высокой эффективности обработки может потребоваться даже больше первоначальных расходов. Такая эффективность обычно достигается путем реализации необходимых алгоритмов на специализированной аппаратуре.

Из вышеизложенного ясно, что при сравнении типов реализации необходимо согласовать первоначальные затраты со стоимостью единицы обработки. Кроме того, часто для достижения высокой эффективности обработки мы должны жертвовать гибкостью. Чем точнее определен круг задач, требующих решения,, тем с меньшим риском принимаются решения, в которых мы жертвуем гибкостью ради эффективности.

Следующий фактор, который необходимо учитывать, - это-динамика развития технологии. Поскольку возможности дальнейшего развития дистанционного зондирования (систем датчиков, алгоритмов обработки данных) остаются большими, сле-