Содержание к диссертации
Введение
Глава 1. Анализ специфики и методов текстурной сегментации. Постановка задачи исследования 11
1.1. Анализ текстурной сегментации аэрофотоснимков как задачи распознавания 11
1.1.1. Обоснование актуальности и необходимости исследования 11
1.1.2. Анализ существующих наработок по задачам сегментации относительно их применимости к аэрофотоснимкам 13
1.1.3. Общая схема текстурной сегментации как задачи распознавания 16
1.2. Анализ существующих методов разделения классов в признаковом пространстве 20
1.3. Вербальная постановка задачи исследования 35
Выводы по главе 38
Глава 2. Разработка и обоснование метода построения решающих функций в признаковом пространстве на основе теории случайных функций 39
2.1. Представление решающих функций как реализаций случайных функций 39
2.2. Разработка метода и обоснование его основных положений... 40
2.3. Оценка распределения вероятностей реализаций 51
2.4. Моделирование при условиях содержания погрешностей в эталонной выборке 52
Выводы по главе 56
Глава 3. Оценка приемлемости разработанного метода на основе постановки вычислительных экспериментов 59
3.1. Сравнительная оценка предлагаемого метода с методом ближайших соседей 60
3.1.1. Оценка влияния на разбиение признакового пространства изменения информативности признаков 61
3.1.2. Оценка влияния на разбиение признакового пространства корреляции признаков 67
3.2. Анализ и оценка результатов решения тестовых задач исследовательского проекта DELVE 74
3.2.1. Обзор методов моделирования исследовательского проекта DELVE 74
3.2.2. Анализ и оценка результатов тестирования на семействе тестов "Kin" 77
3.2.3. Анализ и оценка результатов тестирования на семействе тестов "Pumadyn" 90
3.2.4. Анализ и оценка результатов тестирования на семействе тестов "Bank" 103
3.2.5. Анализ и оценка результатов тестов "Boston" 106
3.3. Сравнительная оценка программного продукта предлагаемого метода с нейросетевыми аналогами 108
Выводы по главе 119
Глава 4. Проектирование системы текстурной сегментации изображений на основе разработанного метода 120
4.1. Разработка системы текстурной сегментации аэрофотоснимков 120
4.1.1. Структурная схема построения системы текстурной сегментации аэрофотоснимков 120
4.1.2. Анализ особенностей задач обработки фотоизображений 124
4.1.3. Программная реализации предложенной системы 125
4.2. Результаты практической апробации предлагаемой системы.. 129
4.2.1. Сегментация аэрофотоснимков площадных объектов различного хозяйственного и природного назначения 129
4.2.2. Количественная оценка качества сегментации 134
4.3. Возможности применения разработанного метода вычисления решающих функций в других областях 137
Выводы по главе 141
Заключение 142
Список литературы 146
Приложения 155
- Обоснование актуальности и необходимости исследования
- Представление решающих функций как реализаций случайных функций
- Сравнительная оценка предлагаемого метода с методом ближайших соседей
- Разработка системы текстурной сегментации аэрофотоснимков
Введение к работе
В условиях перехода от индустриального к информационному обществу, разработка методов и алгоритмов, позволяющих осуществлять компьютерную обработку видео-изображений земной поверхности, помогающих в анализе и понимании аэрофотоснимков имеет огромное государственное значение. Одним из подобных инструментов является текстурная сегментация, которая может быть использована в различных сферах человеческой деятельности, где может быть актуальной обработка аэрофотоизображений: геологическом картографировании, оценке лесов, мониторинге земель, прогнозировании и мониторинге чрезвычайных и аварийных ситуаций, экологическом мониторинге, ледовой разведки.
Одним из путей сегментации изображений естественных сцен является использование распознавателя текстур, обучаемого на примерах. Сегментация выполняется путем описания изображения в пространстве признаков и классификации текстур, осуществляемой с помощью решающих функций, разделяющих классы в признаковом пространстве. Эффективность разделения признакового пространства, в значительной мере определяет качество сегментации изображения. Без эффективного метода определения решающих функций даже высокоинформативные признаки не будут реализовывать своего полного потенциала, и результат может оказаться не пригодным для использования. В то же время, не смотря на широкий выбор методов разбиения пространства признаков, все они обладают недостатками.
В связи с этим, дальнейшее развитие методов текстурной сегментации, на основе совершенствования способов разделения классов в признаковом пространстве по набору эталонных примеров представляется весьма актуальным.
В качестве объекта исследования выбрана текстурная сегментация изображений. Предмет исследования — численные методы разбиения пространства признаков применительно к задаче текстурной сегментации.
Целью диссертационного исследования является разработка и обоснование нового численного метода разделения пространства признаков, позволяющего повысить эффективность текстурной сегментации аэрофотоснимков объектов хозяйственного и природного назначения. Предлагаемый метод отличается от известных тем, что в его основу заложена теория случайных функций. Исходя из анализа существующих наработок в данной области, можно заключить, что научная задача, направленная на повышение эффективности текстурной сегментации путем разработки метода разделения пространства признаков на основе теории случайных функций ранее не рассматривалась.
Достижение цели исследования осуществляется последовательным решением следующих основных задач:
обоснование подхода к решению задачи текстурной сегментации на основе теории случайных функций;
разработка численного метода многомерной интерполяции;
сравнительный анализ разработанного метода с существующими;
экспериментальное исследование предлагаемого метода на множестве тестовых и реально существующих (прагматических) задач.
Методы исследования. Теоретическое исследование проводилось на основе существующих методов оптимизации, теории матриц, цифровой обработки сигналов, теории вероятностей, математической статистики, теории нейронных сетей, теории случайных функций, основ теории построения алгоритмов и программ.
Научная новизна результатов работы:
Решение задачи разбиения пространства признаков на основе теории случайных функций применительно к текстурной сегментации.
Доказана адекватность получаемых с помощью разработанного метода интерполяционных моделей для выбранных ограничений и допущений.
Разработан способ построения решающих функций в виде вероятностных распределений значений параметров отклика.
7 Практическая значимость результатов работы:
Методика, позволяющая вычислять многомерные нелинейные решающие функции по набору эталонных примеров, с качеством, не уступающим наилучшим существующим методам, в данной предметной области.
Программный продукт реализации предлагаемого метода, позволяющие улучшить технико-экономические показатели процесса обработки аэрофотоснимков.
Реализация полученных результатов работы:
метод построения математических моделей на основе экспериментальных данных наблюдения;
пакет прикладных программ, реализующих разработанный метод при анализе изображений.
Внедрены в ФГУП "ГОИ им. СИ. Вавилова", при выполнении НИР 12-200-060-03 "Создание методов, алгоритмов и программного обеспечения текстурного и структурного анализа видео информации".
- методика расчета многомерных нелинейных решающих функций по
набору эталонных примеров.
Внедрена в муниципальном учреждении "Центр муниципальных информационных ресурсов и технологий" г. Череповца при выполнении совместных научно-исследовательских работ.
Достоверность полученных результатов обеспечивается корректным использованием математического аппарата, а также современных методов и алгоритмов, проверенных на практике.
Апробация работы.
Основные научные результаты диссертационной работы изложены в
статьях в журналах "Приборостроение" (Т.48, № 2 2005 г.), "Современные
проблемы информатизации в системах моделирования, программирования и
телекоммуникациях" (Воронеж, вып. 9, 2004 г.), "Перспективные
8 информационные технологии и интеллектуальные системы" (Таганрог, № 3, 2003 г.) а также докладывались и обсуждались на Международной научной конференции " Информатизация процессов формирования открытых систем на основе СУБД, САПР, АНСИ и систем искусственного интеллекта" (г. Вологда, 2001 г.), на VIII Всероссийской Конференции «Нейрокомпьютеры и их применение» (г. Москва, 2002 г.), на IV Межвузовской конференции молодых ученых (г. Череповец, 2003 г.), на II Межвузовской научно-методической конференции «Образование, наука, бизнес: особенности регионального развития и интеграции» (г. Череповец, 2003 г.), на Международной научно-практическая конференции «» (г. Вологда, 2003 г.), на IV Международной научно-технической конференции «Прогрессивные процессы и оборудование металлургического производства» (г. Череповец, 2003 г.), на VI Всероссийской научно-технической конференции "Нейроинформатика - 2004" (г. Москва 2004 г.), на Восьмой Международной Конференции NDTCS-2004 (г. Санкт-Петербург 2004 г.).
Публикации. По теме диссертации опубликовано 13 печатных работ, в том числе 9 статей и 3 тезиса докладов.
На защиту выносится:
Метод определения многомерных нелинейных решающих функций для разбиения пространства признаков разработанный на основе теории случайных функций;
Методика построения системы текстурной сегментации аэрофотоснимков по набору примеров эталонных изображений текстур;
Способ построения решающих функций в виде вероятностных распределений значений параметров отклика.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 91 наименований и приложений. Общий объем диссертации 181 страница
9 машинописного текста, в том числе: 154 страницы основного текста и 27 страниц приложений, 85 рисунков, 34 таблиц.
Во введении дается обоснование актуальности темы и научной задачи исследования, излагаются его цели и содержание, выделяется научная новизна и практическая значимость полученных результатов, излагаются их реализация, апробация и публикации.
В первой главе на основе анализа известных научных положений в данной области выявлены достоинства и недостатки существующих методов, обоснована необходимость разработки метода разделения классов в признаковом пространстве, произведена постановка научной задачи исследования.
Вторая глава посвящена уточнению представлений решающих функций как реализаций случайных функций, формализации и решению задачи поиска наиболее вероятной реализации, приводящих к определению метода разбиения признакового пространства.
В третьей главе на основе постановки вычислительных экспериментов разработанный метод проверяется на приемлемость при помощи соответствующих тестов. Сравнение полученных результатов по различным методам осуществлялось на основе тестов исследовательского проекта DELVE, так как они решают задачу построения многомерных функций по набору эталонных примеров. Здесь также проведено тестирование и сравнение разработанного метода (программы, его реализующей) с программными продуктами, реализующими нейросетевые алгоритмы.
В четвертой главе рассмотрены принципы построения системы текстурной сегментации аэрофотоснимков на основе разработанного метода. Приводятся данные о результатах апробации метода на реальных практических задачах. Разработанный метод был применен в ходе выполнения научно-исследовательских работ в ФГУП 'ТОЙ им. СИ. Вавилова".
В заключении сделаны выводы по результатам, полученным в ходе выполнения диссертационной работы.
В приложениях приведены экспериментальные выборки и промежуточные результаты тестовых и прагматических задач, использованные при исследовании разработанного метода.
Обоснование актуальности и необходимости исследования
Технологии оперативного доступа к аэрофотоснимкам, космическим фотоснимкам высокого разрешения для получения информации с целью мониторинга природных ресурсов, хозяйственной деятельности претерпели за последнее время серьезные изменения. Уникальная информация о состоянии земной поверхности стала доступна региональным структурам, в круг обязанностей которых входит проведение мониторинговых наблюдений и принятие решений по результатам анализа складывающейся в регионах обстановки. Развитие коммуникационных сетей дало возможность вовлечь в процесс обработки дистанционной информации различных специалистов и сделать доступными обширные архивы материалов космической или аэрофотосъемки. Подобный информационный скачок явился стимулом развития методологии и технологии обработки и применения данных зондирования земли в традиционных сферах: геологическом картографировании, оценке лесов, мониторинге земель, прогнозировании и мониторинге чрезвычайных и аварийных ситуаций, экологическом мониторинге, ледовой разведки.
Кроме того, что не менее важно, стали появляться новые направления использования аэрофотоснимков в отраслях, находящихся на стыке различных направлений, к которым можно отнести: картографирование местообитаний редких и ценных видов животных (оценка мест предполагаемых кормовых участков, гнездований, коридоров миграции) для последующего планирования природоохранных и промысловых мероприятий, выявление массивов уникальных растительных группировок и ареалов редких растений (мониторинг площадей старовозрастных лесов севера Европейской части России). По материалам регулярных аэрофотосъемок стал возможным оперативных анализ социально-экономических особенностей, отражающихся в структуре и динамике ресурсопользования, проведение исторических реконструкций для целого ряда административных территорий в различных ландшафтных зонах.
Наблюдающийся повышенный интерес к использованию аэрофотоснимков в различных сферах хозяйственной деятельности человека ставит задачи не только по разработке средств и способов их получения, но также возникает вопрос создания и применения новых методов и алгоритмов для компьютерной обработки получаемых данных, приведения изображений к виду, удобному для анализа, обеспечивающих извлечение из изображения полезной информации.
Одной из наиболее сложных и актуальных проблем компьютерной обработки аэрофотоснимков является решение задачи выделения и распознавания природных или антропогенных объектов. Как правило, одним из наиболее важных этапов такого распознавания является сегментация изображения — выделение однородных областей, что может иметь большое значение само по себе (например, при анализе площадных объектов), либо может использоваться для решения последующих задач анализа изображений, например при задачах поиска того или иного объекта. Однако часто, даже для сравнительно легко дешифруемых при визуальном анализе объектов, бывает трудно построить формализованный алгоритм компьютерной сегментации изображения.
Наиболее простой и часто используемый в системах технического зрения метод сегментации основывается на разделении изображения по яркостному порогу [87]. Для этого используются интенсивности (зачерненности) каждого элемента изображения. При повышении интенсивности некоторого выбранного порогового значения рассматриваемый элемент классифицируется как компонента объекта, в противном случае - как элемент фона. Однако подобный подход к сегментации аэрофотоснимков не применим, поскольку разные объекты, изображенные на нем могут иметь одну и ту же яркость, или наоборот, один и тот же объект может значительно отличаться по яркости в разных точках изображения, например лесной массив.
Более перспективные существующие методы сегментации основаны на разделении изображения на области по типу текстуры, где под текстурой понимается элементарный повторяющийся рисунок. Уже давно стало ясно, что текстура является ценным признаком для анализа изображений. Однако применению этой идеи на практике препятствовало отсутствие надежных и эффективных способов обнаружения и измерения параметров текстуры. Существует несколько подходов к решению данной проблемы, использующих стандартные дискретные преобразования. Один из подходов к текстурной сегментации состоит в подсчете некоторой меры зернистости текстуры во всех точках изображения с последующим обнаружением изменений этой меры [83]. Фактически исходное изображение подвергается предварительной обработке с тем, чтобы преобразовать его в яркостное изображение. Основная трудность, связанная с этим подходом, состоит в том, что параметры текстуры измеряются в некотором окне, в результате чего при преобразовании в яркостное изображение, теряется граница между текстурными областями.
Представление решающих функций как реализаций случайных функций
При изучении явлений окружающего мира приходится часто сталкиваться с процессами, явлениями, течение которых точно предсказать невозможно. Теорией случайных функций называется математическая наука, изучающая закономерности случайных явлений в динамике их развития. Аналогично тому, как понятие случайного процесса является обобщением понятия случайной величины, случайная функция является обобщением понятия случайного процесса, поскольку функции могут зависеть не от одного, а от нескольких аргументов.
Реализациями случайной функции (случайного процесса) являются неслучайные функции, вид которых она принимает при наблюдении, или, например, при проведении опыта. Сама же случайная функция представляет собой совокупность своих реализаций, с соответствующим распределением вероятностей. Поэтому множество случайных функций, является расширением множества неслучайных. Для любой функции, проявления которой мы можем наблюдать, всегда можно поставить в соответствие случайный процесс, реализацией которого она будет являться.
При решении задачи разделения пространства признаков на области, мы ищем требуемые решающие функции, среди бесконечного множества возможных, каждая из которых может удовлетворять эталонным примерам. При создании любого метода решения, выбор всегда будет осуществляться на основе определенных положений. Будем считать, что искомую нами случайную функцию можно рассматривать как реализацию некоторой случайной функции, принявшей некоторый вид, о котором несет информацию рассматриваемый набор эталонных примеров. Поиск решающей функции в этом случае, превращается в поиск наиболее вероятной из реализаций, удовлетворяющих набору эталонных примеров. Эта идея является основой предлагаемого на рассмотрение в данной работе метода. Для любой наблюдаемой в окружающем мире функции мы всегда можем поставить в соответствие случайную функцию, реализацией которой она будет являться, поэтому считая решающую функцию реализацией случайной функции, не уточняя ее характеристик, мы не делаем никаких дополнительных предположении или допущений, но в то же время можем использовать математический аппарат теории случайных функций. Адекватность полученных таким образом классификаторов, их область применимости, будет целиком определяться тем, какими конкретными характеристиками мы наделим случайную функцию, используя которую мы будем решать задачу.
Для анализа возможностей выбранного подхода к проблеме и как направления к конечной цели метода построения решающих функций на основе положений теории случайных функций, опишем математически представление реализации случайной функции, и проведем рассуждения.
Рассмотрим сначала задачу построения по данным наблюдения математической модели, аппроксимирующей некоторую неизвестную зависимость между набором входных параметров и одним выходным, на основе представления случайных функций. Решив данную задачу, и затем, обобщив ее на вариант с несколькими выходами, мы получим нужный нам метод.
Таким образом, можно сделать вывод, что наиболее вероятной реализацией случайной функции вида (2.2), удовлетворяющей данным наблюдения, будет линейная комбинация сечений ее корреляционных функций.
Следовательно, зная корреляционную функцию и математическое ожидание, решив систему уравнений (2.14), мы получим наиболее вероятную реализацию (2.15) в рамках данной случайной функции (случайного процесса).
Полученную модель можно легко обобщить на вариант с несколькими выходами, поскольку левая часть уравнений (2.14) будет одинаковой (если конечно зависимость между входами и разными выходами можно рассматривать, пользуясь одной корреляционной функцией). В этом случае все расчеты сведутся к вычислению обратной матрицы для системы (2.14).
Рассмотрим случай, когда нет дополнительной информации о том, в рамках какой случайной функции (случайного процесса) можно решать поставленную задачу. Устранение неопределенности осуществляется выбором корреляционной функции, сделав определенные предположения. Для этого введем набор положений о вероятностях существования той или иной реализации рассматриваемого случайного процесса.
Рассмотрим функцию одной переменной, в этом случае примем что: 1. Вероятность функции f(x), равна вероятности функции f(x+t), для любых t. (что равносильно сдвигу функции относительно оси х). 2. Вероятность функции f(x), равна вероятности функции f(kx)/k. (что равносильно одинаковому изменению масштаба по осям).
Выполнение первого пункта означает, что случайная функция будет стационарной. В этом случае ее можно записать в виде спектрального разложения. Обозначим S(w) ее спектральную плотность.
Сравнительная оценка предлагаемого метода с методом ближайших соседей
Метод ближайших соседей является широко распространенным методом деления пространства признаков. В его основе используется в качестве критерия классификации расстояние до ближайших эталонных точек.
В первой главе данной работы был сделан вывод об ограниченности метода ближайших соседей, по сравнению с методами, которые при отнесении объекта к тому или иному классу ориентируются не только на расстояние до ближайших эталонов, но и делают это с учетом взаиморасположения самих эталонов между собой. Были проведены вычислительные эксперименты, для проверки данного утверждения, путем сравнения метода ближайших соседей с методом, разработанным в данной работе на основе теории случайных функций. В представленном методе при расчете решающих функций учитывается расположение всех эталонных точек относительно друг друга.
Как уже было отмечено в первой главе, под методом ближайших соседей может пониматься множество различных алгоритмов, которые могут отличаться между собой по количеству учитываемых соседей и способу, по которому производится оценка их влияния на разделение пространства признаков.
В тестировании было использовано 10 вариантов метода ближайших соседей. Перечислим методы, заодно введя их обозначения, которые будут использоваться в дальнейшем: БС1 - метод основан на нахождении одного ближайшего соседа и отнесения точки признакового пространства к тому классу, к которому принадлежит данный сосед. БС5 - метод основан на нахождении пяти ближайших соседей, и отнесения точки признакового пространства к тому классу, к которому принадлежит большинство из найденных соседей. БС10 - метод аналогичен БС5, но учитывается 10 ближайших соседей. БС15 - метод аналогичен БС5, но учитывается 15 ближайших соседей. БС5лин — метод основан на нахождении пяти ближайших соседей и принятия решения путем их дистанционного взвешивания, обратно пропорционально расстоянию до них. БСЮлин - метод аналогичен БС5лин, но учитывается 10 ближайших соседей. БС15лин — метод аналогичен БС5лин, но учитывается 15 ближайших соседей. БС5кв - метод основан на нахождении пяти ближайших соседей и принятия решения путем их дистанционного взвешивания, обратно пропорционально квадрату расстояния до них. БСЮкв — метод аналогичен БС5кв, но учитывается 10 ближайших соседей. БС15кв — метод аналогичен БС5кв, но учитывается 15 ближайших соседей. Под МСФ - будем понимать разработанный в работе метод, основанный на случайных функциях.
Рассмотрим, насколько эффективно разработанный метод при сравнении с методом ближайших соседей производит разбиение признакового пространства. Выявим зависимость процента правильной классификации от длины выборки эталонных примеров, а также от информативности признаков.
Будем считать, что эталонные точки лежат внутри гиперкуба и признаки принимают значения от 0 до 1. Таким образом, гиперплоскость (3.1) делит данный гиперкуб пополам.
Для оценки зависимости качества разбиения пространства от длины выборки, можем сгенерировать эталонные выборки различной длины. Качество же разбиения можно проверить на тестовой выборке.
Чтобы оценить влияние информативности признаков, можно ввести дополнительные признаки х6,х7,... и т.д., значения которых будут заданы случайно. Таким образом, появляется возможность оценить влияние появления неинформативных признаков на качество разделения классов для различных методов.
Разработка системы текстурной сегментации аэрофотоснимков
Требования, предъявляемые к системе текстурной сегментации изображений, ее характеристикам целиком определяются местом, которое она занимает в той или иной системе технического зрения, от конкретной области и задачи, которую данная система решает.
На Рис.4.1 представлена разработанная структурная схема системы текстурной сегментации, используемая в качестве основы при разработке программного комплекса. В ходе сегментации обрабатываемое изображение проходит ряд этапов.
Источник изображения обозначен блоком 1. Под источником изображения может пониматься широкий класс устройств, на выходе которых изображение представляется в каком-либо графическом формате, пригодном для компьютерной обработки: BMP, TIF, PCX и др. Затем изображение проходит предобработку (блок 2). Алгоритм предобработки целиком определяется конкретной решаемой задачей, что именно необходимо на изображении подчеркнуть, как повысить его информативность, возможно, устранить помехи, шум. Существует большое количество методов предобработки изображений: различные фильтры, формирование контурных изображений, бинериализация, геометрические преобразования и др., которые реализованы в блоке 4.
Рис.4.1. Структурная схема системы текстурной сегментации. Предложенная схема отличается тем, что применен разработанный автором метод разделения пространства признаков. Для его реализации вводятся блоки 6-9. Они позволяют создать классификатор для выполнения процедуры сегментации, получить систему решающих функций, что выполняется в ряд этапов. Для описания набора классов, по которым будет проводиться сегментация, формируется база эталонных изображений текстур (блок 6). Задается количество распознаваемых классов..Затем в базу заносятся примеры эталонных изображений текстур для каждого из них, которые необходимо при решении задачи сегментации соответственно классифицировать. Рис.4.2. Алгоритм создание таблицы эталонных векторов Следующим этапом является создание, на основе сформированной базы эталонных изображений в заданном ранее пространстве признаков наборов эталонных векторов (блок 7). Данную процедуру можно выполнить, выбрав случайным образом точки на эталонных изображениях и вычислив для них соответствующие вектора признаков (Рис.4.2.), получив таблицу эталонных векторов. По таблице эталонных векторов затем с помощью метода разделения пространства признаков, предложенного в данной работе, вычисляется набор решающих функций (блоки 8-9). По набору решающих функций строится классификатор (используя решающее правило по какому-либо критерию, например, минимальному риску Байеса), выполняющий сегментацию изображения (блок 10). На данном этапе можно ввести в систему использование матрицы рисков (блок 11) (4.1). Она может потребоваться, например, когда ошибки пропуска и ложного обнаружения для какого-то типа текстур (ошибочной классификации і-го типа текстуры вместо j-ro типа) различны. В этом случае сегментацию можно проводить минимизируя ожидаемые потери (4.2). Построенную систему можно протестировать, используя для этого специальный сформированный для этих целей тестовый массив текстур (блок 13-14). В случае неудовлетворительных результатов тестирования может потребоваться изменить базу эталонных изображений, таблицу эталонных векторов, вычислить заново решающие функции (блоки 6-9).
В зависимости от класса решаемой в конкретной системе технического зрения задачи, текстурная сегментация аэрофотоснимков может играть различную роль. При решении задач реконструкции (улучшении) аэрофотоснимков может быть важным выделение однородных участков текстур, в условиях помех на изображении. В этом случае текстурная сегментация может применяться для повышения информативности изображения, лучшего восприятия его человеком, привлечения внимания к некоторым его областям. В системах классификации и поиска текстурная сегментация может быть использована, в случае если классифицируемые объекты (или область поиска объекта на изображении) обладают уникальным видом текстуры, это особенно может иметь большое значение, когда искомый объект находится на неоднородном фоне. В задачах анализа сцен и прогноза ситуаций текстурная сегментация аэрофотоснимков может использоваться как вспомогательная процедура для разделения изображения на области. При использовании сегментации в конкретных практических приложениях необходимо решить ряд частных задач: выбор оптимального разрешения аэрофотоснимков и размера анализируемых текстур. Во многом этот выбор будет взаимосвязан с выбором пространства признаков и возможных способов предобработки изображения, поскольку информативность различных признаков может зависеть как от разрешения, размера текстуры, так и от того было ли оно каким-либо образом предобработано.
![Научное обоснование и разработка модели прогнозирования исходов болезней системы кровообращения на уровне популяции на основании оценки индивидуального риска [Электронный ресурс]](/i/i/4472/168245.png "Научное обоснование и разработка модели прогнозирования исходов болезней системы кровообращения на уровне популяции на основании оценки индивидуального риска [Электронный ресурс] Леонов Николай Вячеславович")
