В настоящее время широко применяются параметрические модели при автоматизированном дешифрировании природных объектов. Параметрические модели основаны на количественных признаках, и большинство таких моделей использует нормальный закон распределения вероятностей. Это позволяет упростить решение задачи распознавания образов. При дешифрировании снимков среднего и низкого пространственного разрешения (хуже 15 метров) это предположение допустимо. Однако, достоверность распознавания природных объектов, в том числе породного состава лесных массивов по космическим снимкам высокого пространственного разрешения с помощью применения параметрических моделей оказывается низкой.
Предложенный в работах [1, 2] статистический непараметрический подход к дешифрированию многоспектральных снимков высокого пространственного разрешения позволяет значительно повысить результаты распознавания различных классов объектов. Для всех классов объектов, которые требуется распознать по их изображениям, создаются эталонные признаки в виде функций плотности распределения вероятностей для яркостей соответствующих элементов многоспектрального изображения. Эталонные функции получают по выборкам достаточно большого размера, принадлежащих различным классам объектов, для каждой многоспектральной съемочной системы.
Таким образом, необходимо сформировать банк данных функций распределения и плотности распределения для всех требуемых при распознавании классов объектов. Сущность предложенного подхода заключается в получении функции плотности распределения вероятностей эталонного объекта и вычисление уровня соответствия функции распределения, полученной по измерениям изображения объекта на дешифрируемом снимке, и отнесения объекта к тому или иному классу. Следует отметить, в результате выполненных экспериментальных исследований в качестве решающего правила при оценке функций плотности распределения вероятностей было выбрано значение коэффициента корреляции Пирсона между двумя рассчитанными функциями по изображениям, а при оценке функций распределения – предложенный авторами частный случай критерия Колмогорова.
В докладе приводятся результаты выполненных исследований эффективности дешифрирования породного состава лесных массивов по космическим снимкам высокого пространственного разрешения статистическим непараметрическим способом. Показано, что распознавание образа объекта на изображении может быть получен по исходному изображению, или преобразованному изображению, полученному путем сглаживания, дифференцирования или преобразований различного типа, например с помощью вегетационного индекса NDVI, PCA (principal component analysis), Tasseled Cap. Исследования показали, что применение передоложенного подхода на практике дает высокую степень вероятности распознавания породного состава лесных массивов.