Пространственная классификация гиперспектральных изображений с использованием метода кластеризации k-means++
Зимичев Е.А., Казанский Н.Л., Серафимович П.Г.

PDF, 458 kB

DOI: 10.18287/0134-2452-2014-38-2-281-286

Страницы: 281-286.

Аннотация:
Предлагается и исследуется комплексный метод классификации гиперспектральных изображений с учётом пространственной близости пикселей. Ключевой особенностью метода является то, что он использует распространённые и достаточно простые алгоритмы для достижения высокой точности. Метод комбинирует результаты попиксельной классификации с использованием метода опорных векторов и множества контуров, полученных в результате кластеризации изображения методом k-means++. Для предотвращения избыточной обработки схожих данных используется метод главных компонент. Предложенный метод позволяет повысить точность и скорость классификации гиперспектральных данных.

Ключевые слова :
гиперспектральные изображения, классификация, сегментация, метод опорных векторов, метод k-means++.

Литература:

  1. Фурсов, В.А Тематическая классификация гиперспектральных изображений по показателю сопряжённости / В.А. Фурсов, С.А. Бибиков, О.А. Байда // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 154-158.
  2. Журавель, Ю.Н. Особенности обработки гиперспектральных данных дистанционного зондирования при решении задач мониторинга окружающей среды / Ю.Н. Журавель, А.А. Федосеев // Компьютерная оптика. – 2013. – Т. 37, № 4. – С. 471-476.
  3. Гашников, М.В. Иерархическая сеточная интерполяция при сжатии гиперспектральных изображений / М.В. Гашников, Н.И. Глумов // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 87-93.
  4. Green, R.O. Imaging spectroscopy and the airborne visible/infrared imaging spectrometer (AVIRIS) / R.O. Green [et al.] //Remote Sensing of Environment. – 1998. – V. 65(3). – P. 227-248.
  5. Rickard, L.J. HYDICE: An airborne system for hyperspectral imaging / L.J. Rickard [et al.] //Optical Engineering and Photonics in Aerospace Sensing. – International Society for Optics and Photonics, 1993. – P. 173-179.
  6. Cristianini, N. An introduction to support vector machines and other kernel-based learning methods / N. Cristianini, J. Shawe-Taylor. – Cambridge university press, 2000.
  7. Gualtieri, J.A. Support vector machines for hyperspectral remote sensing classification / J.A. Gualtieri, R.F. Cromp // The 27th AIPR Workshop: Advances in Computer-Assisted Recognition. – International Society for Optics and Photonics, 1999. – P. 221-232.
  8. Tarabalka, Y. Spectral–spatial classification of hyperspectral imagery based on partitional clustering techniques / Y. Tarabalka, J.A. Benediktsson, J. Chanussot // IEEE Transactions on Geoscience and Remote Sensing. – 2009. – V. 47(8). – P. 2973-2987.
  9. Ball, G.H. ISODATA, a novel method of data analysis and pattern classification / G.H. Ball, D.J. Hall. – Stanford research institute Publisher, 1965.
  10. Dempster, A.P Maximum likelihood from incomplete data via the EM algorithm / A.P. Dempster [et al.] // Journal of the Royal Statistical Society. – 1977. – V. 39(1). – P. 1-38.
  11. Vapnik, V. The nature of statistical learning theory. – Springer, 2000.
  12. Fauvel, M. Spectral and spatial methods for the classification of urban remote sensing data // Institut Technologique de Grenoble–Université d’Islande, Thèse de Doctorat, 2007.
  13. Rodarmel, C. Principal component analysis for hyperspectral image classification / C. Rodarmel, J. Shan // Surveying and Land Information Science. – 2002. – V. 62(2). – P. 115-122.
  14. Arthur, D. k-means++: The advantages of careful seeding / D. Arthur, S. Vassilvitskii // Proceedings of the eighteenth annual ACM-SIAM symposium on discrete algorithms. – Society for Industrial and Applied Mathematics, 2007. – P. 1027-1035.
  15. He, L. Fast connected-component labeling / L. He [et al.] // Pattern Recognition. – 2009. – V. 42(9). – P. 1977-1987.
  16. Bahmani, B. Scalable k-means++ / B. Bahmani [et al.] // Proceedings of the VLDB Endowment. – 2012. – V. 5(7). – P. 622-633.
  17. Scholkopf, B. Kernel principal component analysis / B. Scholkopf, A. Smola, K.R. Müller // Advances in kernel methods-support vector learning. – MIT Press Cambridge. – 1999. – P. 327-352.
© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20