(42-5) 18 * << * >> * Русский * English * Содержание * Все выпуски

Информационная технология обработки данных ДЗЗ для оценки ареалов растений
Варламова А.А., Денисова А.Ю., Сергеев В.В.

Самарский национальный исследовательский университет имени академика С.П. Королева, 443086, Россия, г. Самара, Московское шоссе, д. 34;
ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН, 443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 984kB

DOI: 10.18287/2412-6179-2018-42-5-864-876

Страницы: 864-876.

Аннотация:
В статье предлагается информационная технология обработки данных дистанционного зондирования Земли для оценки ареалов растений, основанная на вычислении локальных признаков, полученных по суперпиксельному представлению изображений, и кластеризации K-Means. Технология представляет собой автоматизированный способ оценки состава растительного ареала по заданной пользователем обучающей выборке. Достоинствами предлагаемой технологии являются использование меньшего объема данных для обучения, чем для поэлементной классификации, и более высокое качество классификации по сравнению с поэлементной классификацией.

Ключевые слова:
суперпиксельная сегментация, кластеризация, ареалы растительности, процентный состав.

Цитирование:
Варламова, А.А. Информационная технология обработки данных ДЗЗ для оценки ареалов растений / А.А. Варламова, А.Ю. Денисова, В.В. Сергеев // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 864-876. – DOI: 10.18287/2412-6179-2018-42-5-864-876.

Литература:
  1. Воробьёва, Н.С. Информационная технология раннего распознавания видов сельскохозяйственных культур по космическим снимкам / Н.С. Воробьёва, В.В. Сергеев, А.В. Чернов // Компьютерная оптика. – 2016. – Т. 40, № 6. – С. 929-938. – DOI: 10.18287/2412-6179-2016-40-6-929-938.
  2. Yu, Q. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery / Q. Yu, P. Gong, N. Clinton, G. Biging, M. Kelly, D. Schirokauer // Photogrammetric Engineering & Remote Sensing. – 2006. – Vol. 72(7). – P. 799-811. – DOI: 10.14358/PERS.72.7.799.
  3. Синявский, Ю.Н. Методы и технология сегментации мультиспектральных изображений высокого разрешения для исследования природных и антропогенных объектов / Ю.Н. Синявский, И.А. Пестунов, О.А. Дубров­ская, С.А. Рылов, П.В. Мельников, Н.Б. Ермаков, М. А. Полякова // Вычислительные технологии. – 2016. – Т. 21, № 1. – С. 127-140.
  4. Chang, S.-H. 79-channel airborne imaging spectrometer / S.-H. Chang, M.J. Westfield, F. Lehmann, D. Oertel, R. Richter // Proceedings of SPIE. – 1993. – Vol. 1937. – P. 164-173. – DOI: 10.1117/12.157053.
  5. Flanders, D. Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction / D. Flanders, M. Hall-Beyer, J. Pereverzoff // Canadian Journal of Remote Sensing. – 2014. – Vol. 29, Issue 4. – P. 441-452. – DOI: 10.5589/m03-006.
  6. Questier, F. The use of CART and multivariate regression trees for supervised and unsupervised feature selection / F. Questier, R. Put, D. Coomans, B. Walczak, Y. Vander Heyden // Chemometrics and Intelligent Laboratory Systems. – 2005. – Vol. 76, Issue 1. – P. 45-54. – DOI: 10.1016/j.chemolab.2004.09.003.
  7. MacQueen, J.B. Some methods for classification and analysis of multivariate observations / J.B. MacQueen // Proceedings of the Fifth Symposium on Math, Statistics, and Probability. – 1967. – Vol. 1. – P. 281-297.
  8. Mutanga, O. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm / O. Mutanga, E. Adam, M.A. Cho // International Journal of Applied Earth Observation and Geoinformation. – 2012. – Vol. 18. – P. 399-406. – DOI: 10.1016/j.jag.2012.03.012.
  9. Борзов, С.М. Классификация типов растительного покрова по гиперспектральным данным дистанционного зондирования Земли / С.М. Борзов, О.И. Потатуркин // Вестник Новосибирского государственного университета. Серия: Информационные технологии. – 2014. – Т. 12, № 4. – C. 13-22.
  10. Методы компьютерной обработки изображений / М.В. Гашников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мяс­ников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фур­сов; под ред. В.А. Сойфера. – Изд. 2-е, испр. – М.: Физматлит, 2003. – 784 с. – ISBN: 5-9221-0270-2.
  11. Felzenszwalb, P.F. Efficient graph-based image segmentation / P.F. Felzenszwalb, D.P. Huttenlocher // International Journal of Computer Vision. – 2004. – Vol. 59, Issue 2. – P. 167-181. – DOI: 10.1023/B:VISI.0000022288.19776.77.
  12. Shi, J. Normalized cuts and image segmentation / J. Shi, J. Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2000. – Vol. 22, Issue 8. – P. 888-905. – DOI: 10.1109/34.868688.
  13. Liu, M.-Y. Entropy rate superpixel segmentation / M.-Y. Liu, O. Tuzel, S. Ramalingam, R. Chellappa // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2011. – P. 2097-2104. – DOI: 10.1109/CVPR.2011.5995323.
  14. Achanta, R. SLIC superpixels compared to state-of-the-art superpixel methods / R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Süsstrunk // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34, Issue 11. – P. 2274-2282. – DOI: 10.1109/TPAMI.2012.120.
  15. Li, Z. Superpixel segmentation using linear spectral clustering / Z. Li, J. Chen // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2015. – P. 1356-1363. – DOI: 10.1109/CVPR.2015.7298741.
  16. Wang, J. VCells: simple and efficient superpixels using Edge-Weighted Centroidal Voronoi Tessellations / J. Wang, X. Wang // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34, Issue 6. – P. 1241-1247. – DOI: 10.1109/TPAMI.2012.47.
  17. Kavelenova, L.M. Concerning the possibilities of successional changes revealing in anthropogenically transformed ecosystems on the base of remote sensing and ground-based survey data integration / L.M. Kavelenova, N.V. Prokhorova, E.S. Korchikov, A.Y. Denisova, D.A. Terentyeva // CEUR Workshop Proceedings. – 2017. – Vol. 1901. – P. 99-103.
  18. Аншаков, Г.П. Комплексирование гиперспектральных и мультиспектральных данных КА «Ресурс-П» для повышения их информативности / Г.П. Аншаков, А.В. Ращупкин, Ю.Н. Журавель // Компьютерная оптика. – 2015. – T. 39, № 1. – С. 77-82. – DOI: 10.18287/0134-2452-2015-39-1-77-82.
  19. Сергеев, Г.А. Статистические методы исследования природных объектов / Г.А. Сергеев, Д.А. Янутш. – Л.: Гидрометеоиздат, 1973. – С. 112.
  20. Ma, J.-Q. Content-based image retrieval with HSV color space and texture features / J.-Q. Ma // IEEE International Conference on Web Information Systems and Mining. – 2009. – P. 61-63. – DOI: 10.1109/WISM.2009.20.
  21. Singh, K.K. Shadow detection and removal from remote sensing images using NDI and morphological operators / K.K. Singh, K. Pal, M.J. Nigam // International journal of computer applications. – 2012. – Vol. 42, Issue 10. – P. 37-40. – DOI: 10.5120/5731-7805.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20