(43-3) 15 * << * >> * Русский * English * Содержание * Все выпуски

 PDF, 1365 kB

DOI: 10.18287/2412-6179-2019-43-3-464-473

Страницы: 464-473.

Аннотация:
Работа посвящена исследованию эффективности методов контролируемой спектральной и спектрально-пространственной классификации гиперспектральных данных. В частности, на примере различения типов растительности рассмотрены методы минимального расстояния, опорных векторов, Махаланобиса, максимального правдоподобия. Значительное внимание уделено изучению зависимости точности классификации данных при применении перечисленных методов от количества и способа выбора спектральных признаков. Продемонстрирована перспективность совместной обработки спектральных и пространственных признаков, учитывающей коррелированность близкорасположенных пикселей. Приведены экспериментальные результаты, полученные при различных способах формирования обучающих выборок.

Ключевые слова:
дистанционное зондирование Земли, гиперспектральные изображения, классификация типов поверхностей, спектральные и пространственные признаки, обработка изображений

Цитирование:
Борзов, С.М. Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральных изображениям / С.М. Борзов, М.А. Гурьянов, О.И. Потатуркин // Компьютерная оптика. – 2019. – Т. 43, № 3. – С. 464-473. – DOI: 10.18287/2412-6179-2019-43-3-464-473.

1. Перспективные информационные технологии дистанционного зондирования Земли / М.В. Гашников, Н.И. Глумов, Е.В. Гошин, А.Ю. Денисова, А.В. Кузнецов, В.А. Митекин, В.В. Мясников, В.В. Сергеев, В.А. Сойфер, В.А. Федосеев, В.А. Фурсов, М.А. Чичёва, П.Ю. Якимов; под ред. В.А. Сойфера. – Самара: Новая техника, 2015. – 255 с. – ISBN: 978-5-88940-138-4.
2. Остриков, В.H. Обработка гиперспектральных данных, получаемых с авиационных и космических носителей / В.Н. Остриков, О.В. Плахотников, А.В. Кириенко // Современные проблемы дистанционного зондирования Земли из космоса. – 2013. – Т. 10, № 2. – С. 243-251.
3. Кузнецов, А.В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений / А.В. Кузнецов, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 3. – С. 494-502.
4. 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.
5. Бибиков, С.А. Распознавание растительного покрова на гиперспектральных изображениях по показателю сопряжённости / С.А. Бибиков, Н.Л. Казанский. В.А. Фурсов // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 846-854. – DOI: 10.18287/2412-6179-2018-42-5-846-854.
6. Plaza, A. Foreword to the special issue on spectral unmixing of remotely sensed data / A. Plaza, Q. Du, J. Bioucas-Dias, X. Jia, F. Kruse // IEEE Transactions on Geoscience and Remote Sensing. – 2011. – Vol. 49, Issue 11. – P. 4103-4110.
7. Денисова, А.Ю. Анализ линейной спектральной смеси, инвариантный к атмосферным искажениям гиперспектральных изображений / А.Ю. Денисова, Ю.Н. Журавель, В.В. Мясников // Компьютерная оптика. – 2016. – Т. 40, № 3. – С. 380-387. – DOI: 10.18287/2412-6179-2016-40-3-380-387.
8. Козодеров, В.В. Распознавание природно-техногенных объектов по гиперспектральным самолётным изображениям / В.В. Козодеров, Т.В. Кондранин, Е.В. Дмитриев // Исследование Земли из космоса. – 2014. – № 1. – С. 35-42.
9. Асмус, В.В. Контролируемая классификация данных дистанционного зондирования Земли / В.В. Асмус, А.А. Бучнев, В.П. Пяткин // Автометрия. – 2008. – Т. 44, № 4. – С. 60-67.
10. Plaza, A. Recent advances in techniques for hyperspectral image processing / A. Plaza, J.A. Benediktsson, J.W. Boardman, J. Brazile, L. Bruzzone, G. Camps-Valls, J. Chanussot, M. Fauvel, P. Gamba, A. Gualtieri, M. Marconcini, J.C. Tilton, G. Trianni // Remote Sensing of Environment. – 2009. – Vol. 113. – P. 110-122.
11. Борзов, С.М. Исследование эффективности спектрально-пространственной классификации данных гиперспектральных наблюдений / С.М. Борзов, О.И. Потатуркин // Автометрия. – 2017. – Т. 53, № 1. – С. 32-42.
12. Борзов, С.М. Спектрально-пространственные методы классификации гиперспектральных изображений, обзор / С.М. Борзов, О.И. Потатуркин // Автометрия. – 2018. – Т. 54, № 6. – С. 64-86. – DOI: 10.15372/AUT20180607.
13. Huang, X. An SVM ensemble approach combining spectral, structural, and semantic features for the classification of high-resolution remotely sensed imagery / X. Huang, L. Zhang // IEEE Transactions on Geoscience and Remote Sensing. – 2013. – Vol. 51, Issue 1. – P. 257-272.
14. Wang, Z.Y. Spatial-spectral classification of hyperspectral images using discriminative dictionary designed by learning vector quantization / Z.Y. Wang, N.M. Nasrabadi, T.S. Huang // IEEE Transactions on Geoscience and Remote Sensing. – 2014. – Vol. 52, Issue 8. – P. 4808-4822.
15. Chen, C. Spectral-spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification / C. Chen, W. Li, E.W. Tramel, M. Cui, S. Prasad, J.E. Fowler // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2014. – Vol. 7, Issue 4. – P. 1047-1059.
16. Li, W. Improved classification of conservation tillage practices using hyperspectral imagery with spatial-spectral features / W. Li, Q. Ran, Q. Du, C. Yang // Proceedings in the 3rd International Conference on Argo-Informatics. – 2014. – 14618199. – DOI: 10.1109/Agro-Geoinformatics.2014.6910589.
17. Li, W. Improving hyperspectral image classification using smoothing filter via sparse gradient minimization / W. Li, W. Hu, Q. Ran, F. Zhang, Q. Du, N. Younan // Proceedings of the 8th IAPR Workshop on Pattern Recognition in Remote Sensing. – 2014. – 14649026. – DOI: 10.1109/PRRS.2014.6914279.
18. Palsson, F. Hyperspectral image denoising using a sparse low rank model and dual-tree complex wavelet transform / F. Palsson, M.O. Ulfarsson, J.R. Sveinsson // IEEE Geoscience and Remote Sensing Symposium (IGARSS). – 2014. – 14716286. – DOI: 10.1109/IGARSS.2014.6947279.
19. Borhani, M. Hyperspectral image classification based on spectral-spatial features using probabilistic SVM and locally weighted Markov random fields / M. Borhani, H. Ghassemian // Proceedings of the Iranian Conference on Intelligent Systems (ICIS). – 2014. – 14253336. – DOI: 10.1109/IranianCIS.2014.6802573.
20. Borhani, M. Hyperspectral image classification based on non-uniform spatial-spectral kernels / M. Borhani, H. Ghassemian // Proceedings of the Iranian Conference on Intelligent Systems (ICIS). – 2014. – 14253321. – DOI: 10.1109/IranianCIS.2014.6802579.
21. Zhen, Ye. Hyperspectral image classification based on spectra derivative features and locality preserving analysis / Ye. Zhen, He. Mingyi, J.E. Fowler, Du. Qian // Proceedings of the Signal and Information Processing (ChinaSIP), IEEE China Summit & International Conference. – 2014. – P. 138-142. – DOI: 10.1109/ChinaSIP.2014.6889218.
22. Нежевенко, Е.С. Нейросетевая классификация гиперспектральных изображений на основе преобразования Гильберта–Хуанга / Е.С. Нежевенко, А.С. Феоктистов, О.Ю. Дашевский // Автометрия. – 2017. – Т. 53, № 2. – С. 79-85.
23. Myasnikov, E.V. Hyperspectral image segmentation using dimensionality reduction and classical segmentation approaches // Computer Optics. – 2017. – Vol. 41, Issue 4. – P. 564-572. – DOI: 10.18287/2412-6179-2017-41-4-564-572.
24. Зимичев, Е.А. Пространственная классификация гиперспектральных изображений с использованием метода кластеризации K-MEANS++ / Е.А. Зимичев, Н.Л. Казанский, П.Г. Серафимович // Компьютерная оптика. – 2014. – Т. 38, № 2. – С. 281-286.
25. Бондур, В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации / В.Г. Бондур // Исследование Земли из космоса. – 2014. – № 1. – С. 4-16.
26. Пестунов, И.А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения / И.А. Пестунов, С.А. Рылов // Вестник КемГУ. – 2012. – Т. 52, № 4/2. – С. 104-109.
27. Борзов, С.М. Классификация типов растительного покрова по гиперспектральным данным дистанционного зондирования Земли / С.М. Борзов, О.И. Потатуркин // Вестник НГУ: Информационные технологии. – 2014. – Т. 12, № 4. – С. 13-22.
28. Kruse, F.A. The spectral image processing system (SIPS) – interactive visualization and analysis of imaging spectrometer data / F.A Kruse, A.B. Lefkoff, J.B. Boardman, K.B. Heidebrecht, A.T. Shapiro, P.J. Barloon. A.F.H Goetz // Remote Sensing of Environment. – 1993. – Vol. 44. – P. 145-163.
29. Joachims, T. Making large scale SVM learning practical / T. Joachims. – In: Advances in kernel methods – Support vector learning / ed. by B. Schölkopf, Ch.J.C. Burges, A.J. Smola. – Cambridge: MIT Press, 1998. – P. 169-184. – DOI: 10.17877/DE290R-5098.
30. Richards, J.A. Remote sensing digital image analysis / J.A. Richards. – Berlin, Heidelberg: Springer, 2013. – 494 p.
31. Green, A.A. A transformation for ordering multispectral data in terms of image quality with implications for noise removal / A.A. Green, M. Berman, P. Switzer, M.D. Craig // IEEE Transactions on Geoscience and Remote Sensing. – 1988. – Vol. 26, Issue 1. – P. 65-74.
32. Lillesand, T.M. Remote sensing and image interpretation / T.M. Lillesand, R.W. Kiefer, J.W. Chipman.– New York: John Wiley & Song, Inc., 2004. – 763 p.
33. Hughes, G.F. On the mean accuracy of statistical pattern recognizers // IEEE Transactions on Information Theory. – 1968. – Vol. 14, Issue 1. – P. 55-63. – DOI: 10.1109/TIT.1968.1054102.

---

© 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