(44-6) 11 * << * >> * Русский * English * Содержание * Все выпуски

Повышение эффективности классификации гиперспектральных изображений за счет разномасштабной пространственной обработки
С.М. Борзов 1, О.И. Потатуркин 1

1 Институт автоматики и электрометрии СО РАН,
630090, Россия, г. Новосибирск, просп. Акад. Коптюга, д. 1

 PDF, 1165 kB

DOI: 10.18287/2412-6179-CO-779

Страницы: 937-943.

Аннотация:
Классификация типов подстилающей поверхности по мульти- и гиперспектральным изображениям традиционно осуществляется на основе анализа диаграмм рассеяния значений пикселей в многомерном пространстве признаков, в качестве которых используются яркости в отдельных каналах. Для повышения достоверности классификации используются подходы, основанные на учете характеристик каждого пикселя и пикселей его ближайшей окрестности, т.е. на совместном анализе спектральных и пространственных признаков.
     В данной работе на тестовом гиперспектральном изображении выполнены исследования эффективности методов спектрально-пространственной классификации данных, учитывающих пространственную информацию на различных этапах обработки. Особое внимание уделено подбору размера ядра пространственной обработки. Продемонстрировано, что включение в анализ окрестностей пикселей на любом этапе повышает точность классификации, однако наибольшую эффективность демонстрируют методы предварительной обработки исходных данных. При этом лучшие результаты достигаются при сочетании предварительной обработки сырых данных (до выполнения процедур попиксельной спектральной классификации) и апостериорной обработки результирующих картосхем. Отмечена перспективность многомасштабного сглаживания исходных изображений с кратным количеству масштабов увеличением числа спектрально-пространственных признаков, позволяющего исключить процедуру предварительного подбора масштаба пространственной обработки.

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

Благодарности
Работа выполнена при поддержке Министерства науки и высшего образования в рамках выполнения работ по Государственному заданию №АААА-А17-117052410034-6 в ИАиЭ СО РАН.

Цитирование:
Борзов, С.М. Повышение эффективности классификации гиперспектральных изображений за счет разномасштабной пространственной обработки / С.М. Борзов, О.И. Потатуркин // Компьютерная оптика. – 2020. – Т. 44, № 6. – С. 937-943. – DOI: 10.18287/2412-6179-CO-779.

Citation:
Borzov SM, Potaturkin OI. Increasing the classification efficiency of hyperspectral images due to multi-scale spatial processing. Computer Optics 2020; 44(6): 937-943. DOI: 10.18287/2412-6179-CO-779.

Литература:
  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. 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.
  3. 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.
  4. 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.
  5. Бучнев, А.А. Классификация с обучением гиперспектральных данных дистанционного зондирования земли / А.А. Бучнев, В.П. Пяткин // Интерэкспо Гео-Сибирь. – 2017. – Т. 4, № 2. – С. 8-12.
  6. 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.
  7. Лебедев, Л.И. Комплексный анализ и мониторинг состояния окружающей среды на основе данных ДЗЗ / Л.И. Лебедев, Ю.В. Ясаков, Т.Ш. Утешева, В.П. Громов, А.В. Борусяк, В.Е. Турлапов // Компьютерная оптика. – 2019. – Т. 43, № 2. – С. 282-295. – DOI: 10.18287/2412-6179-2019-43-2-282-295.
  8. 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.
  9. Жуков, Д.В. Методика тематической обработки гиперспектральных данных в задаче оценки экологического состояния акваторий портов / Д.В. Жуков // Исследование Земли из космоса. – 2014. – № 1. – C. 66-71. – DOI: 10.7868/S0205961414010084.
  10. 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.
  11. Huo, L.-Z. Spectral and spatial classification of hyperspectral data using SVMs and Gabor textures / L.-Z. Huo, P. Tang // IEEE International Geoscience and Remote Sensing Symposium. – 2011. – P. 1708-1711. – DOI: 10.1109/IGARSS.2011.6049564.
  12. Zhang, L. On combining multiple features for hyperspectral remote sensing image classification / L. Zhang, L. Zhang, D. Tao, X. Huang // IEEE Transactions on Geoscience and Remote Sensing. – 2012. – Vol. 50. – P. 879-893.
  13. Ghamisi, P. A survey on spectral–spatial classification techniques based on attribute profiles / P. Ghamisi, M. Dalla Mura, J.A. Benediktsson // IEEE Transactions on Geoscience and Remote Sensing. – 2015. – Vol. 53. – P. 2335-2353.
  14. Fauvel, M. Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles / M. Fauvel, J. Chanussot, J.A. Benediktsson, J.R. Sveinsson // IEEE Transactions on Geoscience and Remote Sensing. – 2008. – Vol. 46. – P. 3804-3814.
  15. Tuia, D. Automatic feature learning for spatio-spectral image classification with sparse SVM / D. Tuia, M. Volpi, M. Dalla Mura, A. Rakotomamonjy, R. Flamary // IEEE Transactions on Geoscience and Remote Sensing. – 2014. – Vol. 52. – P. 6062-6074.
  16. Gormus, E.T. Dimensionality reduction of hyperspectral images with wavelet based empirical mode decomposition / E.T. Gormus, N. Canagarajah, A. Achim // 18th IEEE International Conference on Image Processing. – 2011. – P. 1709-1712.
  17. Нежевенко, Е.С. Нейросетевая классификация трудноразличимых типов растительности по гиперспектральным признакам / Е.С. Нежевенко // Автометрия. – 2019. – Т. 55, № 3. – С. 62-70. – DOI: 10.15372/AUT20190308.
  18. Kettig, R.L. Classification of multispectral image data by extraction and classification of homogeneous objects / R.L. Kettig, D.A. Landgrebe // IEEE Transactions оn Geoscience Electronics. – 1976. – Vol. GE-14, Issue 1. – P. 19-26.
  19. Benz, U.C. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information / U.C. Benz, P. Hofmann, G. Willhauck, I. Lingenfelder, M. Heynen // ISPRS Journal of Photogrammetry and Remote Sensing. – 2004. – Vol. 58, Issues 3-4. – P. 239-258.
  20. 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.
  21. Денисова, А.Ю. Выработка требований к мультиспектральным данным дистанционного зондирования Земли в задаче экспертизы зарастания пахотных земель древесно-кустарниковой растительностью / А.Ю. Денисова, А.А. Егорова, В.В. Сергеев, Л.М. Кавеленова // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 846-856. – DOI: 10.18287/2412-6179-2019-43-5-846-856.
  22. Lillesand, M.T. Remote Sensing and Image Interpretation / M.T. Lillesand, R.W. Kiefer, J.W. Chipman. – New York: John Wiley & Sons, 2004. – 763 p.
  23. Борзов, С.М. Комплексная обработка гиперспектральных изображений на основе спектральной и пространственной информации / С.М. Борзов, П.В. Мельников, И.А. Пестунов, О.И. Потатуркин, А.М. Федотов // Вычислительные технологии. – 2016. – Т. 21, № 1. – С. 25-39.
  24. Пестунов, И.А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения / И.А. Пестунов, С.А. Рылов // Вестник КемГУ. – 2012. – № 4/2. – С. 104-109.
  25. 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.
  26. 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.
  27. Борзов, С.М. Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных территорий / С.М. Борзов, А.О. Потатуркин, О.И. Потатуркин, А.М. Федотов // Автометрия. – 2016. – Т. 52, № 1. – С. 3-14. – DOI: 10.15372/AUT20160101.
  28. 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. – DOI: 10.15372/AUT20170105.
  29. Борзов, С.М. Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральным 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.
  30. Cristianini, N. An introduction to support vector machines and other kernel-based learning methods / N. Cristianini, J. Shawe-Taylor. – Cambridge: Cambridge University Press, 2000.
  31. Richards, J.A. Remote sensing digital image analysis / J.A. Richards. – Berlin, Heidelberg: Springer-Verlag, 2013. – 494 p.
  32. 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.
    .

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