(45-6) 11 * << * >> * Русский * English * Содержание * Все выпуски

Формирование информативного индекса для различения заданных объектов гиперспектральных данных
Р.А. Парингер 1,2, А.В. Мухин 1, А.В. Куприянов 1,2

1 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151,

2 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д. 34

 PDF, 3882 kB

DOI: 10.18287/2412-6179-CO-930

Страницы: 873-878.

Аннотация:
Работа посвящена разработке подхода, позволяющему по малому числу наблюдений создавать правила различения заданных объектов гиперспектральных данных. Разработка подобного подхода способствовала бы развитию методов и алгоритмов для оперативного анализа гиперспектральных данных, применимых как для предварительной обработки, так и для выполнения разметки гиперспектральных данных. Для реализации подхода предлагается применять технологию, заключающуюся в совместном использовании общих правил вычисления индексов и критериев информативности. В рамках данной работы при реализации предлагаемой технологии индекс задается нормализованной разностной формулой, а информативность оценивается на основе значения критерия разделимости дискриминантного анализа. В результате проведённых исследований, было показано, что с использованием алгоритма, реализующего технологию, была решена задача различения областей гиперспектральных данных с разной растительностью. Сформированный алгоритмом индекс оказался близким по значениям к NDVI. Применяемая технология является генерализацией подхода к формированию правил анализа гиперспектральных данных по малому числу признаков и может быть использована для формирования индексов, информативных в различных задачах.

Ключевые слова:
классификация, гиперспектральные данные, NDVI, дискриминантный анализ.

Благодарности
Результаты исследования были получены при поддержке государственного задания Минобрнауки России Самарскому университету в рамках работ НИЛ-602 "Фотоника для умного дома и умного города" тема 19в-Р001-602 43/21Б (экспериментальная часть), в рамках проекта № 0777-2020-0017 (программная реализация и разработка технологии), при частичной финансовой поддержке РФФИ в рамках научного проекта № 20-51-05008 (теоретическая часть).

Цитирование:
Парингер, Р.А. Формирование информативного индекса для различения заданных объектов гиперспектральных данных / Р.А. Парингер, А.В. Мухин, А.В. Куприянов // Компьютерная оптика. – 2021. – Т. 45, № 6. – С. 873-878. – DOI: 10.18287/2412-6179-CO-930.

Citation:
Paringer RA, Mukhin AV, Kupriyanov AV. Formation of an informative index for recognizing specified objects in hyperspectral data. Computer Optics 2021; 45(6): 873-878. DOI: 10.18287/2412-6179-CO-930.

Литература:
  1. Wu, C. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation / C. Wu, Z. Niu, Q. Tang, W. Huang // Agricultural and Forest Meteorology. – 2008. – Vol. 148, Issues 8-9. – P. 1230-1241.
  2. Cho, M.A. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression / M.A. Cho, A. Skidmore, F. Corsi, S.E. Van Wieren, I. Sobhan // International Journal of Applied Earth Observation and Geoinformation. – 2007. – Vol. 9, Issue 4. – P. 414-424.
  3. Knyazikhin, Y. Hyperspectral remote sensing of foliar nitrogen content / Y. Knyazikhin, M.A. Schull, P. Stenberg, M. Mõttus, M. Rautiainen, Y. Yang, R.B. Myneni // Proceedings of the National Academy of Sciences. – 2013. – Vol. 110, Issue 3. – P. E185-E192.
  4. Zhang, F. Estimation of vegetation water content using hyperspectral vegetation indices: A comparison of crop water indicators in response to water stress treatments for summer maize / F. Zhang, G. Zhou // BMC Ecology. – 2019. – Vol. 19, Issue 1. – 18.
  5. Zhang, X. Crop classification based on feature band set construction and object-oriented approach using hyperspectral images / X. Zhang, Y. Sun, K. Shang, L. Zhang, S. Wang // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2016. – Vol. 9, Issue 9. – P. 4117-4128.
  6. Boori, M.S. Supervised and unsupervised classification for obtaining land use/cover classes from hyperspectral and multi-spectral imagery / M.S. Boori, R. Paringer, K. Choudhary, A. Kupriyanov // Proceedings of SPIE. – 2018. – Vol. 10773. – 107730L. – DOI: 10.1117/12.2322624.
  7. Boori, M.S. Monitoring crop phenology using NDVI time series from Sentinel 2 satellite data / M.S. Boori, K. Choudhary, R. Paringer, A.K. Sharma, A. Kupriyanov, S. Corgne // 2019 5th International Conference on Frontiers of Signal Processing (ICFSP). – 2019. – P. 62-66. – DOI: DOI: 10.1109/ICFSP48124.2019.8938078.
  8. Golhani, K. A review of neural networks in plant disease detection using hyperspectral data / K. Golhani, S.K. Balasundram, G. Vadamalai, B. Pradhan // Information Processing in Agriculture. – 2018. – Vol. 5, Issue 3. – P. 354-371.
  9. Boori, M.S. Spatiotemporal ecological vulnerability analysis with statistical correlation based on satellite remote sensing in Samara, Russia / M.S. Boori, K. Choudhary, R. Paringer, A. Kupriyanov // Journal of Environmental Management. – 2021. – Vol. 285. – 112138. – DOI: 10.1016/j.jenvman.2021.112138.
  10. Pandey, P. High throughput in vivo analysis of plant leaf chemical properties using hyperspectral imaging / P. Pandey, Y. Ge, V. Stoerger, J.C. Schnable // Frontiers in Plant Science. – 2017. – Vol. 8. – 1348.
  11. Holmer, A. Oxygenation and perfusion monitoring with a hyperspectral camera system for chemical based tissue analysis of skin and organs / A. Holmer, F. Tetschke, J. Marotz, H. Malberg, W. Markgraf, C. Thiele, A. Kulcke // Physiological Measurement. – 2016. – Vol. 37, Issue 11. – P. 2064-2078.
  12. Zhang, H. Hyperspectral classification based on lightweight 3-D-CNN with transfer learning / H. Zhang, Y. Li, Y. Jiang, P. Wang, Q. Shen, C. Shen // IEEE Transactions on Geoscience and Remote Sensing. – 2019. – Vol. 57, Issue 8. – P. 5813-5828.
  13. Zhu, L. Generative adversarial networks for hyperspectral image classification / L. Zhu, Y. Chen, P. Ghamisi, J.A. Benediktsson // IEEE Transactions on Geoscience and Remote Sensing. – 2018. – Vol. 56, Issue 9. – P. 5046-5063.
  14. Li, J. Classification of hyperspectral imagery using a new fully convolutional neural network / J. Li, X. Zhao, Y. Li, Q. Du, B. Xi, J. Hu // IEEE Geoscience and Remote Sensing Letters. – 2018. – Vol. 15, Issue 2. – P. 292-296.
  15. Deng, J. Imagenet: A large-scale hierarchical image database / J. Deng, W. Dong, R. Socher, L.J. Li, K. Li, L. Fei-Fei // 2009 IEEE Conference on Computer Vision and Pattern Recognition. – 2009. – P. 248-255.
  16. Lin, T.Y. Microsoft COCO: Common objects in context / T.Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár, C.L. Zitnick // European Conference on Computer Vision. – 2014. – P. 740-755.
  17. Graña, M. Hyperspectral remote sensing scenes [Electronical Resource] / M. Graña, M.A. Veganzons, B. Ayerdi. – 2020. – URL: http://www.ehu.eus/ccwintco/index.php?title=Hyperspectral_Remote_Sensing_Scenes (request date 18.10.2020).
  18. Asrar, G.Q. Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat 1 / G.Q. Asrar, M. Fuchs, E.T. Kanemasu, J.L. Hatfield // Agronomy Journal. – 1984. – Vol. 76, Issue 2. – P. 300-306.
  19. Fukunaga, K. Introduction to statistical pattern recognition / K. Fukunaga. – New York, London: Academic Press, 1972. – 369 p.

© 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