Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральным изображениям

Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральным изображениям

Автор: Борзов Сергей Михайлович, Гурьянов Марк Александрович, Потатуркин Олег Иосифович

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 3 т.43, 2019 года.

Бесплатный доступ

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.

Еще

Дистанционное зондирование земли, гиперспектральные изображения, классификация типов поверхностей, спектральные и пространственные признаки, обработка изображений

Короткий адрес: https://sciup.org/140246474

IDR: 140246474   |   DOI: 10.18287/2412-6179-2019-43-3-464-473

Список литературы Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральным изображениям

  • 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
  • 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.
  • 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.
  • 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.
  • 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
  • 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.
  • 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
  • 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.
  • 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.
  • 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.
  • 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.
  • 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
  • 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.
  • 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.
  • 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.
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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.
  • 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
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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
  • Richards, J.A. Remote sensing digital image analysis/J.A. Richards. -Berlin, Heidelberg: Springer, 2013. -494 p.
  • 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.
  • 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.
  • 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
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp