Классификация гиперспектральных изображений высокого пространственного разрешения
Автор: Пестунов И.А., Рылов С.А., Мельников П.В.
Журнал: Журнал Сибирского федерального университета. Серия: Техника и технологии @technologies-sfu
Статья в выпуске: 1 т.11, 2018 года.
Бесплатный доступ
В статье предлагается новый вычислительно эффективный метод спектрально-текстурной классификации гиперспектральных изображений высокого пространственного разрешения, основанный на использовании ансамблевого алгоритма кластеризации ECCA. При классификации используется предположение, что в локальной области изображения для текстур одного типа процентное содержание пикселей из разных кластеров примерно одинаково, а для разных типов текстур, как правило, отличается. Для предлагаемого классификатора не требуются обучающие выборки большого объема. Достаточно задать всего лишь несколько представителей каждого класса. Приводятся результаты экспериментов с модельными и реальными изображениями, подтверждающие эффективность предложенного метода.
Гиперспектральные изображения, высокое пространственное разрешение, спектрально-текстурные признаки, классификация
Короткий адрес: https://sciup.org/146115286
IDR: 146115286 | DOI: 10.17516/1999-494X-0010
Список литературы Классификация гиперспектральных изображений высокого пространственного разрешения
- Бондур В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации. Исследование Земли из космоса, 2014, 1, 4-16
- Fauvel M., Benediktsson J.A., Chanussot J., Sveinsson J.R. Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles, IEEE Trans. Geosci. Remote Sens., 46(11), 3804-3814
- Борзов С.М., Мельников П.В., Пестунов И.А., Потатуркин О.И., Федотов А.М. Комплексная обработка гиперспектральных изображений на основе спектральной и пространственной информации. Вычислительные технологии, 2016, 21(1), 25-39
- Потапов А.А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей. Радиотехника и электроника, 2003, 48(9), 1101-1119
- Petrou M., Gacia Sevilla P. Image processing: Dealing with texture, 2006. 618 p
- Kumar B., Onkar Dikshit O. Spectral-Spatial Classification of Hyperspectral Imagery Based on Moment Invariants, IEEE Journal of selected topics in applied earth observations and remote sensing, 2015, 8(6), 2457-24-63
- Salem R.B., Ettabaa K.S., Hamdi M.A. Spectral-spatial classification of hyperspectral images using different spatial features and composite kernels, IEEE IPAS’14: International image processing applications and systems conference, 2014, 1-7
- Пестунов И.А., Рылов С.А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения. Вестник КемГУ, 2012, 4/2 (52), 104-110
- Pestunov, I.A., Berikov, V.B., Kulikova, E.A., Rylov, S.A. Ensemble of clustering algorithm for large datasets, Optoelectronics, Instrumentation and Data Processing, 2011, 47(3), 245-252
- Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Sokolov A.A. Retrieval of forest stand attributes using optical airborne remote sensing data, Optics Express, 2014, 22(13), 15410-15423
- Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. Bayesian classifier applications of airborne hyperspectral imagery processing for forested areas, Advances in Space Research, 2015, 55(11), 2657-2667
