Распознавание растительного покрова на гиперспектральных изображениях по показателю сопряжённости
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 5 т.42, 2018 года.
Бесплатный доступ
Исследуется алгоритм распознавания растительных культур на гиперспектральных изображениях, основанный на применении в качестве меры близости показателя сопряжённости с подпространством, образованным сигнатурами заданного класса. Цель работы - показать, что этот метод при проведении предварительной обработки данных, заключающейся во взвешивании компонент векторов признаков и разбиении классов на подклассы, обеспечивает более высокое качество распознавания по сравнению с наиболее популярным методом опорных векторов (SVM). При проведении экспериментов для сравнения с методом SVM использовалась реализация из пакета MatLab. Эта программа обеспечивает высокие результаты метода SVM на достаточно сложном тесте для распознавания близких типов растительности «Индиан Пайнс», на котором размечены 16 классов растительных культур. Тест является достаточно сложным, т.к. сигнатуры классов сильно коррелированы. Полученные результаты показывают возможность распознавания большого количества растительных культур, в т.ч. и наркосодержащих.
Похожие статьи в разделе Сельское хозяйство. Лесное хозяйство. Охота. Рыбное хозяйство
Короткий адрес: https://sciup.org/140238446
IDS: 140238446 | DOI: 10.18287/2412-6179-2018-42-5-846-854
Vegetation type recognition in hyperspectral images using a conjugacy indicator
This paper considers a vegetation type recognition algorithm in which the conjugacy indicator with a subspace spanned by endmember vectors is taken as a proximity measure. We show that with proper data preprocessing, including vector components weighting and class partitioning into subclasses, the proposed method offers a higher recognition quality when compared to a support vector machine (SVM) method implemented in MatLab software. This implementation provides good results with the SVM method for a fairly difficult classification test using the Indian Pines dataset with 16 classes containing similar vegetation types. The difficulty of the test is caused by high correlation between the classes. Thus, the results show a possibility for the recognition of a large variety of vegetation types, including the narcotic plants.
Список литературы Распознавание растительного покрова на гиперспектральных изображениях по показателю сопряжённости
- Шовенгердт, Р.А. Дистанционное зондирование. Модели и методы обработки изображений/Р.А. Шовенгердт. -М.: Техносфера, 2010. -560 с. -ISBN: 978-5-94836-244-1.
- Чабан, Л.Н. Моделирование и тематическая обработка изображений, идентичных видеоданным с готовящейся к запуску и разрабатываемой гиперспектральной аппаратурой ДЗЗ/Л.Н. Чабан, Г.В. Вечерук, Т.В. Кондранин, С.В. Кудрявцев, А.А. Николенко//Современные проблемы дистанционного зондирования Земли из космоса. -2012. -Т. 9, № 2. -С. 111-121.
- Schuler, C.J. Learning to deblur/C.J. Schuler, M. Hirsch, S. Harmeling, B. Schölkopf//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2016. -Vol. 38, Issue 7. -P. 1439-1451. - DOI: 10.1109/TPAMI.2015.2481418
- Makantasis, K. Deep supervised learning for hyperspectral data classification through convolutional neural networks/K. Makantasis, K. Karantzalos, A. Doulamis, N. Doulamis//2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). -2015. -P. 4959-4962. - DOI: 10.1109/IGARSS.2015.7326945
- He, Z. Spectral-spatial hyperspectral image classification via SVM and superpixel segmentation/Z. He, Y. Shen, M. Zhang, Q. Wang, Y. Wang, R. Yu//2014 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). -2014. -P. 422-427. - DOI: 10.1109/I2MTC.2014.6860780
- Fauvel, M. Advances in spectral-spatial classification of hyperspectral images/M. Fauvel, Y. Tarabalka, J.A. Benediktsson, J. Chanussot, J.C. Tilton//Proceedings of the IEEE. -2013. -Vol. 101, Issue 3. -P. 652-675. - DOI: 10.1109/JPROC.2012.2197589
- 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.
- De Carvalho, O.A. Spectral correlation mapper (SCM): an improvement on the spectral angle mapper (SAM)/O.A. de Carvalho Jr., P.R. Meneses//Summaries of the 9th JPL Airborne Earth Science Workshop, JPL Publication 00-18. -Pasadena, CA: JPL Publication, 2000. -Vol. 9. -9 p.
- Shafri, H.Z.M. The performance of maximum likelihood, spectral angle mapper, neural network and decision tree classifiers in hyperspectral image analysis/H.Z.M. Shafri, S. Affendi, Sh. Mansor//Journal of Computer Science. -2007. -Vol. 3, Issue 6. -P. 419-423. - DOI: 10.3844/jcssp.2007.419.423
- Fursov, V.A. Recognition through constructing the eigenface classifiers using conjugation indices/V.A. Fursov, N.E. Kozin//2007 IEEE Conference on Advanced Video and Signal Based Surveillance. -2007. -P. 465-469. - DOI: 10.1109/AVSS.2007.4425355
- Fursov, V.A. Support subspaces method for recognition of the synthetic aperture radar images using fractal compression/V.A. Fursov, E.Yu. Minaev, D.A. Zherdev, N.L. Kazanskiy//International Journal of Advanced Robotic Systems. -2017. -Vol. 14, Issue 5. -P. 1-8. - DOI: 10.1177/1729881417733952
