(42-5) 16 * << * >> * Русский * English * Содержание * Все выпуски

Распознавание растительности на гиперспектральных изображениях по показателю сопряжённости
Бибиков С.А., Казанский Н.Л., Фурсов В.А.

Самарский национальный исследовательский университет имени академика С.П. Королева, 443086, Россия, г. Самара, Московское шоссе, д. 34;
ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН, 443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 339kB

DOI: 10.18287/2412-6179-2018-42-5-846-854

Страницы: 846-854.

Аннотация:
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.

Ключевые слова:
гиперспектральные изображения, тематическая классификация, метод опорных векторов, показатель сопряжённости.

Цитирование:
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.

Литература:

  1. Шовенгердт, Р.А. Дистанционное зондирование. Модели и методы обработки изображений / Р.А. Шовенгердт. – М.: Техносфера, 2010. – 560 с. – ISBN: 978-5-94836-244-1.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.

© 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