(44-4) 17 * << * >> * Русский * English * Содержание * Все выпуски

Классификация изображений ДЗЗ с использованием алгоритма комплексирования данных различных сенсоров
А.М. Белов 1, А.Ю. Денисова 1

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

 PDF, 1143 kB

DOI: 10.18287/2412-6179-CO-735

Страницы: 627-635.

Аннотация:
Комплексирование данных дистанционного зондирования Земли предназначено для получения изображений более высокого качества, чем исходные изображения. Однако вопрос о влиянии комплексирования данных на дальнейшую тематическую обработку часто остаётся за рамками исследований, и методы комплексирования используются в большинстве своём для улучшения визуального представления данных. В настоящей статье рассматривается вопрос о влиянии комплексирования с повышением пространственного и спектрального разрешения данных на тематическую классификацию изображений с использованием различных классификаторов и методов извлечения признаков, популярных в задачах обработки данных дистанционного зондирования Земли. В качестве алгоритма комплексирования в работе используется авторский алгоритм, позволяющий выполнять комплексирование данных по множеству кадров из различных источников оптических систем дистанционного зондирования Земли, обладающих различным пространственным и спектральным разрешением. В качестве алгоритмов классификации рассматриваются метод опорных векторов и Random Forest, в качестве признаков – спектральные каналы, а также расширенные атрибутивные профили и локальные признаки атрибутивных профилей. Экспериментальное исследование было произведено с использованием модельных изображений четырёх изображающих систем. Результирующее изображение имело пространственное разрешение в 2, 3, 4 и 5 раз выше, чем для исходных изображений соответственно. В результате исследований было выявлено, что для метода опорных векторов не имеет смысла выполнять комплексирование, так как излишняя пространственная детализация на классификацию данным алгоритмом влияет отрицательно. Для алгоритма Random Forest, напротив, результаты классификации в 90% случаев имели большую точность, чем для исходных изображений низкого разрешения. Например, для изображений с наименьшим отличием в пространственном разрешении (в 2 раза) от результата комплексирования точность классификации комплексированного изображения была в среднем на 4% выше. Кроме того, результаты, полученные для алгоритма Random Forest с комплексированием, оказались лучше результатов для метода опорных векторов без комплексирования. Дополнительно было показано, что точность классификации комплексированного изображения методом Random Forest может быть повышена в среднем на 9% за счёт использования расширенных атрибутивных профилей в качестве признаков. Таким образом, при использовании комплексирования данных лучше применять классификатор Random Forest, а использование комплексирования с методом опорных векторов нецелесообразно.

Ключевые слова:
классификация изображений, комплексирование данных, повышение разрешения, SVM, RF.

Благодарности
Настоящая работа была выполнена при поддержке гранта РФФИ № 18-07-00748 а.

Цитирование:
Белов, А.М. Классификация изображений ДЗЗ с использованием алгоритма комплексирования данных различных сенсоров / А.М. Белов, А.Ю. Денисова // Компьютерная оптика. – 2020. – Т. 44, № 4. – С. 627-635. – DOI: 10.18287/2412-6179-CO-735.

Citation:
Gorbachev VA, Krivorotov IA, Markelov AO, Kotlyarova EV. Semantic segmentation of satellite images of airports using convolutional neural networks. Computer Optics 2020; 44(4): 636-645. DOI: 10.18287/2412-6179-CO-636.

Литература:

  1. Белов, А.М. Спектральное и пространственное сверхразрешение при комплексировании данных ДЗЗ различных источников / А.М. Белов, А.Ю. Денисова // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 855-863. – DOI: 10.18287/2412-6179-2018-42-5-855-863.
  2. Tuia, D. Automatic feature learning for spatio-spectral image classification with sparse SVM / D. Tuia, M. Volpi, M. Dalla Mura, A. Rakotomamonjy, R. Flamary // IEEE Transactions on Geoscience and Remote Sensing. – 2014. – Vol. 52, Issue 10. – P. 6062-6074.
  3. Belgiu, M. Random forest in remote sensing: A review of applications and future directions / M. Belgiu, L. Drăguţ // ISPRS Journal of Photogrammetry and Remote Sensing. – 2016. – Vol. 114. – P. 24-31.
  4. Li, M. A systematic comparison of different object-based classification techniques using high spatial resolution imagery in agricultural environments / M. Li, L. Ma, T. Blaschke, L. Cheng, D. Tiede // International Journal of Applied Earth Observation and Geoinformation. – 2016. – Vol. 49. – P. 87-98.
  5. Khatami, R. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research / R. Khatami, G. Mountrakis, S.V. Stehman // Remote Sensing of Environment. – 2016. – Vol. 177. – P. 89-100.
  6. García, M.A. Using hidden markov models for land surface phenology: An evaluation across a range of land cover types in southeast spain / M.A. García, H. Moutahir, G.M. Ca­sady, S. Bautista, F. Rodríguez // Remote Sensing. – 2019. – Vol. 11, Issue 5. – 507.
  7. Liao, W. Fusion of spectral and spatial information for classification of hyperspectral remote-sensed imagery by local graph / W. Liao, M. Dalla Mura, J. Chanussot, A. Pižurica // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. – 2015. – Vol. 9, Issue 2. – P. 583-594.
  8. Pham, M.T. Local feature-based attribute profiles for optical remote sensing image classification / M.T. Pham, S. Lefèvre, E. Aptoula // IEEE Transactions on Geoscience and Remote Sensing. – 2017. – Vol. 56, Issue 2. – P. 1199-1212.
  9. Pham, M.T. Classification of remote sensing images using attribute profiles and feature profiles from different trees: a comparative study / M.T. Pham, E. Aptoula, S. Lefèvre // IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. – 2018. – P. 4511-4514.
  10. Pham, M.-T. Recent developments from attribute profiles for remote sensing image classification [Electronical Resource] / M.-T. Pham, S. Lefèvre, E. Aptoula, L. Bruzzone // arXiv preprint. – 2018. – URL: https://arxiv.org/abs/1803.10036 (request date 10.04.2020).
  11. Hong, D. Invariant attribute profiles: A spatial-frequency joint feature extractor for hyperspectral image classification / D. Hong, X. Wu, P. Ghamisi, J. Chanussot, N. Yokoya, X.X. Zhu // IEEE Transactions on Geoscience and Remote Sensing. – 2019. – 18 p. – DOI: 10.1109/TGRS.2019.2957251.
  12. Farsiu, S. Fast and robust multiframe super resolution / S. Farsiu, M.D. Robinson, M. Elad, P. Milanfar // IEEE Transactions on Image Processing. – 2004. – Vol. 13, Issue 10. – P. 1327-1344. – DOI: 10.1109/TIP.2004.834669.
  13. Farsiu, S. Fast and robust super-resolution / S. Farsiu, M.D. Robinson, M. Elad, P. Milanfar // Proceedings of the 2003 International Conference on Image Processing. – 2003. – Vol. 3. – P. 291-294. – DOI: 10.1109/ICIP.2003.1246674.
    Hyperspectral remote sensing scenes [Electronical Resource]. – URL: http://www.ehu.eus/ccwintco/index.php? title=Hyperspectral_Remote_Sensing_Scenes (request date 18.03.2020).
  14. Marpu, P.R. Automatic generation of standard deviation attribute profiles for spectral-spatial classification of remote sensing data / P.R. Marpu, M. Pedergnana, M. Dalla Mura, J.A. Benediktsson, L. Bruzzone // Geoscience and Remote Sensing Letters. – 2013. – Vol. 10, Issue 2. – P. 293-297.
  15. Li, J. Multiple feature learning for hyperspectral image classification / J. Li, X. Huang, P. Gamba, J.M. Bioucas-Dias, L. Zhang, J.A. Benediktsson, A. Plaza // IEEE Transactions on Geoscience and Remote Sensing. – 2015. – Vol. 53, Issue 3. – P. 1592-1606.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20