Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений
Кузнецов А.В., Мясников В.В.

PDF, 324 kB

DOI: 10.18287/0134-2452-2014-38-3-494-502

Страницы: 494-502.

Аннотация:
Настоящая работа посвящена решению задачи выбора наилучшего алгоритма классификации гиперспектральных изображений (ГСИ). В сравнении участвуют следующие алгоритмы: дерево решений с использованием функционала скользящего контроля, дерево решений C4.5 (C5.0), байесовский классификатор, метод максимального правдоподобия, классификатор, минимизирующий СКО решения, включая частный случай – классификацию по сопряжённости, классификатор по спектральному углу (для эмпирического среднего и ближайшего соседа), а также метод опорных векторов (SVM). В работе приведены результаты исследований этих алгоритмов на гиперспектральных снимках, полученных со спутника AVIRIS и в рамках проекта SpecTIR.

Ключевые слова :
гиперспектральное изображение, дерево решений, C5.0, Байес, ММП, СКО, классификация по сопряжённости, классификация по спектральному углу, SVM.

Литература:

  1. Datt, B Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes / B. Datt, T.R. McVicar, T.G. Van Niel, [et al.] // IEEE Transactions On Geoscience And Remote Sensing. – 2003. – Vol. 41(6). – P. 1246-1259.
  2. Metternicht, G.I. Remote sensing of soil salinity: potentials and constraints / G.I. Metternicht, J.A. Zinck // Remote Sensing of Environment. – 2003. – Vol. 85(1). – P. 1-20.
  3. Landgrebe, D. Hyperspectral image data analysis / D. Landgrebe // IEEE Signal Processing Magazine. – 2002. – Vol. 19(1). – P. 17-28.
  4. Гашников, М.В. Иерархическая сеточная интерполяция при сжатии гиперспектральных изображений / М.В. Гашников, Н.И. Глумов // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 87-93.
  5. Li, J. Hyperspectral Image Segmentation Using a New Bayesian Approach With Active Learning / J. Li, M.J. Bioucas-Dias, A. Plaza // IEEE Transactions On Geoscience And Remote Sensing. – 2011. – Vol. 49(10). – P. 3947-3960.
  6. Tarabalka, Yu. Spectral-Spatial Classification of Hyperspectral Imagery Based on Partitional Clustering Techniques / Yu. Tarabalka, J.A. Benediktsson, J. Chanussot // IEEE Transactions On Geoscience And Remote Sensing. – 2009. – Vol. 47(8). – P. 2973-2987.
  7. Melgani, F. Classification of hyperspectral remote sensing images with support vector machines / F. Melgani, L. Bruzzone // IEEE Transactions On Geoscience And Remote Sensing. – 2004. – Vol. 42(8). – P. 1778-1790.
  8. Camps-Valls, G. Kernel-based methods for hyperspectral image classification / G. Camps-Valls, L. Bruzzone // IEEE Transactions On Geoscience And Remote Sensing. – 2005. – Vol. 43(6). – P. 1351-1362.
  9. Fauvel, M. Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles / M. Fauvel, J.A. Benediktsson, J. Chanussot, J.R. Sveinsson // IEEE Transactions On Geoscience And Remote Sensing. – 2008. – Vol. 46(11). – P. 3804-3814.
  10. Shafri, H. The Performance of Maximum Likelihood, Spectral Angle Mapper, Neural Network and Decision Tree Classifiers in Hyperspectral Image Analysis / H. Shafri, A. Suhaili, S. Mansor // Journal of Computer Science. – 2007. – Vol. 3(6). – P. 419-423.
  11. Perumal, K. Supervised Classification Performance Of Multispectral Images / K. Perumal, R. Bhaskaran // Journal of Computing. – 2010. – Vol. 2(2). – P. 124-129.
  12. Копенков, В.Н. Алгоритм автоматического построения процедуры локальной нелинейной обработки изображений на основе иерархической регрессии / В.Н. Копенков, В.В. Мясников // Компьютерная оптика. – 2012. – Т. 36, № 2. – С. 257-265.
  13. Fodor, I. A Survey of Dimension Reduction Techniques / I. Fodor // Technical Report UCRL-ID-148494, Lawrence Livermore National Laboratory – 2002.
  14. Фукунага, К. Введение в статистическую теорию распознавания образов / К. Фукунага; пер. с англ. – М.: Наука, 1979. – 368 с.
  15. Quinlan, J.R. Induction of Decision Trees /J.R. Quinlan // Machine Learning. – 1986. – Vol. 1(1). – P. 81-106.
  16. Математические методы обучения по прецедентам (теория обучения машин). Курс лекций по машинному обучению [Электронный ресурс] / К.В. Воронцов. – 2011. – 141 с.
  17. Методы компьютерной обработки изображений / М.В. Гаш­ников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мясников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фур­сов; под ред. В.А. Сойфера. – 2-е изд., испр. – М.: Физматлит, 2003. – 784 с.
  18. C4.5: Programs for Machine Learning / J.R. Quinlan. – San Mateo: Morgan Kaufmann Publishers Inc., 1993. – 302 p.
  19. Wang, M. A Novel Hyperspectral Classification Method Based on C5.0 Decision Tree of Multiple Combined Classifiers / M. Wang, K. Gao, L. Wang, X. Miu // Proceedings of the 2012 4-th International Conference on Computational and Information Sciences (ICCIS 2012). – 2012. – P. 373-376.
  20. Денисова, А.Ю. Обнаружение аномалий на гиперспектральных изображениях / А.Ю. Денисова, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 2. – С. 287-296.
  21. 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.
  22. Sohn, Y. Supervised and unsupervised spectral angle classifiers / Y. Sohn, N.S. Rebello // Photogrammetric Engineering and Remote Sensing. – 2002. – Vol. 68(12). – P. 1271-1280.
  23. Журавлёв, Ю.И. Распознавание. Математические методы. Программная система. Практические применения / Ю.И. Журавлёв, В.В. Рязанов, О.В. Сенько. – М.: Фазис, 2005. – 159 с.
  24. Cortes, C. Support-Vector Networks / C. Cortes, V. Vapnik // Machine Learning. – 1995. – Vol. 20(3). – P. 273-297.
© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20