Сборник тезисов докладов шестнадцатой Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, ИКИ РАН, 2018 год

(http://smiswww.iki.rssi.ru/d33_conf)

Спектрально-текстурная классификация с частичным обучением для обработки спутниковых изображений высокого разрешения

Рылов С.А. (1)
(1) Институт вычислительных технологий СО РАН, Новосибирск, Россия
Во многих практических задачах классификации данных, таких как, например, спутниковые изображения, процесс получения обучающей выборки (ОВ) требует значительных материальных и временных затрат. Поэтому нередко обучающая выборка может отсутствовать или быть непредставительной. Использование малого объема ОВ при построении классификации зачастую приводит к неудовлетворительному качеству распознавания, особенно при анализе больших и сложных сцен.
В условиях недостаточно полной ОВ могут быть использованы методы классификации с частичным обучением (semi-supervised learning) [1]. В процессе их работы для построения решающего правила используется информация, содержащаяся не только в помеченных (ОВ), но и в непомеченных (неклассифицированных) данных. Это позволяет повысить точность разделения классов и качество результатов классификации при малом объеме ОВ. Однако практическое использование существующих алгоритмов с частичным обучением для обработки спутниковых изображений затруднено ввиду их высокой вычислительной трудоемкости [2-4].
На спутниковых изображениях высокого пространственного разрешения размер пикселя становится меньше размера исследуемых объектов, что приводит к увеличению внутриклассовой неоднородности спектральных характеристик [5]. В связи с этим, многие современные алгоритмы в процессе своей работы учитывают не только спектральную, но и пространственную информацию [2, 3]. Однако, как правило, после процедуры расширения ОВ применяются стандартные алгоритмы классификации, использующие только спектральные признаки. Таким образом, классы с сильно разнородными или пересекающимися спектральными характеристиками не могут быть качественно распознаны.
В докладе предлагается новый вычислительно эффективный алгоритм спектрально-текстурной классификации с частичным обучением для обработки спутниковых изображений высокого пространственного разрешения. Алгоритм основывается на оригинальном подходе к описанию мультиспектральной текстуры [6]. Данный подход заключается в компактном описании многомерной гистограммы для локальных областей изображения с помощью предварительного использования непараметрической кластеризации. Использование концепции частичного обучения позволяет эффективно выделять спектрально неоднородные классы на изображении, даже если имеющаяся выборка не отражает разнородной структуры классов.
В докладе будут представлены результаты экспериментальных исследований, подтверждающие эффективность предлагаемого метода классификации в условиях спектрально неоднородных классов и обучающих выборок малого объема. Вычислительная эффективность предлагаемого алгоритма позволяет применять его к мультиспектральным спутниковым изображениям большого размера.

Работа выполнена при финансовой поддержке РФФИ (грант № 18-37-00492 мол_а).

[1] Schwenker F., Trentin E. Pattern classification and clustering: A review of partially supervised learning approaches // Pattern Recognition Letters. – 2014. – Vol. 37. – P. 4-14.
[2] Wang L. et al. Semi-supervised classification for hyperspectral imagery based on spatial-spectral label propagation // ISPRS Journal of Photogrammetry and Remote Sensing. – 2014. – Vol. 97. – P. 123-137.
[3] Luo R. et al. Spectral-spatial classification of hyperspectral images with semi-supervised graph learning // SPIE Remote Sensing. – International Society for Optics and Photonics, 2016. – P. 100040T-100040T-6.
[4] Banerjee B., Buddhiraju K.M. A Novel Semi-Supervised Land Cover Classification Technique of Remotely Sensed Images // Journal of the Indian Society of Remote Sensing. – 2015. – Vol. 43. – No. 4. – P. 719-728.
[5] Schiewe J. Segmentation of high-resolution remotely sensed data-concepts, applications and problems // International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences. – 2002. – Vol. 34. – No. 4. – P. 380-385.
[6] Рылов С.А., Мельников П.В., Пестунов И.А. Спектрально-текстурная классификация гиперспектральных изображений высокого пространственного разрешения // Интерэкспо ГЕО-Сибирь. – 2016. – Т. 4. – № 1. – С. 78-84.

Ключевые слова: частичной обучение, частично контролируемая классификация, обучающая выборка, спектрально-текстурная сегментация, спутниковые изображения, высокое разрешение, мультиспектральная текстура, вычислительно эффективный подход
Литература:
  1. Schwenker F., Trentin E. Pattern classification and clustering: A review of partially supervised learning approaches // Pattern Recognition Letters. – 2014. – Vol. 37. – P. 4-14.
  2. Wang L. et al. Semi-supervised classification for hyperspectral imagery based on spatial-spectral label propagation // ISPRS Journal of Photogrammetry and Remote Sensing. – 2014. – Vol. 97. – P. 123-137.
  3. Luo R. et al. Spectral-spatial classification of hyperspectral images with semi-supervised graph learning // SPIE Remote Sensing. – International Society for Optics and Photonics, 2016. – P. 100040T-100040T-6.
  4. Banerjee B., Buddhiraju K.M. A Novel Semi-Supervised Land Cover Classification Technique of Remotely Sensed Images // Journal of the Indian Society of Remote Sensing. – 2015. – Vol. 43. – No. 4. – P. 719-728.
  5. Schiewe J. Segmentation of high-resolution remotely sensed data-concepts, applications and problems // International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences. – 2002. – Vol. 34. – No. 4. – P. 380-385.
  6. Рылов С.А., Мельников П.В., Пестунов И.А. Спектрально-текстурная классификация гиперспектральных изображений высокого пространственного разрешения // Интерэкспо ГЕО-Сибирь. – 2016. – Т. 4. – № 1. – С. 78-84.

Методы и алгоритмы обработки спутниковых данных

56