Применение различных классификаторов для обработки данных самолетного гиперспектрального зондирования

Основная область применения различных классификаторов (вычислительных процедур) – автоматизация распознавания природно-техногенных объектов по их текстурным и спектральным признакам. Обосновывается выбор оптимальных признаков при распознавании объектов. Акцент делается на распознавание лесных объектов разного породного состава и возраста (Козодеров и др., 2015; Kozoderov, Dmitriev, 2016). Оптимизация по текстурным признакам сводится к нахождению соседства элементов разрешения (пикселей) первого, второго и более высокого порядков. Оптимизация по спектральным признакам способствует объединению соседних каналов без существенного уменьшения точности распознавания таких объектов.
В докладе показаны основные направления сравнения разных классификаторов при обработке самолетных гиперспектральных изображений. Показаны примеры применения разных модификаций байесовского классификатора и метода опорных векторов (МОВ). Приведены примеры сравнения этих классификаторов и метрического классификатора, основанного на нахождении минимума евклидова расстояния между отдельными точками и множествами многомерного признакового пространства. Сравнение проведено также с методом «К взвешенных соседей», близким с непараметрическим байесовским классификатором. Демонстрируются информационные меры сходства этих классификаторов. Наихудшим при сравнении полученных результатов с данными наземной лесотаксации для обрабатываемых сцен оказался метрический классификатор. Наилучшим является байесовский классификатор на основе гауссовских смесей регистрируемых спектральных данных. МОВ и метод K взвешенных соседей имеют несколько большие, но соизмеримые ошибки. Можно заключить, что из рассмотренных выше методов, метод K взвешенных соседей имеет точность, соизмеримую с точностью нелинейных оптимальных классификаторов и может наравне с ними использоваться для решаемых прикладных задач распознавания лесного покрова разного породного состава и возраста.
Исследования проводятся в рамках проекта РНФ №16-11-00007 «Автоматизация распознавания природно-техногенных объектов на аэрокосмических изображениях высокого спектрального и пространственного разрешения», а также проектов РФФИ №14-07-00141 «Распознавание и оценка параметров состояния лесной растительности по данным гиперспектральной аэрокосмической съемки», №14-05-00598 «Дистанционные методы определения таксационных, биологических и продукционных параметров древостоев на основе гиперспектральных изображений», №16-01-00107 «Повышение информационного содержания вычислительных процедур распознавания природно-техногенных объектов по данным аэрокосмического гиперспектрального зондирования».
ЛИТЕРАТУРА
Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Каменцев В.П. Валидация информационной продукции обработки самолетных гиперспектральных изображений // Исследование Земли из космоса. 2015. № 1. С. 32-43.
Kozoderov V.V., Dmitriev E.V. Testing different classification methods in airborne hyperspectral imagery processing // Optics Express. 2016. Vol. 24. No. 10. P. A956-A965.