Применение алгоритмов кластеризации является одним из наиболее распространенных подходов к сегментации спутниковых изображений в условиях отсутствия обучающей выборки. Широко используемые для этих целей и включенные в состав популярных программных пакетов (ERDAS Imagine, ENVI, ArcGIS, SNAP и др.) алгоритмы кластеризации (K-средних, ISODATA) основаны на предположении о нормальном виде плотности распределения искомых классов и не всегда обеспечивают требуемое качество сегментации (особенно для спутниковых изображений высокого пространственного разрешения) [1-2].
Более подходящие в данном случае непараметрические алгоритмы, которые не требуют «жестких» предположений о виде функции плотности распределения и позволяют выделять кластеры сложной формы, не получили широкого распространения из-за высокой вычислительной трудоемкости [2]. С другой стороны, применение сеточного подхода, при котором пространство признаков разбивается на конечное число ячеек, позволяет добиться высокой вычислительной эффективности, но при этом точность выделения кластеров ограничена введенной сеточной структурой [3].
В докладе предлагается новый алгоритм кластеризации, основанный на ансамблевом сеточном алгоритме HECA [4] и известной непараметрической процедуре «среднего сдвига» (Mean-shift), применяемой для уточнения границ кластеров. Особенности метода построения ансамбля [5], позволяют применять процедуру коррекции только для одного из разбиений ансамбля.
В докладе будут представлены результаты экспериментальных исследований, демонстрирующие увеличение точности кластеризации по сравнению с сеточным алгоритмом HECA. При этом вычислительная эффективность предлагаемого алгоритма позволяет применять его к мультиспектральным спутниковым изображениям большого размера (порядка десяти миллионов пикселей).
В дальнейшем планируется реализация предложенного алгоритма на графических процессорах с помощью технологии CUDA, что позволит сократить время обработки мультиспектральных спутниковых изображений до нескольких секунд [6].

Работа выполнена при частичной финансовой поддержке Президиума РАН (грант № 0316-2015-0006).

Ключевые слова: алгоритм кластеризации, непараметрический, сеточный, ансамблевый, вычислительно эффективный, процедура среднего сдвига, mean-shift, HECA, сегментация, ДЗЗ, мультиспектральные спутниковые изображения

Литература:

Zadkarami M.R., Rowhani M. Application of skew-normal in classification of satellite image // Journal of Data Science. – 2010. – Vol. 8. – P. 597-606.
Sarmah S., Bhattacharyya D.K. A grid-density based technique for finding clusters in satellite image // Pattern Recognition Letters. – 2012. – Vol. 33. – No. 5. – P. 589-604.
Krstinic D., Skelin A.K., Slapnicar I. Fast two-step histogram-based image segmentation // Image Processing, IET. – 2011. – Vol. 5. – No. 1. – P. 63-72.
Пестунов И.А., Рылов С.А., Бериков В.Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. – 2015. – Т. 51. – № 4. – С. 12-22.
Пестунов И.А., Рылов С.А., Синявский Ю.Н., Бериков В.Б. Подход к построению ансамбля непараметрических алгоритмов кластеризации для сегментации спутниковых изображений // В сборнике: Информационные технологии и нанотехнологии (ИТНТ-2017) сборник трудов III международной конференции и молодежной школы. Самарский национальный исследовательский университет имени академика С.П. Королева. – 2017. – С. 775-780.
Рылов С.А., Пестунов И.А. Использование графических процессоров NVIDIA при кластеризации мультиспектральных данных сеточным алгоритмом CCA // Интерэкспо Гео-Сибирь. 2015. Т. 4. № 2. С. 51-56.

Пятнадцатая Всероссийская открытая конференция "Современные проблемы дистанционного зондирования Земли из космоса"

XV.A.403

Методы и алгоритмы обработки спутниковых данных