Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Двадцать первая международная конференция "СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"

XXI.A.413

Представление и обработка спектральных моделей по данным гиперспектральной съёмки

Гвоздев О.Г. (1,2), Козуб В.А. (1), Мурынин А.Б. (1,3), Рихтер А.А. (1)
(1) НИИ "АЭРОКОСМОС", Москва, РФ
(2) МИИГАиК, Москва, РФ
(3) ФИЦ ИУ РАН, Москва, РФ
Гиперспектральная съёмка экологических объектов отличается от мультиспектральной по ряду признаков: «видимость невидимого», детализация и более «тонкое» различение объектов; значительно выше спектральное разрешение, число каналов; уже ширина полосы и непрерывность спектра; сложнее интерпретируемость местности (наличие порой излишних массивов данных или данных, в которых сложно разобраться); значительно выше удельная информативность и стоимость. [1-3]
В работе различаются понятия. Спектральная сигнатура – значения яркостей пикселя (области, класса областей) на разных спектральных диапазонах. Спектральная модель – математическая модель, описывающая класс областей, воспроизводящая всевозможные сигнатуры пикселей этого класса с учётом их статистических характеристик. Спектральный рисунок – иллюстрация спектральной сигнатуры или модели, получаемая с использованием различных программных средств.
Выделение полезной информации и получение спектральных моделей классов на гиперспектральных изображениях осуществляется с помощью методов кластеризации (в особенности иерархических), мер разделимости кластеров (угловых информационных мер, мер на основе корреляции, на основе сопоставления признаков и др.), морфологических операций над изображениями, визуального или автоматизированного сопоставления распределения яркости с эталоном, а также методики определения оптимальных комбинаций спектральных каналов. При обработке больших объёмов данных применяются подходы тайлинга, агрегирования и уменьшения размерности. [4-5]
Предлагаются правила для таксономии, структуры и координирования объекта земной поверхности (объекта заинтересованности), по которому формируется спектральная модель.
Вид объекта идентифицируется трёхуровневой классификацией: класс, состояние, условие. Класс – иначе физический класс объекта, состояние – качественный признак или компонентный состав объекта (внутренние характеристики), условие – освещённость, время года/суток, погодные и климатические условия, география, съёмка (внешние характеристики). В соответствие с данной классификацией можно построить кладограмму объектов.
Структура объекта – разложение объекта на однородные компоненты. На первом уровне объект раскладывается на материалы – структурные составляющие объекта. На втором уровне материал раскладывается на вещества, каждому из которых соответствует своё сгущение. Каждое сгущение, т.е. каждое вещество, имеет спектральную модель, идентифицируемую набором статистических характеристик.
Координирование объекта – иными словами, установка его «адреса» в потоке изображений, т.е. вида объекта, ID снимка, на котором построена область, а также порядковый номер области этого вида на снимке.

Ключевые слова: обработка изображений, гиперспектральные изображения экологических объектов, спектральная модель, кластеризация, классификация, меры разделимости
Литература:
  1. Токарева О. С. Обработка и интерпретация данных дистанционного зондирования Земли. Томск: Изд-во Томского политехнического университета, 2010. – 148 с.
  2. Andreoli G., Bulgarelli B., Hosgood B., Tarchi D. Hyperspectral Analysis of Oil and Oil-Impacted Soils for Remote Sensing Purposes / European commission joint Research centre. 2007. URL: https://www.ugpti.org/smartse/research/citations/downloads/Andreoli-HSI_for_Oil_and_Spills-2007.pdf.
  3. Борзов С. М., Мельников П. В., Пестунов И. А., Потатуркин О. И., Федотов А. М. 2016. Комплексная обработка гиперспектральных изображений на основе спектральной и пространственной информации. Вычислительные технологии, том 21, № 1.
  4. Ben-Hur, Asa; Horn, David; Siegelmann, Hava; Vapnik, Vladimir N. Support vector clustering (2001). Journal of Machine Learning Research. 2: 125–137.
  5. Jaccard P. Distribution de la flore alpine dans le Bassin des Dranses et dans quelques regions voisines // Bull. Soc. Vaudoise sci. Natur. 1901. V. 37. Bd. 140. S. 241—272.

Презентация доклада

Методы и алгоритмы обработки спутниковых данных

19