Распознавание объектов поверхности суши по гиперспектральным самолетным изображениям

Реализуется инновационная технология распознавания природно-техногенных объектов по данным самолетного гиперспектрального зондирования. Методы, алгоритмы и программное обеспечение решения рассматриваемых прикладных задач основаны на совместном использовании их спектральных и текстурных признаков с обучением классификатора (вычислительной процедуры) по тестовой выборке. Проводится оптимизация вычислительных процедур обработки данных для устранения возможной избыточности каналов при нахождении их корреляции и повышения устойчивости решаемых систем алгебраических уравнений (линейных и нелинейных) при сравнении канальных данных и объема обучающей выборки. Пошаговый метод последовательного дополнения каналов с анализом целевой функции точности распознавания выбранных объектов служит основой оптимизации для конкретного классификатора.
Приведены примеры получения оптимальной последовательности каналов гиперспектральной аппаратуры, ориентированные на воспроизведение породного и возрастного состава древостоев, луговой растительности, типов почв, водной поверхности, других объектов самолетного зондирования. Основное внимание уделялось отображению выбранных самолетных треков тестовой территории в терминах параметров ансамблей спектральных плотностей энергетических яркостей (СПЭЯ) для «чистых выделов» (сравнительно однородных древостоев). Демонстрируются возможности распространения обучения классификатора по СПЭЯ одного маршрута съемки на другой маршрут, охватывающий практически те же объекты, но с небольшим сдвигом времени съемки между маршрутами.
Разработан метод распознавания объектов с помощью квадратичного дискриминантного анализа по одной сцене и валидации результатов распознавания по смежной сцене. В качестве параметра отбора наиболее информативных каналов использовалась полная вероятность ошибки такой классификации с обучением. Для остановки вычислительного процесса применялись параметрические критерии значимости редукции данного параметра.
Исследования проводятся при финансовой поддержке грантов РФФИ 11-07-00382, 11-07-12006_офи_м и ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 годы, г/к № П349 и № 14.740.11.1091.