Вычислительные аспекты построения классификаторов разной сложности при обработке гиперспектральных аэрокосмических изображений

В проблеме обработки и интерпретации данных гиперспектрального аэрокосмического зондирования исследуются различные вычислительных схемы распознавания образов наблюдаемых объектов. Строятся классификаторы разного уровня сложности, которые позволяют в автоматизированном режиме проводить разбиение исходных данных на отдельные подмножества. Высокое спектральное разрешение (сотни спектральных каналов в видимой и ближней инфракрасной области, разрешение в единицы нанометров) способствует повышению точности решения рассматриваемых прикладных задач. Существуют, однако, пределы точности, которые увязывают размерность признакового пространства с объемом используемой выборки для изучаемых классов объектов. При высоком пространственном разрешении обрабатываемых данных возникает специфическая задача анализа спектральной смеси данных для разных типов объектов, освещенных и затененных. Исследуются особенности применения метода опорных векторов для целей классификации объектов на гиперспектральных изображениях по сравнению с известным методом дискриминантного анализа (линейного и нелинейного). Метод опорных векторов, основываясь на максимизации зазора (margin) между исходно бинарными классами и минимизации суммы ошибок классификации, при последующем использовании нелинейных ядерных функций в разрабатываемых вычислительных процедурах способствует достижению оптимальной разделяющей гиперплоскости в признаковом пространстве исходных данных и увязывается с двухслойными нейронными сетями. Этот метод, объединяясь с моделями нейронных сетей, предназначен для перспективной реализации с помощью параллельных компьютерных систем с большим числом процессоров и взаимных связей, а также с некоторыми принципами организации. Отличительные особенности таких подходов – адаптивность распознающей системы (возможность приспособления к новым связям), а также генерализация (возможность расширения результатов, полученных по обучающей выборке, на все элементы обрабатываемого гиперспектрального изображения).
Работа выполнена при финансовой поддержке ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы.