Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. №4. С. 29-36
Сравнение методов объектно-ориентированной и нейросетевой
классификации данных дистанционного зондирования Земли
на основе материалов систем Landsat-5 и Orbview-3
А.А. Романов
, К.А. Рубанов
Сибирский федеральный университет, 660041, Красноярск, пр. Свободный, 79
Представлены результаты сравнительного анализа точности методов классификации данных дистанционного
зондирования Земли, основанных на объектно-ориентированных и нейросетевых подходах. Сравнение прово-
дилась по данным среднего и высокого пространственного разрешения (Landsat-5 и Orbview-3), характеризую-
щим одну и ту же территорию подстилающей поверхности. Показано, что нейросетевой алгоритм значитель-
но превзошел показатели точности алгоритма объектно-ориентированного (ООП) в случае обработки данных
Landsat (92 % против 74 %), и несущественно (всего на 2 %) превзошел результаты ООП для данных Orbview.
Ключевые слова: дистанционное зондирование, управляемая классификация, нейронные сети, статистические алгоритмы, объектно-ориентированный подход, Landsat, Orbview
Полный текстСписок литературы:
- Azimi-Sadjadi M.R., Ghaloum S., Zoughi R. Terrain classification in SAR images using principal components analysis and neural networks // IEEE Trans. Geoscience and Remote Sensing. 1993. V. 31. P. 511-515.
- Benediktsson J.A., Swain P.H., Ersoy O.K. Neural network approaches versus statistical methods in classification of multisource remote sensing data // IEEE Trans. Geoscience and Remote Sensing. 1990. V. 28. N. 4. P. 540-552.
- Bischof H., Schneider W., Pinz A.J. Multispectral classification of Landsat images using neural networks // IEEE Trans. Geoscience and Remote Sensing. 1992. V. 30. P. 482-490.
- De Kok R., Schneider T., Ammer U. Object-based classification and applications in the alpine forest environment // Intern. Archives of Photogrammetry and Remote Sensing. Valladolid. Spain. 1999. V. 32.
- Decatur S.E. Applications of neural networks to terrain classification // Proc. Intern. Joint Conf. Neural Networks. Washington DC, USA. 1989. P. 283-288.
- Kamagata N., Hara K., Mori M., Akamatsu Y., Li Y., Hoshino Y. A new method of vegetation mapping by object-based classification using high resolution satellite data // Proc. 1st Intern. Conf. Object-Based Image Analysis. 2006. V. 36-4/C42.
- Keramitsoglou I., Sarimveis H., Kiranoudis C.T., Sifakis N. Radial basis function neural networks classification using very high spatial resolution satellite imagery: an application to the habitat area of Lake Kerkini (Greece) // Intern. J. Remote Sensing. 2005. V. 26. N. 9. P. 1861-1880.
- Kettig R.L., Landgrebe D.A. Classification of multispectral image data by extraction and classification of homogeneous objects // IEEE Trans. Geoscience Electronics. 1976. V. GE-14, N. 1. P. 19-26.
- Lee J., Weger R.C., Sengupta S.K., Welch R.M. A neural network approach to cloud classification // IEEE Trans. Geoscience and Remote Sensing. 1990. V. 28. P. 846-855.
- Marghany M., Hashim M. Comparison between Mahalanobis classification and neural network for oil spill detection using RADARSAT-1 SAR data // Intern. J. Physical Sciences. 2011. V. 6. N. 3. P. 566-576.
- Qian J., Zhou Q.M., Hou Q. Comparison of pixel-based and object-oriented classification methods for extracting built-up areas in aridzone // ISPRS Workshop on Updating Geo-spatial Databases with Imagery and The 5th ISPRS Workshop on DMGISs. 2007. P. 163-171.
- Raghu P.P., Yegnanarayana B. Multispectral image classification using Gabor filters and stochastic relaxation neural network // Neural Networks. 1997. V. 10. P. 561-572.
- Shafri H.Z.M., Suhaili A., Mansor S. The performance of Maximum Likelihood, Spectral Angle Mapper, Neural Network and Decision Tree classifiers in hyperspectral image analysis // J. Computer Science. 2007. V. 3. N. 6. P. 419-423.
- Xiaoxia S., Jixian Z., Zhengjun L. A comparison of object-oriented and pixel-based classification approachs using Quickbird imagery // Intern. Symp. Spatio-Temporal Modelling, Spatial Reasoning, Analysis, Data Mining and Data Fusion. Beijing, China. 2005.