Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. №3. С. 75-84

Алгоритм двухэтапной классификации гиперспектральных данных в пространстве коэффициентов спектральной яркости по результатам авиационной съемки

В.Н. Остриков , С.И. Смирнов , В.В. Михайлов 
Санкт-Петербургский филиал ОАО КБ «Луч»
Рассматривается проблема классификации данных гиперспектральной съемки в пространстве коэффициентов спектральной яркости. Предполагается, что каждый объект на снимке принадлежит какому-либо спектральному классу, содержащемуся в базе данных, сформированной посредством наземных измерений спектральных характеристик объектов. Входными данными алгоритма являются гиперспектральные снимки, прошедшие предварительную обработку (калибровка, фильтрация регулярного и случайного шумов, геометрическая коррекция). Классификация осуществляется в два этапа. На первом производится отсев классов, к которым заведомо не может принадлежать объект, с использованием «грубой» метрики. Процедура позволяет существенно снизить конечный объем обработки. На втором этапе из множества «оставшихся» классов производится селекция близких к объекту элементов базы с учетом чувствительной к спектральным различиям метрики (метрики Теребижа, декартовой). Алгоритм опробован на данных гиперспектральной съемки, полученных с авиационного носителя при различных условиях наблюдения. Выявлена робастность алгоритма в широком диапазоне отношений сигнала к шуму. Проведено сравнение результатов классификации.
Ключевые слова: классификация гиперспектральных данных, метрика Теребижа, кластеризация, classification of hyperspectral data, the Terebizh’s metric, clustering
Полный текст

Список литературы:

  1. Загоруйко Н.Г. Прикладные методы анализа данных и знаний // Новосибирск: ИМ СО РАН, 1999
  2. Остриков В.Н., Плахотников О.В., Кириенко А.В. Комплекс обработки гиперспектральных данных, получаемых с авиационных и космических носителей // Материалы десятой всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса». 2012
  3. Теребиж В.Ю. Введение в статистическую теорию обратных задач // М.: Физматлит, 2005
  4. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений / Пер. с англ. М.: Техносфера, 2010. 556 с
  5. Lloyd S. Least square quantization in PCM’s // Bell Telephone Laboratories Paper, 1957
  6. MacQueen J. Some methods for classification and analysis of multivariate observations // Proc. 5th Berkeley Symp. on Math. Statistics and Probability, 1967. P. 281–297
  7. Steinhaus H. Sur la division des corps matériels en parties // Bull. Acad. Polon. Sci., C1. III. Vol. IV. 1956. P. 801–804