Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 7. С. 9-19
Классификация гиперспектральных изображений с использованием кластерной структуры данных
Е.В. Раменская
1 , М.П. Кузнецов
2 , В.В. Ермаков
1 , О.Р. Баркова
1 , А.А. Бран
1 1 Самарский государственный технический университет, Самара, Россия
2 Московский физико-технический институт, Долгопрудный, Московская обл., Россия
Одобрена к печати: 20.11.2017
DOI: 10.21046/2070-7401-2017-14-7-9-19
Решается задача двухклассовой классификации гиперспектрального изображения, полученного в ходе проведения летных испытаний самолета-лаборатории, с разбиением на кластеры внутри каждого класса. На первом этапе алгоритм выполняет кластеризацию областей интереса, максимизируя функцию правдоподобия для смеси гауссовских распределений. На втором этапе алгоритм использует расстояния Махаланобиса до центров кластеров в качестве признакового пространства и выполняет в этом пространстве классификацию методом дерева решений, минимизирующим ошибку классификации. Алгоритм обладает низкой вычислительной сложностью: обучающая стадия линейно зависит от количества размеченных пикселов. Предложенный метод является интерпретируемым в рамках экспертной области. Подобная классификация позволяет с высокой точностью идентифицировать области интереса на гиперспектральном снимке. Алгоритм позволил отделить нефтезагрязненные участки почвы от других слабоотражающих объектов. Результатом работы алгоритма является изображение, на котором цветом обозначены только участки с присутствием нефтепродукта, а все остальные участки затемнены. Данное изображение имеет то же разрешение, что и исходный снимок. Геопривязка сохраняется, и появляется возможность подсчета окрашенных пикселей изображения на полученном снимке.
Ключевые слова: гиперспектральное изображение, кластерная гипотеза, смесь распределений, расстояние Махаланобиса, решающее дерево
Полный текстСписок литературы:
- Гурьянова А.О., Ермаков В.В., Раменская Е.В., Мандра А.Г. Получение опорных спектральных сигнатур при гиперспектральной съемке // Экология и промышленность России. 2014. № 10. С. 44–47.
- Орлов Д.С., Алмосова Я.М., Бочаринова Е.А., Лопухина О.В. Использование метода отражательной способности нефтезагрязненных почв при дистанционном мониторинге // Аэрокосмические методы в почвоведении. 1989. С. 73–75.
- Токарева О.С. Обработка и интерпретация данных дистанционного зондирования Земли: учеб. пособие: Изд-во Томского политехн. ун-та, 2010. 148 с.
- Уваров И.А., Лупян Е.А., Матвеев А.М., Мазуров А.А., Лаврова О.Ю., Митягина М.И. Организация работы с данными спутниковых гиперспектральных наблюдений для исследования процессов в Мировом океане // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 1. С. 200–212.
- Чертес К.Л., Зеленцов Д.В., Бальзанников М.И., Гришин Б.М., Андреев С.Ю. Интенсивная биотермическая обработка осадков нефтесодержащих сточных вод // Электрон. науч. журн. Нефтегазовое дело. 2012. № 4. С. 261–266.
- Ball G.H., Hall D.J. Isodata, method of data analysis and pattern classification. Stanford Research Institute Publisher, 1965. 76 p.
- Broomhead D.S., Lowe D. Radial basis functions, multi-variable functional interpolation and adaptive networks: Technical report. DTIC Document. Royals Signals and Radar Establishment, 1988. 39 p.
- Dinov I.D. Expectation maximization and mixture modeling tutorial / Statistics Online Computational Resource; University of California, Los Angeles. 2008. 18 p.
- Ermakov V.V., Bogomolov A., Bykov D.E. Oil sludge depository assessment using multivariate data analysis // J. Environmental Management. 2012. Vol. 105. Р. 144–151.
- Mahalanobis P.C. On the generalized distance in statistics // Proc. National Institute of Sciences of India. 1936. Vol. 2. No. 1. Р. 49–55.
- Manolakis D., Marden D., Shaw G.A. Hyperspectral image processing for automatic target detection applications // Lincoln Laboratory J. 2003. Vol. 14. No. 1. Р. 79–116.
- Orr M.J.L. Introduction to radial basis function networks / Centre for Cognitive Science / University of Edinburgh. 1996. URL: https://www.cc.gatech.edu/~isbell/tutorials/rbf-intro.pdf (дата обращения: 12.01.2017).
- Quinlan J.R. Induction of decision trees // Machine learning. 1986. No. 1. Р. 81–106.
- Quinlan J.R. C4.5: Programs for Machine Learning. Elsevier, 2014. 302 p.
- Redner R.A. Walker H.F. Mixture Densities, Maximum Likelihood and the Em Algorithm // SIAM Review. 1984. Vol. 26. No. 2. P. 195–239.