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. 2018. Т. 15. № 4. С. 27-35

Использование метода ортогональной проекции для идентификации малых объектов в мультиспектральном анализе

А.В. Герус 1 , Е.В. Савченко 1 , В.П. Саворский 1, 2 
1 Институт радиотехники и электроники им. В. А. Котельникова РАН, Фрязинский филиал, Фрязино, Московская область, Россиия
2 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 19.07.2018
DOI: 10.21046/2070-7401-2018-15-4-27-35
Предложен способ распознавания малых объектов (меньше разрешающей способности аппаратуры) на известном фоне в многоспектральном анализе. В основе способа лежат четыре основные идеи. Первая ― применение не исходных спектров, а нормированных, что для всех исследованных фонов даёт существенно меньшую их вариативность. Вторая ― применение специальной калибровки, когда при расчёте все спектры сигналов и фона делятся на средний спектр фона с соответствующими весовыми коэффициентами. Третья ― использование процедуры вычисления модуля ортогональной проекции к нормированным векторам фона и исследуемого спектра, которая для правильной гипотезы неизвестного сигнала должна дать минимальное значение. Четвёртая ― статистическая обработка полученных результатов, когда берутся в расчёт спектры различных точек пространства, в которых присутствует только фон. В работе проводилось сравнение идентификации различных объектов нашим методом с известным методом, основанным на минимизации среднеквадратичного отклонения расчётного спектра от исследуемого. Брались спектры 40 различных пространственных точек фона и рассматривались четыре объекта на подмосковном аэродроме. Моделирование показало уверенное распознавание всех рассмотренных объектов при доле фона в смеси до 85−95 %, которое практически во всех случаях было значительно лучше, чем для метода средних квадратов.
Ключевые слова: ортогональная проекция, вариативность, расширенное многомерное пространство
Полный текст

Список литературы:

  1. Герус А. В., Герус Т. Г. Акустооптические методы идентификации объектов в гиперспектральном анализе // Физические основы приборостроения. 2015. Т. 4. № 4. C. 70–83.
  2. Журавель Ю. Н., Федосеев А. А. Особенности обработки гиперспектральных данных дистанционного зондирования при решении задач мониторинга окружающей среды // Компьютерная оптика. 2013. Т. 37. № 4. С. 471–476.
  3. Игнатьев В. Ю., Матвеев И. А., Мурынин А. Б., Трекин А. Н. Метод повышения разрешения космических изображений с использованием априорной информации в векторной форме для сохранения границ // Вестник Московского гос. технич. ун-та им. Н. Э. Баумана. Серия «Естественные науки». 2017. С. 1717–1730.
  4. Лупян Е. А., Прошин А. А., Бурцев М. А., Балашов И. В., Барталев С. А., Ефремов В. Ю., Кашницкий А. В., Мазуров А. А., Матвеев А. М., Суднева О. А., Сычугов И. Г., Толпин В. А., Уваров И. А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 263−284.
  5. Хафизов Д. Г. Синтез и анализ алгоритмов распознавания изображений пространственных групповых точечных объектов: дис. … канд. техн. наук. Йошкар-Ола, 2004. 151 с.
  6. Четвертаков А. Н. Обнаружение объектов минимального контраста на цифровых изображениях // Гаудеамус. 2013. № 2(22). С. 92–95.
  7. Amro I., Mateos J., Vega M., Molina R., Katsaggelos A. K. A survey of classical methods and new trends in pansharpening of multispectral images // EURASIP J. Advances in Signal Processing. 2011. P. 2–19.
  8. Loncan L., Almeida L. B., Bioucas-Dias J. M., Briottet X., Chanussot J., Dobigeon N., Fabre S., Liao W., Licciardi G. A., Simões M., Tourneret J.-I., Veganzones M. A., Vivone G., Wei Q., Yokoya N. Hyperspectral pansharpening // IEEE Geoscience and Remote Sensing Magazine. 2015. No. 3. P. 27–46.
  9. Manolakis D., Shaw G. Detection Algorithms for Hyperspectral Imaging Applications // IEEE Signal Processing Magazine. 2002. V. 19. No. 1. P. 378–384.
  10. Manolakis D., Marden D., Shaw G. Hyperspectral Image Processing for Automatic Target Detection Applications // Lincoln Laboratory J. 2003. V. 14. No. 1. pp. 79–115.
  11. Pearlman J., Carman S., Segal C., Jarecke P., Barry P. Overview of the Hyperion Imaging Spectrometer for the NASA EO-1 Mission // Intern. Geoscience and Remote Sensing Symp. (IGARSS‘01): Proc. Conf. IEEE, 2001. V. 7. P. 3036−3038.