Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 1. С. 25-34
Сегментация мультиспектральных снимков с применением свёрточных нейронных сетей
Е.С. Иванов
1 , И.П. Тищенко
1 , А.Н. Виноградов
1 1 Институт программных систем им. А.К. Айламазяна РАН, Переславль-Залесский, Россия
Одобрена к печати: 25.12.2018
DOI: 10.21046/2070-7401-2019-16-1-25-34
Работа посвящена обработке аэрокосмических мультиспектральных снимков, полученных при дистанционном зондировании Земли, а именно сегментации. Целью статьи является описание метода сегментации мультиспектральных снимков с использованием свёрточных нейронных сетей. В компьютерной графике сегментация ― сложная задача, на результаты работы которой может влиять множество факторов: шум на изображении, текстура и т. д. Изображения, полученные в результате сегментации, могут быть использованы для последующего анализа с менее затратными ресурсами. В статье описано общее понятие о нейронных сетях свёрточного типа, описана их архитектура. С использованием свёрточных нейронных сетей был разработан и реализован подход к сегментации мультиспектральных снимков, который также представлен в данной статье. Предложенные методы обработки снимков позволяют избежать исчезновения объектов, их ложного появления (избыточная сегментация) и неточности определения их границ на результатах сегментации. В качестве исходных данных использовались снимки, полученные со спутника Terra при помощи инструмента ASTER. Приведены результаты сегментации мультиспектральных снимков дистанционного зондирования Земли. Обосновано преимущество использования оригинальных мультиспектральных снимков по сравнению с трёхканальными (RGB) изображениями.
Ключевые слова: сегментация изображений, дистанционное зондирование, компьютерное зрение, обработка изображений, мультиспектральные снимки, свёрточные нейронные сети
Полный текстСписок литературы:
- Барталев С. А., Ховратович Т. С. Анализ возможностей применения методов сегментации спутниковых изображений для выявления изменений в лесах // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 44–62. URL: http://d33.infospace.ru/d33_conf/2011v8n1/044-062.pdf.
- Дорогой Я. Ю. Архитектура обобщенных сверточных нейронных сетей // Вестник НТУУ КПИИ. 2011. № 54. С. 229–234. URL: http://www.it-visnyk.kpi.ua/wp-content/uploads/2012/08/54_36.pdf.
- Пестунов И. А., Рылов С. А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения // Вестник Кемеровского гос. ун-та. 2012. № 4(52). Т. 2. С. 104–109.
- Романов А. А. Сверточные нейронные сети // 21-я Международная научно-практич. конф. «Научные исследования: ключевые проблемы III тысячелетия»: сб. тр. конф. 2018. С. 5–9. URL: https://scientificresearch.ru/images/PDF/2018/21/svertochnye.pdf.
- Соловьев Р. А., Тельпухов Д. В., Кустов А. Г. Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной нейронной сети UNET // Инженерный вестник Дона. 2017. Т. 47. № 4(47). URL: http://ivdon.ru/uploads/article/pdf/IVD_56_soloviev_N.pdf_116222c2f5.pdf.
- Хлопков Ю. И. Применение искусственных нейронных сетей в гиперзвуковой аэродинамике // Международный журн. прикладных и фундаментальных исследований. 2015. № 4-1. С. 45–49.
- Чабан Л. Н., Вечерук Г. В., Гаврилова Т. С. Исследование возможностей классификации растительного покрова по гиперспектральным изображениям в пакетах тематической обработки данных дистанционного зондирования // Труды Московского физико-технич. ин-та. 2009. Т. 1. № 3. С. 171–180. URL: https://mipt.ru/za-nauku/upload/7ce/f_eduu-arphcxl1tgs.pdf.
- Ciresan D., Giusti A., Gambardella L., Schmodbuber J. Deep neural networks segment neuronal membranes in electron microscopy images // Advances in Neural Information Processing Systems. 2012. P. 2843–2851. URL: http://people.idsia.ch/~juergen/nips2012.pdf.
- Kriesel D. A Brief introduction to Neural Networks. Version ZETA2-EN. 2007. 226 p. URL: http://www.dkriesel.com/_media/science/neuronalenetze-en-zeta2-2col-dkrieselcom.pdf.
- Li Y., Zhang H., Shen Q. Spectral-spatial classification of hyperspectral imagery with 3D convolutional neural network // Remote Sensing. 2017. V. 9. No. 1. P. 67.
- Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Intern. Conf. Medical Image Computing and Computer-Assisted Intervention. 2015. P. 234–241.
- Sarangi N., Sekhar С. Tensor Deep Stacking Networks and Kernel Deep Convex Networks // 4th Intern. Conf. Pattern Recognition: Applications and Methods (ICPRAM). 2015. P. 267–281.
- Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. V. 61. P. 85–117.