Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 1. С. 46-57
Разработка метода спектрально-пространственной классификации гиперспектральных изображений, основанного на локальном мультифрактальном анализе и методе опорных векторов
1 Московский государственный университет геодезии и картографии, Москва, Россия
Одобрена к печати: 08.11.2018
DOI: 10.21046/2070-7401-2019-16-1-46-57
Повышение качества классификации является сегодня одной из ключевых проблем теории и практики обработки гиперспектральных изображений. Одним из путей решения этой задачи становится привлечение в процесс классификации пространственной (контекстной) информации. В статье предлагается новый метод спектрально-пространственной классификации гиперспектральных изображений, в котором в качестве пространственных признаков используются мультифрактальные характеристики и значения ёмкости Шоке, рассчитываемые с помощью локального мультифрактального анализа. В работе выделяются три группы мультифрактальных характеристик, которые могут использоваться в качестве классификационных признаков: глобальные, рассчитываемые для относительно крупных окрестностей пикселей; величины, вычисляемые на основе значений глобальных мультифрактальных характеристик, и локальные. Объединение пространственных признаков со спектральной информацией предлагается выполнять посредством классификатора, основанного на методе опорных векторов. Апробация метода проводится на двух тестовых гиперспектральных изображениях Pavia University и Salinas, имеющих разное пространственное разрешение. Результаты апробации показывают, что разработанный метод превосходит аналогичные по таким показателям качества классификации как общая точность и показатель каппа.
Ключевые слова: гиперспектральное изображение, машина опорных векторов, гёльдеровская экспонента, мультифрактал
Полный текстСписок литературы:
- Малинников В. А., Учаев Д. В. Применение методики мультифрактальной сегментации изображений для выделения контуров на аэрокосмических снимках // Известия вузов. Геодезия и аэрофотосъемка. 2008. № 6. С. 37–41.
- Малинников В. А., Учаев Д. В., Учаев Дм. В. Разработка метода обобщенного локально-глобального мультифрактального анализа изображений для исследования пространственной структуры сложных природно-антропогенных систем // Известия вузов. Геодезия и аэрофотосъемка. 2010. № 4. С. 64–68.
- Малинникова О. Н., Малинников В. А., Учаев Дм. В., Учаев Д. В. Асимметрия мультифрактальных спектров, описывающих поверхностную структуру углей выбросоопасных и невыбросоопасных пластов // Материалы 24-й Международной научной шк. «Деформирование и разрушение материалов с дефектами и динамические явления в горных породах и выработках». Алушта. 22–28 сент. 2014. Симферополь: Таврический нац. ун-т, 2014. С. 125–130.
- Учаев Д. В., Учаев Дм. В., Есипов А. С., Филатова Е. Г. Фрактальный подход к выбору коэффициента сжатия гиперспектральных изображений в методе 3D-SPIHT при условии последующей классификации восстанавливаемых изображений методом опорных векторов // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 4. С. 9–23.
- Чабан Л. Н., Малинников В. А., Учаев Д. В., Учаев Дм. В. Методы отбора информативных каналов при тематической обработке гиперспектральных изображений // Известия вузов. Геодезия и аэрофотосъемка. 2014. № 4. С. 63–74.
- Eismann M. T. Hyperspectral Remote Sensing. Bellingham, Washington: SPIE Press, 2012. 748 p.
- Fauvel M. Spectral and spatial methods for the classification of urban remote sensing data: Doctoral Thesis. Grenoble, 2007. 189 p.
- Fauvel M., Chanussot J., Benediktsson J. A. A spatial-spectral kernel-based approach for the classification of remote-sensing images // Pattern Recognition. 2012. V. 45. No. 1. P. 381–392.
- Ghamisi P., Benediktsson J. A., Ulfarsson M. O. Spectral-Spatial Classification of Hyperspectral Images Based on Hidden Markov Random Fields // IEEE Trans. Geoscience and Remote Sensing. 2014. V. 52. No. 5. P. 2565–2574.
- Jia X., Kuo B.-C., Crawford M. M. Feature Mining for Hyperspectral Image Classification // Proc. IEEE. 2013. V. 101. No. 3. P. 676–697.
- Kuo B.-C., Landgrebe D. A. Nonparametric weighted feature extraction for classification // IEEE Trans. Geoscience and Remote Sensing. 2004. V. 42. No. 5. P. 1096–1105.
- Lee C., Landgrebe D. A. Feature extraction based on decision boundaries // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1993. V. 15. No. 4. P. 388–400.
- Levy Vehel J., Mignot P., Berroir J.-P. Multifractals, texture, and image analysis // Proc. CVPR’92. Champaign, 1992. P. 661–664.
- Melgani F., Bruzzone L. Classification of Hyperspectral Remote Sensing Images With Support Vector Machines // IEEE Transactions on Geoscience and Remote Sensing. 2004. V. 42. No. 8. P. 1778–1790.
- Soille P. Beyond self-duality in morphological image analysis // Image and Vision Computing. 2005. V. 23. No. 2. P. 249–257.
- Tarabalka Y., Chanussot J., Benediktsson J. A. Segmentation and classification of hyperspectral images using watershed transformation // Pattern Recognition. 2010. V. 43. No. 7. P. 2367–2379.
- Uchaev Dm. V., Uchaev D. V., Malinnikov V. A. Image contrast enhancement using Chebyshev wavelet moments // Proc. SPIE. Barcelona, 2015. V. 9875. P. 987512.
- Uchaev Dm. V., Uchaev D. V., Malinnikov V. A. Chebyshev-based technique for automated restoration of digital copies of faded photographic prints // J. Electronic Imaging. 2017. V. 26. No. 1. P. 011024.
- Vapnik V. N. Statistical Learning Theory. 1st ed. N. Y.: Wiley-Interscience, 1998. 768 p.
- Ye Z., Fowler J. E., Bai L. Spatial-spectral hyperspectral classification using local binary patterns and Markov random fields // J. Applied Remote Sensing. 2017. V. 11. No. 3. P. 035002.
- Zhang R., Tian J., Li Z., Sun X., Jiang X. Spatial scaling and information fractal dimension of surface parameters used in quantitative remote sensing // Intern. J. Remote Sensing. 2008. V. 29. No. 17. P. 5145–5159.