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. 2019. Т. 16. № 2. С. 29-41

Распознавание категорий наземных объектов на основе корреляционных портретов с применением в модели рассеяния атмосферных загрязнений

Б.М. Балтер 1 , В.В. Егоров 1 , В.А. Котцов 1 , М.В. Фаминская 2 
1 Институт космических исследований РАН, Москва, Россия
2 Российский Государственный социальный университет, Москва, Россия
Одобрена к печати: 10.03.2019
DOI: 10.21046/2070-7401-2019-16-2-29-41
Описан метод распознавания эталонных объектов в многоспектральных и гиперспектральных данных дистанционного аэрокосмического зондирования Земли. Метод основан на вычислении межканальных корреляционных матриц и последующем корреляционном сравнении их с аналогичными матрицами эталонных объектов (так называемая двойная корреляция, ДК). Распознавание наземных объектов проводится по максимуму двойной корреляции с эталонами. Поскольку метод чувствителен к пространственной структуре участков, для которых строятся корреляционные портреты, он является естественным дополнением к методам классификации, ориентированным только на средние спектральные показатели, таким, как метод максимума правдоподобия (МП). Мы описываем совместное c МП применение метода ДК в задаче распознавания категорий объектов поверхности, существенных для моделирования рассеяния атмосферных загрязнений, на основе многолетних данных Landsat, организованных в подобие гиперспектральной структуры. Такая имитация гиперспектральных данных является неполной из-за дискретности по спектральной переменной и возможного дрейфа наземных структур со временем, однако это единственный тип данных, систематически доступных в задачах, связанных с индустриальным загрязнением воздуха. Рассчитаны вероятности распознавания и ложной тревоги, а также другие рабочие характеристики. Эффект ДК, измеренный по рабочим кривым для трёх наиболее проблемных для различения категорий в задаче рассеяния загрязнений (индустрия, плотная и неплотная жилая застройка), составляет от 2 до 14 % по сумме ошибок 1-го и 2-го рода. Соответствующий эффект применения ДК к одной реальной задаче рассеяния индустриальных загрязнений ― от 2 до 3 % по максимальным почасовым концентрациям в 18 районах города (в одном районе эффект отрицательный) и до 30 % на отдельные даты по тем же районам (для некоторых дат эффект отрицательный).
Ключевые слова: корреляционная матрица, гиперспектральные и многоспектральные данные, эталонные объекты, максимум правдоподобия, рассеяние загрязнений, вероятность распознавания, вероятность ложной тревоги
Полный текст

Список литературы:

  1. Балтер Б. М., Егоров В. В., Кузьмин А. А., Чекалина Т. И. Применение спектрально-корреляционных методов и теории катастроф в изучении пространственной неоднородности земной поверхности // Исследование Земли из космоса. 1991. Т. 10. № 5. С. 10–15.
  2. Балтер Б. М., Балтер Д. Б., Котцов В. А. Обработка гиперспектральных данных по Земле и Марсу // Современные проблемы дистанционного зондирования Земли из космоса. 2006. Вып. 3. № 1. С. 68–76.
  3. Балтер Б. М., Егоров В. В., Котцов В. А., Стальная М. В. Корреляционные портреты гиперспектральных данных дистанционного зондирования // Всерос. научно-техн. конф. «Современные проблемы определения ориентации и навигации космических аппаратов»: сб. тр. конф. Россия, Таруса, 22–25 сент. 2008. М.: ИКИ РАН, 2009. С. 510–518.
  4. Балтер Б. М., Егоров В. В., Котцов В. А. Способ преобразования изображения. Патент РФ 2586405. Рег. 10.06.2016.
  5. Балтер Б. М., Егоров В. В., Котцов В. А. Новые возможности корреляционного анализа для систем технического зрения // Техническое зрение. 2017. № 1. С. 53–59.
  6. Попа А., Балтер Б. М., Ганзориг М., Егоров В. В. Особенности корреляционной структуры спектра оптического сигнала, восходящего от зондируемых объектов (на примере морской поверхности) // Исследование Земли из космоса. 1988. Т. 7. № 3. С. 23–30.
  7. Biehl L., Landgrebe D. MultiSpec ― a tool for multispectral–hyperspectral image data analysis // Computers and Geosciences. 2002. V. 28. Iss. 10. P. 1153–1159.
  8. Chekalina T. I., Popova I. V., Balter B. M., Egorov V. V. Correlation portraits and neural networks for spaceborne high-resolution spectrometry // Proc. ISSSR Intern. Symp. Maui, Hawaii. 1992. V. 2. P. 1137–1149.
  9. Lee C., Landgrebe D. Analyzing High Dimensional Multispectral Data // IEEE Trans. Geoscience and Remote Sensing. 1993. V. 31. P. 792–800.