Тематическая классификация гиперспектральных изображений по показателю сопряжённости
Фурсов В.А.
, Бибиков С.А., Байда О.А.

Аннотация:

Исследуется алгоритм тематической классификации гиперспектральных изображений, основанный на применении в качестве меры близости показателя сопряжённости с подпространством, образованным векторами признаков заданного класса. Рассматриваемая мера близости по существу является обобщением метода спектрального угла (Spectral Angle Mapper), реализованного в пакете обработки гиперспектральных данных ENVI. В данном случае, вместо вычисления косинуса угла между двумя векторами, вычисляется косинус угла между распознаваемым вектором и подпространством. В работе описаны различные модификации предлагаемого метода: с разбиением класса на подклассы и с приведением векторов, представляющих все гиперпиксели изображения, к нулевому среднему. Приводятся результаты экспериментов на тестовых гиперспектральных изображениях, иллюстрирующие возможность достижения более высокого качества классификации по сравнению с методом спектрального угла.

Ключевые слова :
гиперспектральные изображения, классификация, метод спектрального угла, показатель сопряжённости.

Литература:

  1. Шовенгердт, Р.А. Дистанционное зондирование. Модели и методы обработки изображений / Р.А. Шовенгердт. – М.: Техносфера, 2010. – 560 с. – ISBN 978-5-94836-244-1.
  2. Чабан, Л.Н. Моделирование и тематическая обработка изображений, идентичных видеоданным с готовящейся к запуску и разрабатываемой гирперспектральной аппаратурой ДЗЗ / Л.Н. Чабан, Г.В. Вечерук, Т.В. Кондранин, С.В. Кудрявцев, А.А. Николенко // Современные проблемы дистанционного зондирования Земли из космоса. – 2012. – Т. 9, № 2. – С. 111-121.
  3. ENVI 4.1 User’s Guide – Research System Inc., 2004. – 1150 p.
  4. De Carvalho, O. A. Spectral correlation mapper (SCM): an improvement on the spectral angle mapper (SAM) / Osmar Abí­lio de Carvalho Jr., and Paulo Roberto Meneses // Summaries of the 9th JPL Airborne Earth Science Workshop, JPL Publication 00-18. – Pasadena, CA: JPL Publication, 2000. – Vol. 9. – 9 p.
  5. Shafri, H. Z. M. The Performance of Maximum Likelihood, Spectral Angle Mapper, Neural Network and Decision Tree Classifiers in Hyperspectral Image Analysis / Helmi Zulhaidi Mohd Shafri, Suhaili Affendi, and Mansor Shattri // Journal of Computer Science. – 2007. – No. 3(6). – P. 419-423.
  6. Fursov, V.A. Training in Pattern Recognition from a Small Number / Vladimir A. Fursov // Proc. 15th International Conference on Pattern recognition (ISPR) 2000, Barcelona, Spain. – 2000. – Vol. 2. – P. 119-121.
  7. Fursov, V.A. Building of Classifiers Based on Conjugation Indices / V. A. Fursov, I. A. Kulagina, and N. E. Kozin // Optical Memory and Neural Networks (Information Optics). – 2007. – Vol. 16, No. 3. – P. 136-143.
  8. Fursov, V. Building of Classifier Based on Conjugation Indexes / Vladimir Fursov, Irina Kulagina, Nikita Kozin. // Proceedings of The 5-th International Conference on Machine Learning and Data Mining. Leipzig, Germany, 18 - 20 July, 2007. –2007. – P. 231-235.
  9. Козин, Н.Е. Построение классификаторов для распознавания лиц на основе показателей сопряжённости / Н.Е. Козин, В.А. Фурсов // Компьютерная оптика. – 2005. – № 28. – C. 160-163.
  10. Fursov, V. Constructing of Classifier for Face Recognition on the Basis of the Conjugation Indexes / Vladimir Fursov, Nikita Kozin // Transactions on Engineering Computing and Technology. – 2006. – Vol. 13. – P. 72-74.
  11. Fursov, V. Recognition through Constructing the Eigenface Classifiers using Conjugation Indices / Vladimir Fursov, Nikita Kozin // 2007 IEEE International Conference on Advanced Video and Signal based Surveillance London (United Kingdom), 5-7 September 2007. – 2007. – P. 465-469. – ISBN 978-1-4244-1696-7.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20