| Инд. авторы: | Борзов С.М., Потатуркин А.О., Потатуркин О.И., Федотов А.М. |
| Заглавие: | Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных территорий |
| Библ. ссылка: | Борзов С.М., Потатуркин А.О., Потатуркин О.И., Федотов А.М. Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных территорий // Автометрия. - 2016. - Т.52. - № 1. - С.3-14. - ISSN 0320-7102. |
| Внешние системы: | DOI: 10.15372/AUT20160101; РИНЦ: 25805600; |
| Реферат: | eng: The efficiency of a number of the classical methods of supervised classification of hyperspectral data is estimated by an example of discriminating the types of the underlying surface in natural and man-made areas. The minimum distance, support vector machine, Mahalanobis, and maximum likelihood methods are considered. Particular attention is paid to studying the dependence of the data classification accuracy on the number of spectral features and the way of choosing them in the above-mentioned methods. Experimental results obtained by processing real hyperspectral images of landscapes of various types are reported. rus: Выполнены исследования эффективности ряда классических методов контролируемой классификации гиперспектральных данных на примере различения типов подстилающей поверхности в природных и антропогенных зонах. Рассмотрены методы минимального расстояния, опорных векторов, Махаланобиса, максимального правдоподобия. Значительное внимание уделено изучению зависимости точности классификации данных от количества и способа выбора спектральных признаков при применении перечисленных методов. Приведены экспериментальные результаты, полученные при обработке реальных гиперспектральных изображений ландшафтов различного типа. |
| Ключевые слова: | classification of surface types; Reflection spectrum; remote sensing; спектр отражения; гиперспектральные изображения; классификация типов поверхностей; Hyperspectral images; дистанционное зондирование Земли; |
| Издано: | 2016 |
| Физ. характеристика: | с.3-14 |
| Цитирование: | 1. 1. Остриков В. H., Плахотников О. В., Кириенко A. В. Обработка гиперспектральных данных, получаемых с авиационных и космических носителей // Современные проблемы дистанционного зондирования Земли из космоса. 2013. 10, № 2. С. 243-251. 2. 2. Chan T. H., Ambikapathi A., Ma W. K., Chi C. Y. Robust affine set fitting and fast simplex volume max-min for hyperspectral endmember extraction // IEEE Trans. Geosci. and Remote Sensing. 2013. 51, Is. 7. P. 3982-3997. 3. 3. Cawse-Nicholson K., Damelin S. B., Robin A., Sears M. Determining the intrinsic dimension of a hyperspectral image using random matrix theory // IEEE Trans. Image Process. 2013. 22, Is. 4. P. 1301-1310. 4. 4. Борзов С. М., Потатуркин А. О., Потатуркин О. И. Обнаружение изменений территории застройки на основе применения структурных признаков спутниковых изображений // Автометрия. 2015. 51, № 4. C. 3-11. 5. 5. Борзов С. М., Потатуркин О. И. Классификация типов растительного покрова по гиперспектральным данным дистанционного зондирования Земли // Вестн. НГУ. Сер. Информационные технологии. 2014. № 4. С. 13-22. 6. 6. Потатуркин О. И., Борзов С. М., Потатуркин А. О., Узилов С. Б. Методы и технологии обработки мульти- и гиперспектральных данных дистанционного зондирования Земли высокого разрешения // Вычислительные технологии. 2013. 18, Спец. вып. С. 53-60. 7. 7. Kruse F. A., Lefkoff A. B., Boardman J. B. et al. The Spectral Image Processing System (SIPS) - interactive visualization and analysis of imaging spectrometer data // Remote Sensing of Environment. 1993. 44, N 2-3. P. 145-163. 8. 8. Du H., Chang C., Ren H. et al. New hyperspectral discrimination measure for spectral characterization // Opt. Eng. 2004. 43, N 8. P. 1777-1786. 9. 9. Joachims T. Making large-scale support vector machine learning practical // Advances in Kernel Methods - Support Vector Learning /Eds. B. Schoelkopf, C. J. C. Burges, A. J. Smola. Cambridge, USA: MIT Press, 1999. P. 169-184. 10. 10. Richards J. A. Remote Sensing Digital Image Analysis. Berlin: Springer-Verlag, 2013. 494 p. 11. 11. Green A. A., Berman M., Switzer P., Craig M. D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal // IEEE Trans. Geosci. and Remote Sensing. 1988. 26, N 1. P. 65-74. 12. 12. Plaza A., Benediktsson J. A., Boardman J. W. et al. Recent advances in techniques for hyperspectral image processing // Remote Sensing of Environment. 2009. 113, Suppl. 1. P. 110-122. 13. 13. Бондур В. Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации // Исследование Земли из космоса. 2014. № 1. С. 4-16. 14. 14. Chen C., Li W., Tramel E. W. et al. Spectral-spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification // IEEE Journ. Sel. Top. Appl. Earth Observ. Remote Sens. 2014. 7, Is. 4. P. 1047-1059. |
