Повышение эффективности классификации гиперспектральных изображений за счет разномасштабной пространственной обработки

Abstract

Классификация типов подстилающей поверхности по мульти- и гиперспектральным изображениям традиционно осуществляется на основе анализа диаграмм рассеяния значений пикселей в многомерном пространстве признаков, в качестве которых используются яркости в отдельных каналах. Для повышения достоверности классификации используются подходы, основанные на учете характеристик каждого пикселя и пикселей его ближайшей окрестности, т.е. на совместном анализе спектральных и пространственных признаков. В данной работе на тестовом гиперспектральном изображении выполнены исследования эффективности методов спектрально-пространственной классификации данных, учитывающих пространственную информацию на различных этапах обработки. Особое внимание уделено подбору размера ядра пространственной обработки. Продемонстрировано, что включение в анализ окрестностей пикселей на любом этапе повышает точность классификации, однако наибольшую эффективность демонстрируют методы предварительной обработки исходных данных. При этом лучшие результаты достигаются при сочетании предварительной обработки сырых данных (до выполнения процедур попиксельной спектральной классификации) и апостериорной обработки результирующих картосхем. Отмечена перспективность многомасштабного сглаживания исходных изображений с кратным количеству масштабов увеличением числа спектрально-пространственных признаков, позволяющего исключить процедуру предварительного подбора масштаба пространственной обработки.

Classification of the land cover types from multi- and hyperspectral (HS) imagery is traditionally carried out on the basis of analysis of scatter plots of pixel values in a multidimensional feature space, which are used as brightness in individual channels. To increase the reliability of HS image classification, approaches are used based on simultaneously accounting for the characteristics of each pixel and the nearest-neighbor pixels, i.e., on the joint analysis of spectral and spatial features. The pixel neighborhood analysis is performed at various stages of the classification process. In this work, using a test hyperspectral image, the efficiency of spectral-spatial data classification methods that take into account spatial information at various stages of processing is studied. Special attention is paid to selecting the size of the spatial processing core. It is shown that the best results are obtained by combining pre-processing of raw data before performing the procedures of pixel-by-pixel spectral classification and post-processing of the resulting maps. Prospects of multi-scale smoothing of initial images, with the increase of the number of spectral-spatial features being multiple of the number of the scales, are shown.