Исследование и разметка объектов гиперспектральных изображений для машинного обучения

Abstract

Обсуждается модификация номинальной последовательности шагов по анализу ГСИ, предложенной Landgrebe, необходимая в условиях появления библиотек опорных сигнатур, необходимых для мониторинга окружающей среды. Подход основан на рассмотрении пикселя ГСИ как сигнатуры, хранящей все спектральные признаки как объекта и его состояния, а ГСИ в целом - как двумерного поля сигнатур. В качестве первого шага анализа предлагается процедура детектирования линейной зависимости сигнатур по величине коэффициента корреляции Пирсона. Основным аппаратом анализа также, как и по Landgrebe, является метод главных компонент, но он используется уже не для построения классов, а для исследования наличия в классе подклассов, существенных для прикладной области. Экспериментальный материал включает объекты: вода, болота, грунт, растительность, бетон, загрязнения. Выделение образцов объекта на изображении производится интерактивно пользователем. Из исследованных образов объектов ГСИ формируется база эталонов для классов (подклассов) объектов, которая в свою очередь может использоваться для автоматизации разметки ГСИ с целью применения методов машинного обучения для распознавания объектов ГСИ и их состояний. The modification of the nominal sequence of steps for analyzing the HSE proposed by Landgrebe, which is necessary for the context of the appearance of libraries of reference signatures for environmental monitoring, is discussed. The approach is based on considering the HSI pixel as a signature that stores all spectral features of an object and its states, and the HSI as a whole - as a two-dimensional signature field. As a first step of the analysis, a procedure is proposed for detecting a linear dependence of signatures by the magnitude of the Pearson correlation coefficient. The main apparatus of analysis, as in Landgrebe, is the method of principal component analysis, but it is no longer used to build classes, but to investigate the presence in the class of subclasses essential for the applied area. The experimental material includes such objects as water, swamps, soil, vegetation, concrete, pollution. Selection of object samples on the image is made by the user. From the studied images of HSI objects, a base of reference signatures for classes (subclasses) of objects is formed, which in turn can be used to automate HSI markup with the aim of applying machine learning methods to recognize HSI objects and their states.