Классификация гиперспектральных спутниковых изображений по эталонным участкам территории

Abstract

Работа посвящена выбору технологии и конкретных алгоритмических решений для тематической классификации гиперспектральных спутниковых изображений при условии обучения по небольшому объёму данных, подбираемых вручную из локализованных эталонных участков самих изображений. Ситуация, требующая применения такой технологии, может быть вызвана недостатком данных о съёмке и анализируемой территории и нередко возникает на практике. Выбранная технология включает этапы поэлементной и пространственной предобработки анализируемого изображения, его классификации с учётом пространственных и спектральных факторов, а также пространственной постобработки полученных результатов. Экспериментальные исследования показали существенное снижение качества классификации в рассматриваемых условиях. В результате экспериментов наилучшим образом показало себя решение, основанное на объединении результатов поэлементной классификации с сегментацией на основе метода k-means++ и заливки связных областей, дополненное нелинейными методами пред- и постобработки. Полученные в работе выводы подкреплены результатами сравнительных исследований различных методов и алгоритмов на каждом этапе классификации. The paper is aimed to select an appropriate technique and some specific algorithms to perform thematic classification of hyperspectral satellite images based on small training sets of data selected manually from localized image parts. This technique is necessary in the case of the lack of sensing condition data and territory data and quite frequent in practice. The selected technology includes the stages of pixel-wise and spatial preprocessing of the analyzed image, its classification based on spatial and spectral factors, as well as spatial postprocessing of the classification results. Experimental studies have shown a significant decrease in the classification quality under the conditions considered in the paper. As a result of the experiments, the highest results were achieved by the algorithm based on combining pixel-wise classification results and segmentation results obtained using k-means++ and connected components filling, supplemented by nonlinear pre- and post-processing methods. The findings are supported by the results of comparative studies of different methods at each stage of the classification.