Журнал СФУ. Техника и технологии / Классификация гиперспектральных изображений высокого пространственного разрешения

Полный текст (.pdf)
Номер
Журнал СФУ. Техника и технологии. 2018 11 (1)
Авторы
Пестунов, И.А.; Рылов, С.А.; Мельников, П.В.
Контактная информация
Пестунов, И.А.: Институт вычислительных технологий СО РАН Россия, 630090, Новосибирск, пр. Академика Лаврентьева, 6; Рылов, С.А.: Институт вычислительных технологий СО РАН Россия, 630090, Новосибирск, пр. Академика Лаврентьева, 6; Мельников, П.В.: Институт вычислительных технологий СО РАН Россия, 630090, Новосибирск, пр. Академика Лаврентьева, 6
Ключевые слова
гиперспектральные изображения; высокое пространственное разрешение; спектрально-текстурные признаки; классификация; hyperspectral images; high spatial resolution; multispectral texture; spectral-spatial classification
Аннотация

В статье предлагается новый вычислительно эффективный метод спектрально-текстурной классификации гиперспектральных изображений высокого пространственного разрешения, основанный на использовании ансамблевого алгоритма кластеризации ECCA. При классификации используется предположение, что в локальной области изображения для текстур одного типа процентное содержание пикселей из разных кластеров примерно одинаково, а для разных типов текстур, как правило, отличается. Для предлагаемого классификатора не требуются обучающие выборки большого объема. Достаточно задать всего лишь несколько представителей каждого класса. Приводятся результаты экспериментов с модельными и реальными изображениями, подтверждающие эффективность предложенного метода

А new computationally efficient spectral-texture classification method for high spatial resolution hyperspectral images is proposed. This method is based on the ensemble clustering algorithm ECCA. Classification method is based on the assumption that the percentage of pixels from different clusters in local image regions is approximately the same for the fixed texture type and differs for different types of textures. The proposed classification method does not require large amount of training samples. It is enough to set only few representatives of each class. Experiments on models and real-world data are described proving the effectiveness of the proposed method

Страницы
69-76
Статья в архиве электронных ресурсов СФУ
https://elib.sfu-kras.ru/handle/2311/70397

Лицензия Creative Commons Эта работа лицензируется по лицензии Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0).