Метод класифікування гіперспектральних космічних зображень з використанням комбінаційного правила демпстера
Рубрика:
| Попов, МО, Подорван, ВМ, Альперт, СІ |
| Косм. наука технол. 2015, 21 ;(1):25–37 |
| https://doi.org/10.15407/knit2015.01.025 |
| Мова публікації: українська |
Анотація: Розглянуто новий метод класифікування гіперспектральних космічних зображень, який використовує теорію свідчень Демпстера — Шейфера. Метод відрізняється від відомих розв’язків однойменних задач введенням процедури оцінювання класифікаційної цінності спектральних каналів за допомогою спеціальної емпіричної функції і особливим способом розбиття спектрального ознакового простору, що у сукупності дозволяє застосовувати лише найбільш інформативні спектральні канали і суттєво скоротити розмірність ознакового простору при одночасному підвищенні точності класифікації. Описується програмна реалізація пропонованого методу і наводяться результати оцінювання точності класифікації, яка досягається в реальних умовах. |
| Ключові слова: гіперспектральне космічне зображення, класифікація зображень, теорія свідчень Демпстера — Шейфера, функція інформативності. |
References:
1. Альперт С. І. Оцінка якості класифікації аерокосмічних зображень на основі матриці помилок та коефіцієнтів точності // Мат. машини і сист. — 2014. — № 1. — C. 101—107.
2. Багатоспектральні методи дистанційного зондування Землі в задачах природокористування / За ред. В. І. Лялька, М. О. Попова. — К.: Наук. думка, 2006. — 360 с.
3. Бурштинська Х. В., Станкевич С. А. Аерокосмічні знімальні системи. — Львів: Львів. політехніка, 2013. — 316 с.
4. Вентцель Е. С. Теория вероятностей. — М.: Наука, 1969. — 576 с.
5. Дюличева Ю. Ю. О задачах фильтрации обучающих данных // Штучний інтелект. — 2006. — № 2. — C. 65—71.
6. Козодеров В. В., Кондранин Т. В., Казанцев О. Ю. и др. Обработка и интерпретация данных гиперспектральных аэрокосмических измерений для дистанционной диагностики природно-техногенных объектов // Исслед. Земли из космоса. — 2009. — № 2. — С. 36—54.
7. Попов М. А. Методология оценки точности классификации объектов на космических изображениях // Пробл. упр. и информ. — 2007. — № 1. — C. 97—103.
8. Попов М. О., Станкевич С. А., Молдован В. Д. Гіперспектральна аерокосмічна інформація у виявленні та спостереженні об'єктів // Наука і оборона. — 2006. — № 3. — С. 25—35.
9. Попов М. О., Топольницький М. В. Классификация объектов на многоспектральных / гиперспектральных аэрокосмических изображениях на основе теории свидетельств Демпстера — Шейфера // Мат. машини і сист. — 2014. — № 1. — C. 58—69.
10. Станкевич С. А. Алгоритм статистичної класифікації об’єктів дистанційного спостереження за їх спектрально-топологічними характеристиками // Наук. вісник Нац. гірничого ун-ту. — 2006. — № 7. — С. 38—40.
11. Beynon M. J., Curry B., Morgan P. The Dempster — Shafer theory of evidence: an alternative approach to multicriteria decision modeling // Omega. — 2000. — 28, N 1. — Р. 37—50.
12. Bongasser M., Hungate W. S., Watkins R. Hyperspectral remote sensing: Principles and applications. — Boca Raton: CRC Press, 2008. — 119 p.
13. Chang C.-I. Hyperspectral data processing: Algorithm design and analysis. — Hoboken, N. J.: John Willey and Sons, 2013. — 1164 p.
14. Congalton G., Green K. Assessing the accuracy of remotely sensed data: Principles and practices. 2nd Еd. — Boca Raton: CRC Press, 2009. — 183 p.
15. Dash M., Liu H. Feature selection for classification // Intel. Data An. — 1997. — 1. — P. 131—156.
16. Gong P. Integrated analysis of spatial data from multiple sources: Using evidential reasoning and artificial neural network techniques for geological mapping // Photogramm. Eng. and Remote Sens. — 1996. — 62, N 5. — P. 513—523.
17. Hyperspectral data exploitation: Theory and applications / Ed. by Ch.-I. Chang. — Hoboken, N. J.: John Willey and Sons, 2007. — 430 p.
18. Imaging spectrometry: Basic principles and prospective applications / Ed. by F. D. van der Meer, S. M. de Jong. — Dodrecht: Kluwer, 2001. — 404 p.
19. Lein J. K. Applying evidential reasoning methods to agricultural land cover classification // Int. J. Remote Sens. — 2003. — 24, N 21. — P. 4161—4180.
20. Mertikas P., Zervakis M. E. Exemplifying the theory of evidence in remote sensing image classification // Int. J. Remote Sens. — 2001. — 22, N 6. — P. 1081—1095.
21. Popov M. A., Topolnitskiy M. V. A Dempster — Shafer evidence theory-based approach to object classification on multispectral/hyperspectral images // Proceedings of the 10th Int. Conf. IEEE on Digital Technologies (DT’2014). — Žilina, 2014. — P. 296—300.
22. Shafer G. A Mathematical Theory of Evidence. — Princeton: Princeton Univ. Press, 1976. — 297 р.
23. Taroun A., Yang J. B. Dempster-Shafer theory of evidence: Potential usage for decision making and risk analysis in construction project management // The Built & Hum. Environ. Rev. — 2011. — 4, N 1. — P. 155—166.
24. Tso B. Classification methods for remotely sensed data. — London: Tailor and Francis, 2001. — 332 p.
25. Varshey P. K., Arora M. K. Advanced image processing techniques for remotely sensed hyperspectral data. — Berlin-Heidelberg: Springer-Verlag, 2004. — 322 p.