Гіперспектральная класіфікацыя дыстанцыйных выяў і аналіз прыкмет

У галіне дыстанцыйнага зандзіравання метады спектральнай візуалізацыі часта класіфікуюцца на тры катэгорыі ў залежнасці ад спектральнага разрознення: мультыспектральныя, гіперспектральныя і ультраспектральныя. Як правіла, пры аднолькавым прасторавым разрозненні, чым вышэй спектральнае разрозненне, тым больш палос выявы, тым большы аб'ём дадзеных і тым багацейшая інфармацыя, атрыманая пра вымяральны аб'ект.

Параўнальная табліца спектральных тэхнічных характарыстык

Гіперспектральная класіфікацыя малюнкаў адрознівае тыпы некалькіх аб'ектаў, прысвойваючы адпаведныя пазнакі групам з падобнымі характарыстыкамі; узоры з аднолькавай пазнакай лічацца адносячыміся да аднаго класа. Дакладнасць класіфікацыі прама ці ўскосна ўплывае на яе прадукцыйнасць.

У параўнанні са звычайнымі выявамі, гіперспектральныя выявы маюць дзве характарыстыкі:

1) Высокае спектральнае разрозненне, амаль бесперапынныя спектральныя крывыя, некалькі палос і вялікі аб'ём дадзеных дазваляюць праводзіць дакладную класіфікацыю, але ў той жа час яны маюць такія праблемы, як сур'ёзная надмернасць дадзеных і моцная міжспектральная карэляцыя.

2) Абмежаванае прасторавае разрозненне і наяўнасць вялікай колькасці змешаных пікселяў могуць прывесці да праблемы памернасці. З-за іх унікальнай структуры і характарыстык дадзеных гіперспектральныя выявы дыстанцыйнага зандзіравання цяжка непасрэдна выкарыстоўваць з выкарыстаннем традыцыйных метадаў апрацоўкі малюнкаў, што стварае сур'ёзную праблему для вобласці апрацоўкі сігналаў і інфармацыі.

Да 1990 года гіперспектральная (у тым ліку мультыспектральная) класіфікацыя малюнкаў і іншыя метады апрацоўкі былі традыцыйнымі метадамі. З 1990 па 2015 год асноўныя метады былі заснаваныя на прыкметах і агульным навучанні. З 2015 года ўвага пераключылася на метады, заснаваныя на глыбокім навучанні. З 2022 года назіраецца тэндэнцыя да метадаў, заснаваных на навучанні, аб'яднанні дадзеных і ведаў або сумесна кіраваных метадаў.

Метады класіфікацыі мультыспектральных і гіперспектральных малюнкаў можна ўмоўна падзяліць на чатыры катэгорыі.

Гіперспектральны спадарожнік дыстанцыйнага зандзіравання

Тыповыя тэхнічныя характарыстыкі рэпрэзентатыўных гіперспектральных спадарожнікаў і іх спектральных візуалізатараў як унутры краіны, так і за мяжой:

Аналіз прыкмет для класіфікацыі гіперспектральных малюнкаў

Характарыстыкі гіперспектральных выяў у асноўным адносяцца да спектральных асаблівасцей, прасторавых асаблівасцей, часавых асаблівасцей, а таксама прасторава-спектральных, прасторава-часавых і камбінаваных прасторава-часава-спектральных асаблівасцей. У класіфікацыі гіперспектральных выяў да агульных спектральных асаблівасцей адносяцца месцазнаходжанне спектральнага паглынання, адлюстраванне, сіметрыя, размяшчэнне і колькасць пікаў і западзін на спектральнай крывой і нахіл, а таксама градыент і статыстыка вышэйшага парадку спектральнай крывой. Прасторавыя асаблівасці гіперспектральных выяў у асноўным ўключаюць амплітуду, колер, тэкстуру, форму і прасторавыя адносіны. Часавыя асаблівасці гіперспектральных выяў у асноўным ўключаюць стабільнасць з цягам часу, (часавую) вытворную і хуткасць змены.

Гіперспектральныя асаблівасці і метады аналізу асаблівасцей

Гіперспектральны аналіз прыкмет выявы ў асноўным уключае выбар прыкмет, вылучэнне прыкмет і аб'яднанне прыкмет. Метады спектральнага аналізу прыкмет гіперспектральных дадзеных дыстанцыйнага зандзіравання і іх класіфікацыя паказаны ў табліцы ніжэй:

Метады аналізу спектральных асаблівасцей і класіфікацыі гіперспектральных выяў дыстанцыйнага зандзіравання

Выбар прыкмет звычайна азначае непасрэдны выбар m (m

Вылучэнне прыкмет азначае пераўтварэнне зыходнай n-мернай вектарнай прасторы (зыходныя дадзеныя — гэта гіперспектральныя кубічныя дадзеныя) з наступным знаходжаннем яе падпрасторы прыкмет. Вылучэнне прыкмет прадугледжвае знаходжанне суадносін адлюстравання, якія пераўтвараюць зыходны трохмерны набор даных у ніжэйшамерную m-мерную падпрастору прыкмет, генеруючы m новых прыкмет праз гэтае пераўтварэнне. Вылучэнне прыкмет звычайна шукае параметры прыкмет, якія адлюстроўваюць розныя мэты з усіх дыяпазонаў даных; відавочна, што вылічальныя выдаткі значна вышэйшыя, чым выбар прыкмет, што робіць працэс павольным.

Камбінацыя або зліццё прыкмет выкарыстоўвае перавагі некалькіх прыкмет, такіх як камбінаваныя спектральна-прасторава-часавыя прыкметы або камбінацыі прыкмет прамой энергіі з прыкметамі пераўтварэння (напрыклад, вытворнымі). Прадукцыйнасць ручнога аналізу прыкмет цесна звязана з такімі фактарамі, як веды эксперта ў прадметнай вобласці, фізіка-хімічныя ўласцівасці, мадэлі і вопыт.

Апублікавана: Хэ Мін'і, Лі Цян, Го Ін, Янь Хунмэй. 2025. Агляд і перспектывы інтэлектуальнай класіфікацыі гіперспектральных выяў. Часопіс выяваў і графікі, 30(6):2207-2238.