Инд. авторы:	Мельников П.В., Пестунов И.А.
Заглавие:	Экспериментальное исследование качества классификации гиперспектральных изображений с использованием пространственных признаков на основе геометрических моментов
Библ. ссылка:	Мельников П.В., Пестунов И.А. Экспериментальное исследование качества классификации гиперспектральных изображений с использованием пространственных признаков на основе геометрических моментов // Интерэкспо Гео-Сибирь. - 2018. - Т.4. - № 1. - С.125-136. - ISSN 2618-981X.
Внешние системы:	РИНЦ: 36832866;
Реферат:	rus: Рассмотрена схема классификации гиперспектральных изображений (ГСИ) высокого пространственного разрешения на основе геометрических моментов. Проведено экспериментальное сравнение различных методов классификации и выделения пространственных признаков. Результаты исследований показывают, что при классификации ГСИ целесообразно (с точки зрения вычислительных затрат) использовать геометрические моменты не выше 1-го порядка и наращивать число спектральных признаков (главных компонент или признаков MNF) до достижения требуемого качества распознавания. eng: A method of classification of hyperspectral imagery of high spatial resolution based on geometric moments is studied in this paper. An experimental comparison of several spectral feature extraction methods and classification algorithms with different parameters is presented. The results show that to keep computational cost from increasing it is advisable to use geometric moments of 0th and 1st order and to increase number of spectral features (PCA or MNF) until required accuracy is reached.
Ключевые слова:	minimum noise fraction; hyperspectral images; geometric moments; high spatial resolution; Principal Component analysis; classification; высокое пространственное разрешение; геометрические моменты; гиперспектральные изображения; метод главных компонент; классификация;
Издано:	2018
Физ. характеристика:	с.125-136
Цитирование:	1. Petrou M., Garcia S.P. Image processing: Dealing with texture. -Wiley, 2006. -618 с. 2. Tsai F., Lai J.-S. Feature extraction of hyperspectral image cubes using three-dimensional gray-level co-occurrence//IEEE Trans. Geosci. Remote Sens,-Jun. 2013. -Vol. 51, no. 6. -С. 3504-3513. 3. Tarabalka Y., Fauvel M., Chanussot J., Benediktsson J. A. SVM-and MRF-based method for accurate classification of hyperspectral images//IEEE Geosci. Remote Sens. Lett. -Oct. 2010. -Vol. 7, no. 4. -С. 736-740, 4. Li W., Prasad S., Fowler J. E. Hyperspectral image classification using Gaussian mixture models and Markov random fields//IEEE Geosci. Remote Sens. Lett. -Jan. 2014. -Vol. 11, no. 1. -С. 153-157. 5. Benediktsson J. A., Palmason J. A., Sveinsson J. R. Classification of hyperspectral data from urban areas based on extended morphological profiles//IEEE Trans. Geosci. Remote Sens. -Mar. 2005. -Vol. 43, no. 3. -С. 480-491,. 6. Quesada-Barriuso P., Argello F., Heras D. B. Spectral-spatial classification of hyperspectral images using wavelets and extended morphological profiles//IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens. -, Apr. 2014. -Vol. 7, no. 4. -С. 1177-1186. 7. Song B. Li J., Mura M. D. и др. Remotely sensed image classification using sparse representations of morphological attribute profiles//IEEE Trans. Geosci. Remote Sens. -Aug. 2014. -Vol. 52, no. 8. -С. 5122-5136. 8. Marpu P. R., Pedergnana M., Mura M. D. и др. Automatic generation of standard deviation attribute profiles for spectral-spatial classification of remote sensing data//IEEE Geosci. Remote Sens. Lett. -Mar. 2013. -Vol. 10, no. 2. -С. 293-297. 9. Ye Z., Prasad S., Li W., Fowler J. E., He M. Classification based on 3-D DWT and decision fusion for hyperspectral image analysis//IEEE Geosci. Remote Sens. Lett. -Jan. 2014. -Vol. 11, no. 1. -С. 173-177. 10. Shen L., Zhu Z., Jia S., Zhu J., Sun Y. Discriminative Gabor featureselection for hyperspectral image classification//IEEE Geosci. Remote Sens. Lett. -Jan. 2013. -Vol. 10, no. 1. -С. 29-34. 11. Kumar B., Dikshit O. Spectral-spatial classification of hyperspectral imagery based on moment invariants//IEEE Journal of selected topics in applied earth observations and remote sensing. -2015. -Vol. 8, no. 6. -С. 2457-2463. 12. Melnikov P.V., Pestunov I.A., Rylov S.A. Сomparison of spectral-spatial classification methods for hyperspectral images of high spatial resolution//Журнал Сибирского федерального университета. Серия: Техника и технологии. -Красноярск: СФУ, 2017. -Т. 10. № 6. -С. 805-811. 13. John A. Richards Remote sensing digital image analysis: an introduction. -Springer, 2013. -494 с. 14. Green A. A., Berman M., Switzer P., Craig M. D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal//IEEE Trans. Geosci. Remote Sens. -1988. -Vol. GRS-26. -С. 65-74. 15. Борзов С.М., Мельников П.В., Пестунов И.А., Потатуркин О.И., Федотов А.М. Комплексная обработка гиперспектральных изображений на основе спектральной и пространственной информации//Вычислительные технологии. -Новосибирск: ИВТ, 2016. -Т. 21, № 1. -С. 25-39. 16. Chang C.-C., Lin C.-J. LIBSVM: a library for support vector machines//ACM Transactions on Intelligent Systems and Technology. -2011. -Vol. 2 (27). -С. 1-27. 17. Kozoderov V.V., Kondranin T.V., Dmitriev E.V., Kamentsev V.P. Bayesian classifier applications of airborne hyperspectral imagery processing for forested areas//Advances in Space Research. -2015. -55(11). -C. 2657-2667.