Инд. авторы:	Рылов С.А.
Заглавие:	Алгоритм спектрально-текстурной классификации спутниковых изображений с использованием частичного обучения
Библ. ссылка:	Рылов С.А. Алгоритм спектрально-текстурной классификации спутниковых изображений с использованием частичного обучения // Интерэкспо Гео-Сибирь. - 2019. - Т.4. - № 1. - С.37-43. - ISSN 2618-981X.
Внешние системы:	DOI: 10.33764/2618-981X-2019-4-1-37-43; РИНЦ: 41249971;
Реферат:	rus: При классификации спутниковых изображений обучающая выборка зачастую является непредставительной, что приводит к низкому качеству сегментации. В таких условиях целесообразно использовать методы классификации с частичным обучением, которые одновременно используют как размеченные (обучающую выборку), так и неклассифицированные данные. Вместе с тем, спутниковые изображения высокого пространственного разрешения характеризуются высокой внутриклассовой неоднородностью спектральных характеристик, что вызывает острую необходимость учитывать пространственную информацию. В работе предлагается алгоритм классификации мультиспектральных изображений, совместно учитывающий спектральные и текстурные признаки. При этом использование концепции частичного обучения позволяет повысить качество результатов классификации в условиях малого объема обучающей выборки. Приводятся результаты экспериментов на модельных и спутниковых изображениях, подтверждающие эффективность предложенного алгоритма. eng: When classifying satellite images, training sample often turns out to be unrepresentative. This leads to low segmentation quality. In such conditions, it is advisable to use semi-supervised classification methods, which simultaneously utilize both training sample and unclassified data. At the same time, high resolution satellite images are characterized by high interclass heterogeneity of spectral characteristics, which demands to take spatial information into account. We propose a new semi-supervised classification algorithm for multispectral images, that utilizes both spectral and texture features. The use of the semi-supervised concept allows improving the classification quality when the amount of training sample is small. The results of experiments on model and satellite images confirming the effectiveness of the proposed algorithm are given.
Ключевые слова:	спектрально-текстурная сегментация; высокое пространственное разрешение; спутниковые изображения; частично контролируемая классификация; частичное обучение; high spatial resolution; satellite images; spectral-texture segmentation; Semi-supervised classification;
Издано:	2019
Физ. характеристика:	с.37-43
Цитирование:	1. Schwenker F., Trentin E. Pattern classification and clustering: A review of partially supervised learning approaches // Pattern Recognition Letters. - 2014. - Vol. 37. - P. 4-14. 2. Hady M.F.A., Schwenker F. Semi-supervised learning // Handbook on Neural Information Processing. - Springer Berlin Heidelberg, 2013. - P. 215-239. 3. Адаскина Ю. В., Попов А. М., Реброва П. В. Метод полуавтоматической классификации для данных с несбалансированными классами // Компьютерная лингвистика и вычислительные онтологии. - 2015. - С. 15-24. 4. Травкин О. И. Подходы к агрегации данных и извлечению факторов в задаче поиска мошенничества в банковских транзакциях // Сборник трудов межд. конференции "Аналитика и управление данными в областях с интенсивным использованием данных". - 2016. - С. 361-369. 5. Anand S. et al. Semi-supervised kernel mean shift clustering // IEEE transactions on pattern analysis and machine intelligence. - 2014. - Vol. 36. - N. 6. - P. 1201-1215. 6. Jing X., Chen S.Y., Fan L.L. Semi-supervised classification of multi-spectral images based on density: selected samples // Ninth International Conference on Digital Image Processing (ICDIP 2017). - International Society for Optics and Photonics, 2017. - Vol. 10420. - P. 1042030. 7. Tan K. et al. An efficient semi-supervised classification approach for hyperspectral imagery // ISPRS Journal of Photogrammetry and Remote Sensing. - 2014. - Vol. 97. - P. 36-45. 8. Banerjee B., Buddhiraju K.M. A Novel Semi-Supervised Land Cover Classification Technique of Remotely Sensed Images // Journal of the Indian Society of Remote Sensing. - 2015. - Vol. 43. - N. 4. - P. 719-728. 9. Wang L. et al. Semi-supervised classification for hyperspectral imagery based on spatial-spectral label propagation // ISPRS Journal of Photogrammetry and Remote Sensing. - 2014. - Vol. 97. - P. 123-137. 10. Luo R. et al. Spectral-spatial classification of hyperspectral images with semi-supervised graph learning // SPIE Remote Sensing. - International Society for Optics and Photonics, 2016. - P. 100040T-100040T-6. 11. Yang L. et al. Semi-supervised hyperspectral image classification using spatio-spectral Laplacian support vector machine // IEEE Geoscience and Remote Sensing Letters. - 2014. - Vol. 11. - N. 3. - P. 651-655. 12. Schiewe J. Segmentation of high-resolution remotely sensed data-concepts, applications and problems // International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences. - 2002. - Vol. 34. - N. 4. - P. 380-385. 13. Рылов С. А., Мельников П. В., Пестунов И. А. Спектрально-текстурная классификация гиперспектральных изображений высокого пространственного разрешения // Интерэкспо ГЕО-Сибирь-2016. XII Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 18-22 апреля 2016 г.). - Новосибирск : СГУГиТ, 2016. Т. 1. - C. 78-84. 14. Wang A., Wang S., Lucieer A. Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions // International Journal of Remote Sensing. - 2010. - Vol. 31. - N. 6. - P. 1471-1483. 15. Пестунов И. А., Рылов С. А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения // Вестник КемГУ. - 2012. - № 4/2 (52). - C. 104-110. 16. Рылов С. А. Методы и алгоритмы сегментации мультиспектральных спутниковых изображений высокого пространственного разрешения: автореферат дис. … кандидата технических наук: 05.13.18. - 2016. - Новосибирск, 2016. - 20 с. 17. Junior J. J. M., Backes A. R., Cortez P. C. Color texture classification based on gravitational collapse // Pattern Recognition. - 2013. - Vol. 46. - N. 6. - P. 1628-1637. 18. Yuan J., Wang D. L., Li R. Remote sensing image segmentation by combining spectral and texture features // IEEE Transactions on Geoscience and Remote Sensing. - 2014. - Vol. 52. - N. 1. - P. 16-24. 19. Пестунов И. А., Рылов С. А., Бериков В. Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. - 2015. - Т. 51. - № 4. - С. 12-22. 20. Jain A. K., Murty M. N., Flynn P. J. Data clustering: a review // ACM computing surveys (CSUR). - 1999. - Vol. 31. - N. 3. - P. 264-323.