Во многих практических задачах классификации данных, таких как, например, спутниковые изображения, процесс получения обучающей выборки (ОВ) требует значительных материальных и временных затрат. Поэтому нередко обучающая выборка может отсутствовать или быть непредставительной. Использование малого объема ОВ при построении классификации зачастую приводит к неудовлетворительному качеству распознавания, особенно при анализе больших и сложных сцен.
В условиях недостаточно полной ОВ могут быть использованы методы классификации с частичным обучением (semi-supervised learning) [1]. В процессе их работы для построения решающего правила используется информация, содержащаяся не только в помеченных (ОВ), но и в непомеченных (неклассифицированных) данных. Это позволяет повысить точность разделения классов и качество результатов классификации при малом объеме ОВ. Однако практическое использование существующих алгоритмов с частичным обучением для обработки спутниковых изображений затруднено ввиду их высокой вычислительной трудоемкости [2-4].
На спутниковых изображениях высокого пространственного разрешения размер пикселя становится меньше размера исследуемых объектов, что приводит к увеличению внутриклассовой неоднородности спектральных характеристик [5]. В связи с этим, многие современные алгоритмы в процессе своей работы учитывают не только спектральную, но и пространственную информацию [2, 3]. Однако, как правило, после процедуры расширения ОВ применяются стандартные алгоритмы классификации, использующие только спектральные признаки. Таким образом, классы с сильно разнородными или пересекающимися спектральными характеристиками не могут быть качественно распознаны.
В докладе предлагается новый вычислительно эффективный алгоритм спектрально-текстурной классификации с частичным обучением для обработки спутниковых изображений высокого пространственного разрешения. Алгоритм основывается на оригинальном подходе к описанию мультиспектральной текстуры [6]. Данный подход заключается в компактном описании многомерной гистограммы для локальных областей изображения с помощью предварительного использования непараметрической кластеризации. Использование концепции частичного обучения позволяет эффективно выделять спектрально неоднородные классы на изображении, даже если имеющаяся выборка не отражает разнородной структуры классов.
В докладе будут представлены результаты экспериментальных исследований, подтверждающие эффективность предлагаемого метода классификации в условиях спектрально неоднородных классов и обучающих выборок малого объема. Вычислительная эффективность предлагаемого алгоритма позволяет применять его к мультиспектральным спутниковым изображениям большого размера.

Работа выполнена при финансовой поддержке РФФИ (грант № 18-37-00492 мол_а).

[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] 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.
[3] 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.
[4] 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. – No. 4. – P. 719-728.
[5] 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. – No. 4. – P. 380-385.
[6] Рылов С.А., Мельников П.В., Пестунов И.А. Спектрально-текстурная классификация гиперспектральных изображений высокого пространственного разрешения // Интерэкспо ГЕО-Сибирь. – 2016. – Т. 4. – № 1. – С. 78-84.