Об эффективности использования ансамблевых методов классификации в задаче тематической обработки гиперспектральных изображений

Созданные на сегодняшний день системы гиперспектрального аэрокосмического зондирования позволяют решать целый ряд новых, сложных задач мониторинга различных природных и техногенных объектов. Гиперспектральные измерения находят широкое применение при мониторинге земель, лесных и водных ресурсов, поиске месторождений полезных ископаемых, оценке экологической обстановки, контроле геотехнических сооружений (трубопроводов, линий электропередач, гидрологических объектов и др.). Особенности решения экологических задач связаны с рассмотрением стрессового состояния растительности при наличии загрязнений почвенного покрова. Значительная часть исследований разных видов растительности традиционно сосредоточена в видимой и ближней инфракрасной области (0.4-1.1 мкм).
Важным этапом тематической обработки является распознавание изучаемых объектов по специфическим особенностям спектральных характеристик отражательной способности. При обработке гиперспектральных изображений возникают технические сложности, связанные с накоплением больших объемов и коррелированностью данных. Точность распознавания зависит от многих факторов: прозрачность атмосферы и наличие облачности, характеристики измерительной аппаратуры, качество предварительной обработки, точность геопривязки дистанционных и наземных данных. При достаточно высоком качестве измерений и коррекции возникает необходимость построения эффективного алгоритма классификации, который обеспечивал бы высокую точность и скорость вычислений.
На текущий момент известно большое количество различных алгоритмов классификации применимых для обработки гиперспектральных изображений, начиная от простых, таких как метод наиближайшего эталона и метод спектрального угла, и заканчивая более сложными нейросетевыми методами классификации, различного рода непараметрическими байесовскими классификаторами и ядерным методом опорных векторов. Сравнение указанных методов и их модификаций рассматривалось в различных работах [1-4]. Нелинейные классификаторы как правило имеют преимущество по точности, однако проигрывают в скорости и устойчивости результатов обучения.
В докладе рассмотрены особенности применения ансамблевых методов классификации (бустинг и декодирование) в задаче тематической обработки гиперспектральных изображений. В качестве базовых классификаторов рассмотрен ряд основных методов, которые получили наибольшее практическое применение и существенно отличаются постановкой задачи и скоростью работы Предложена более эффективная модификация метода декодирования, которая позволяет совместно использовать базовые классификаторы различной степени сложности.
Проведены численные эксперименты на основе модельных данных. Результаты показывают, что методы бустинга позволяют повысить точность простых базовых классификаторов на 30%, однако практически бесполезны для более точных нелинейных алгоритмов. Увеличение точности за счет бустинга прекращается при использовании более 10-20 циклов обучения базовых классификаторов, для метода случайных подпространств (МСП) стабилизация наступает при 80-100 циклах. При обработке реальных гиперспектральных изображений ансамблевые методы показали приемлемую точность, сопоставимую с точностью стандартных данных лесотаксации. При этом KNN МСП показал меньшую точность по сравнению с ECOC SVM.

Исследования проводятся в рамках проектов РНФ №16-11-00007 «Автоматизация распознавания природно-техногенных объектов на аэрокосмических изображениях высокого спектрального и пространственного разрешения» и РФФИ №16-01-00107 «Повышение информационного содержания вычислительных процедур распознавания природно-техногенных объектов по данным аэрокосмического гиперспектрального зондирования».