Методы классификации гиперспектральных данных

В отделе аэрокосмических исследований института прикладных физических проблем им. А. Н. Севченко БГУ разрабатывается программный комплекс (ПК) тематической обработки спутниковых и авиационных гиперспектральных данных [1]. Одной из задач, решаемой ПК является классификация гиперкуба [2]. Существует два подхода к классификации: с обучением и без обучения. В ПК представлены как методы классификации без обучения (K-Means, ISODATA), так и с обучением (метод опорных векторов, метод максимального правдоподобия, метод расстояния Махаланобиса). Необучаемая классификация может проводиться с использованием любой из шести метрик сравнения спектров: евклидово расстояние; спектральное расстояние; спектральный угол; спектральная корреляция; спектральная информационная дивергенция; энтропийная мера близости. Обучаемая классификация также может проводится путем сравнения спектра классифицируемого пикселя по одной из вышеуказанных метрик с заданным спектром (средний спектр по области, спектр из библиотеки). Основные изменяемые параметры методов необучаемой классификации включают в себя параметры, влияющие на количество классов и число итераций. Для методов обучаемой классификации требуются обучающие выборки спектров, которые могут быть получены путем создания полигональных областей на изображении или загрузки из заранее подготовленной выборки. В классификацию методами максимального правдоподобия и расстояния Махаланобиса добавлена возможность уменьшения числа спектральных каналов в целях сокращения размера ковариационной матрицы, что приводит к ускорению работы классификатора. При классификации методом опорных векторов сначала проводится нормировка данных, улучшающая работу классификатора и исключающая разный весовой вклад отдельных спектральных диапазонов. Варьируя параметры RBF-ядра можно регулировать влияние обучающей выборки на итоговый результат классификации. Для улучшения качества классификации разработан алгоритм усиления спектральных различий каналов гиперспектрального изображения.
В целях проверки алгоритмов была проведена оценка точности результатов разработанных методов классификаций. Полученные результаты сравнивались с результатами классификации в пакете ENVI.