CC BY
58
УДК 528.852
КЛАССИФИКАЦИЯ С ОБУЧЕНИЕМ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Алексей Александрович Бучнев
Институт вычислительной математики и математической геофизики СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, старший научный сотрудник лаборатории обработки изображений, тел. (383)333-73-32, e-mail: [email protected]
Валерий Павлович Пяткин
Институт вычислительной математики и математической геофизики СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 6, зав. лабораторией обработки изображений, тел. (383)333-73-32, e-mail: [email protected]
Рассматривается система классификации с обучением гиперспектральных данных дистанционного зондирования Земли (ДЗЗ). Оценивается применимость классификатора Байе-са для нормально распределенных векторов признаков к обработке этих данных. Описана реализация классификатора спектрально-углового картирования.
Ключевые слова: гиперспектральные данные дистанционного зондирования, классификация с обучением, классификатор Байеса, классификатор спектрально-углового картирования.
SUPERVISED CLASSIFICATION OF THE HYPERSPECTRAL DATA OF THE EARTH REMOTE SENSING
Aleksey A. Buchnev
Institute of Computational Mathematics and Mathematical Geophysics SB RAS, 630090, Russia, Novosibirsk, 6 Аkademik Lavrentiev Prospect, lab of the images processing senior researcher, tel. (383)333-73-32, e-mail: [email protected]
Valeriy P. Pyatkin
Institute of Computational Mathematics and Mathematical Geophysics SB RAS, 630090, Russia, Novosibirsk, 6 Аkademik Lavrentiev Prospect, lab of the images processing head, tel. (383)333-73-32, e-mail: [email protected]
The system of the supervised classification of hyperspectral data of the Earth remote sensing is discussed. Applicability of Byes classifier for the normally distributed feature vectors to processing of these data is estimated. Realization of the classifier of spectral-angular mapping is described.
Key words: hyperspectral data of the remote sensing, supervised classification, Byes classifier, spectral-angle mapping classifier.
Известно (см., например, Шовенгердт [1]), что непосредственное использование традиционных алгоритмов для обработки данных гиперспектральных сканеров приводит к определенным трудностям, связанным с большой размерностью векторов измерений. Ранее в ИВМиМГ СО РАН совместно с НИЦ «Планета» в рамках создания программного комплекса PlanetaMonitoring по
обработке данных дистанционного зондирования Земли (ДЗЗ) была разработана система классификации с обучением (контролируемой классификации) [2]. Эта система классификации реализует стратегию максимального правдоподобия Байеса для нормально распределенных векторов признаков в классах. Оценки параметров классификатора (векторов средних и ковариационных матриц в классах) получаются на основе обучающих выборок.
Этот классификатор, разработанный для обработки данных ДЗЗ с относительно небольшим количеством спектральных диапазонов (мультиспектраль-ные данные), был достаточно легко адаптирован для обработки гиперспектральных образов, полученных сканерами с высоким спектральным разрешением. Однако такое прямое использование классификатора сопровождается следующими негативными обстоятельствами:
1. Высокие вычислительные затраты, обусловленные большой размерностью векторов признаков N (например, сканер ГСА спутника Ресурс-П № 3 имеет N = 255 спектральных диапазона). Расстояние Махалонобиса, используемое для оценки близости векторов признаков к центрам классов, является значением квадратичной формы с весовой матрицей размерности N*N.
2. Требуются большие объемы обучающих данных. Для того, чтобы избежать сингулярностей при вычислении матриц, обратных к ковариационным, минимальный объем обучающих выборок в классах должен равняться N + 1 вектору. Известно, что для получения хороших оценок ковариационных матриц в мультиспектральных данных (N~10) объем обучающей выборки V в классе должен быть таким, чтобы выполнялось следующее условие для соотношения размерности [3]: V/N>=100. Ясно, что для выполнения подобного условия в ги-перспектальных данных (N~100) объем обучающей выборки должен быть увеличен не менее, чем на порядок.
Для преодоления этих затруднений необходимо иметь возможность извлечения из гиперспектральных данных признаков, позволяющих построить набор векторов, размерность которых соответствует размерности мультиспектрально-го образа.
С этой целью полный набор спектральных диапазонов разбивается на блоки (соседние блоки могут пересекаться), каждый из которых представлен в результирующем векторе признаков одним значением. Это значение может быть: 1) средним по блоку; 2) максимальным значением в блоке; 3) главной компонентой в блоке; 4) центральное значение в блоке.
Кроме того, предоставляется возможность выбора главных компонент исходного набора гиперспектральных векторов данных в соответствии с упорядоченной по убыванию последовательностью собственных чисел ковариационной матрицы. Количество выбираемых главных компонент определяется суммарной дисперсией.
К полученному таким образом мультиспектральному образу в полной мере применимы функции системы контролируемой классификации программного комплекса PlanetaMonitoring (включая функцию постклассификации Vote, известную сейчас как мажоритарный фильтр).
Хотя подобное снижение размерности гиперспектральных образов используется достаточно часто (см., например, [4]), применять его следует с осторожностью из-за возможных потерь полезной информации. В частности, метод главных компонент, являясь линейным преобразованием, может разрушать нелинейности, присутствующие в данных [3].
В последнее время в состав системы контролируемой классификации комплекса PlanetaMonitormg нами включен еще один классификатор: классификатор спектрально-углового картирования [5]. Первоначально разработанный специально для классификации гиперспектральных данных этот классификатор не содержит какой-либо специфики этих данных и может быть использован для классификации и многоспектральных данных. В качестве расстояния р(х, у;) вектора признаков х до прототипа у^ класса I используется угловое расстояние:
Вектор х зачисляется в класс, для которого угловое расстояние р(х,у^) является минимальным. В качестве прототипов классов (ссылочных векторов) авторы алгоритма [5] используют библиотеку лабораторных спектров. Мы в своей реализации алгоритма в качестве прототипов классов используем векторы средних, полученных на основе обучающих и контрольных выборок классов. Для работы с обучающими и контрольными полями используется тот же инструментарий, что и для классификатора Байеса [2]. Классификатор работает в двух режимах: тестовом и рабочем. По результатам тестового режима вычисляется вероятность правильной классификации и строится матрица ошибок. Анализируя соответствующие показатели и выполняя, при необходимости, корректировки обучающих выборок классов, можно добиться необходимого уровня правильной классификации. В рабочем режиме классификатор обрабатывает весь набор данных, используя построенные прототипы классов. При этом может использоваться заданное пороговое значение угла а: если для вектора признаков х минимальное значение угла minip(x,y i) > а, то этот вектор заносится в класс отклоненных векторов.
Для вычислительных экспериментов использовался один из файлов известного набора данных спектрометра AVIRIS (https://aviris.jpl.nasa.gov/data/ get_aviris_data.html). Размер файла 1848*614, размерность векторов измерений 210. Из этого файла были сформированы два набора векторов признаков размером 1848*614 векторов: один с размерностью векторов признаков 184 (на основе визуального анализа спектральных составляющих векторов измерений) и второй с размерностью векторов признаков 21 (взяты главные компоненты из каждых 10 последовательных спектральных составляющих). Вычисления производились в рамках модели параллельного программирования OpenMP под управлением ОС Windows-10 на компьютере с 4-хядерным процессором
13-2100. В таблице приведены затраты времени в сек. на обработку указанных наборов данных классификаторами Байеса и спектрально-углового картирования в зависимости от числа выделяемых классов.
Таблица
Размерность векторов признаков Классификатор Байеса Спектралы классис но-угловой )икатор
15 классов 10 классов 15 классов 10 классов
184 170 105.2 2.4 1.6
21 2.5 1.7 0.35 0.24
На представленных ниже рисунках демонстрируются результаты работы классификаторов. На рис. 1 представлено изображение, полученное совмещением спектральных полос с номерами 30, 1 и 4 исходного набора данных. Рис. 2 -результат, полученный применением классификатора Байеса к набору векторов признаков размерности 184 (после операции постклассификации). Рис. 3 - результат, полученный применением классификатора спектрально-углового картирования к набору векторов признаков размерности 184 (использовалось пороговое значение а = п/18). Рис. 4 - результат, полученный применением классификатора Байеса к набору векторов признаков размерности 21 (после операции постклассификации). Белым цветом выделен класс отклоненных векторов. Во всех примерах выделялось по 10 классов.
Рис. 2
Рис. 4
Включение технологии контролируемой классификации гиперспектральных данных ДЗЗ в состав программного комплекса PlanetaMonitoring позволяет расширить возможности системы контролируемой классификации комплекса по построению карты тематических классов данных ДЗЗ различного спектрального разрешения.
Работа выполнена частично при финансовой поддержке Российского фонда фундаментальных исследований (проект № 16-07-00066) и Программы 1.33ППрезидиума РАН (проект № 0315-2015-0012).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений : пер. с англ. - М. : Техносфера, 2010. - 557 с.
2. Асмус В. В., Бучнев А. А., Пяткин В. П. Контролируемая классификация данных дистанционного зондирования Земли // Автометрия. - 2008. - № 4. - С. 60-67.
3. J. P. Marques de Sa. Pattern Recognition. Concepts, Methods and Applications. - Berlin : Springer, 2001. - 318 p.
4. Мельников П. В., Пестунов И. А., Рылов С. А. Экспериментальное сравнение методов классификации гиперспектральных изображений высокого пространственного разрешения по спектральным и пространственным признакам. // Региональные проблемы дистанционного зондирования Земли : сб. материалов III Междунар. научной конф., 13-16 сент. 2016 г. -Красноярск : СФУ, 2016. - С. 28-33.
5. The Spectral Image Processing System (SIPS) - interactive viualization and analysis of imaging spectrometer data / F. A. Kruse, A. B. Lefkoff, J. W. Boardman, K. B. Heidebrecht, A. T. Shapiro, P. J. Barloon, A. F. H. Goetz // Remote Sensing of Environment. - 1993. - № 44. - P. 145-163.
© А. А. Бучнев, В. П. Пяткин, 2017
