Подходы к классификации гиперспектральных изображений - Подробный обзор

Аннотация

Гиперспектральная визуализация (HSI) является мощным инструментом дистанционного зондирования, обеспечивающим высокоинформативные изображения с множеством спектральных каналов. Основные направления исследований включают обработку больших объемов данных, улучшение качества классификации и применение современных методов машинного обучения. Настоящая статья обобщает современные подходы к классификации HSI, такие как нейронные сети, метод опорных векторов (SVM), метод ближайшего соседа (KNN) и глубокое обучение (Deep Learning). Обсуждается состояние текущих разработок и предлагаются рекомендации для дальнейших исследований.

1. Введение

Гиперспектральная съемка позволяет получать изображения в сотнях узких спектральных диапазонов, что обеспечивает высокую детализацию и возможность идентификации материалов и объектов. Технология используется в различных областях, включая сельское хозяйство, лесное хозяйство, геологию и экологический мониторинг.

Основные типы гиперспектральных сенсоров:
1.    Сканеры типа push-broom и whisk-broom.
2.    Последовательные сканеры полос.
3.    Мгновенные гиперспектральные камеры.

В статье рассматриваются современные методы классификации HSI, их преимущества и ограничения, а также приводятся примеры применения в реальных задачах.

2. Методы классификации гиперспектральных изображений

2.1. Неконтролируемая классификация

Используется при отсутствии размеченных данных. Основные методы:

·         Анализ главных компонент (PCA) — снижение размерности с сохранением ключевой информации.
·         Анализ независимых компонент (ICA) — работа со статистикой высшего порядка, эффективен для разделения смешанных сигналов.
2.2. Контролируемая классификацияТребует наличия размеченных обучающих данных. Популярные методы:
·         Метод максимального правдоподобия (MLC) — основан на предположении о нормальном распределении данных.
·         Метод опорных векторов (SVM) — эффективен при малом количестве обучающих выборок.
·         Метод k ближайших соседей (KNN) — простая и интерпретируемая модель.
·         Случайный лес (RF) — ансамблевый метод с высокой точностью и устойчивостью к переобучению.
·         Отображение углов спектров (SAM) — специализированный метод для сравнения спектральных подписей.

2.3. Полуконтролируемая классификацияКомбинирует размеченные и неразмеченные данные для улучшения качества классификации.

2.4. Глубокое обучение·        

Сверточные нейронные сети (CNN) — эффективны для совместного использования спектральной и пространственной информации. Глубокая CNN используется для извлечения признаков, найденных во входных данных. Архитектура глубокой CNN показана на рисунке 2.

·         Рекуррентные нейронные сети (RNN) — подходят для обработки последовательностей спектральных данных.

·         Глубокие сети убеждений (DBN) — используются для предобучения и тонкой настройки моделей. Структура DBN показана на Рисунке 4 .Методы, связанные с классификацией DBN, выполняют очень быстрый вывод и помогают в идентификации гиперспектральных изображений. Подход к классификации, основанный на DBN, обеспечивает высокую эффективность классификации. Изображение в ложном цвете (3 полосы) и достоверные данные о наземных условиях показаны на рисунках 5 и 6.

3. Проблемы и дискуссииОсновные трудности при классификации HSI:

·         Высокая размерность данных усложняет обработку и увеличивает затраты ресурсов.
·         Ограниченные обучающие наборы снижают надежность моделей.
·         Специфичность аппаратуры накладывает дополнительные требования к качеству данных.

Оптимизация обработки данных и разработка специализированных архитектур нейронных сетей стали ключевыми направлениями исследований.

В таблице ниже представлены результаты сравнения различных методов классификации на стандартных наборах данных (Indian Pines, Pavia University, Salinas).


5. Заключение и перспективы

Гиперспектральная классификация продолжает развиваться благодаря внедрению методов глубокого обучения и гибридных подходов. CNN демонстрируют наилучшие результаты по точности, особенно при комбинировании спектральной и пространственной информации. Несмотря на успехи нейронных сетей и других современных методов, остаётся ряд нерешённых вопросов, связанных с оптимизацией и эффективностью вычислений. Будущие исследования должны сосредоточиться на развитии гибридных методов, сочетающих преимущества различных подходов.

Читать полную статью