Tecnología de clasificación de imágenes hiperespectrales_Estado de la investigación de la tecnología del espectro de imágenes
1.2.1.1 Método de clasificación supervisada de imágenes hiperespectrales
Para la clasificación supervisada de imágenes hiperespectrales, los algoritmos de clasificación existentes se pueden dividir en clasificación de coincidencia de características espectrales, clasificación de modelos estadísticos y clasificación homogénea. Clasificación de extracción de características, clasificación asistida por información de textura, clasificación orientada a objetos, clasificación de árbol de decisión, método de agrupamiento difuso, clasificación de sistemas expertos, clasificación de redes neuronales, clasificación de máquinas de vectores de soporte, clasificación de aprendizaje popular, clasificación de aprendizaje integrada, clasificación basada en modelos de nube, etc. .
(1) Método de clasificación de coincidencia de características espectrales
Basado en los datos espectrales conocidos, el algoritmo de análisis de coincidencia se utiliza para distinguir las categorías del espectro a medir, logrando así la clasificación de imágenes. . Puede ser una coincidencia espectral de banda completa o una coincidencia espectral de banda de interés parcial. Por ejemplo, Geotz (1990) propuso un algoritmo de coincidencia de código binario, que convertía el espectro de píxeles en una secuencia de codificación estableciendo un umbral, que comprimía el espectro original hasta cierto punto, pero también reducía la discriminación del espectro. Los algoritmos de codificación binaria comunes incluyen codificación segmentada, codificación de umbrales múltiples y codificación de banda de características. Cracktel. (1998) propusieron un algoritmo de ajuste para determinar la probabilidad de que un píxel pertenezca a la muestra calculando el grado de ajuste entre el espectro de píxeles y el espectro de la muestra. Crucero. (1993a) compararon la similitud entre el espectro medido y el espectro de referencia calculando el ángulo del vector y creyeron que cuanto menor era el ángulo entre los dos espectros, mayor era la similitud. Además, la clasificación de imágenes basada en el método de eliminación de envolvente también es un método de coincidencia espectral. La envolvente de un espectro de un solo píxel se genera mediante el método de relación de envolvente, tecnología diferencial espectral y tecnología de ajuste de curvas, resaltando las características de pico y valle. curva espectral y luego extraer Refleja la banda sensible de un determinado problema y luego usa la banda sensible para realizar una investigación de clasificación. Bai Jiwei et al. (2003) creían que la tecnología de clasificación por eliminación de envolventes puede suprimir el ruido y mejorar la precisión de la clasificación, y es especialmente adecuada para el reconocimiento de vegetación. Millerthal. (1997) diseñaron el mapeo espectral de correlación cruzada (CCSM) para evaluar exhaustivamente el grado de coincidencia de los espectros mediante el cálculo del coeficiente de correlación, el coeficiente de asimetría y los criterios de significancia relacionados del espectro de prueba y el espectro de referencia. Crucero. (1990) utilizaron parámetros característicos como el ancho de media longitud de onda, la posición de la longitud de onda y la profundidad de absorción para realizar la coincidencia espectral.
(2) Método de clasificación del modelo estadístico
McIveretal. (2002) creían que la clasificación de máxima verosimilitud es el método de clasificación más utilizado basado en modelos estadísticos. Este método supone que la probabilidad de que un objeto aparezca en una imagen obedece a una distribución normal multidimensional (Swaine et al., 1978) construyeron un método de análisis discriminante de kernel Fisher a través de experimentos de clasificación. El método es mejor que el método de clasificación.
(3) Método de clasificación basado en extracción de características homogéneas.
Los métodos de clasificación general a menudo no consideran la relación entre el píxel a medir y sus píxeles adyacentes, porque limitado por la resolución espacial de la imagen, el espectro de un solo píxel representa una pequeña cantidad de objeto terrestre. Parte de ella proviene del píxel de destino local y una gran parte proviene de sus píxeles vecinos. Kettigetal. (1976) diseñaron un método de extracción y clasificación basado en la extracción AndofMogeneousObjects (ECHO), que considera completamente la relación entre el píxel a probar y los píxeles adyacentes.
(4) Método de clasificación asistido por información de textura.
La información de textura es una expresión efectiva de las características de los objetos terrestres, y se pueden identificar diferentes objetos terrestres en función de la información de textura. Matriz Gray * * (GLCM) propuesta por Haralicketal. (1973) es una tecnología de análisis de textura ampliamente utilizada que expresa las reglas de distribución de densidad de grises calculando las características estadísticas de las imágenes. Basado en el análisis de transformada de Fourier, la señal del dominio espacial de la imagen se transforma en el dominio de la frecuencia (Augusteij et al., 1995), y el espectro de energía, el espectro de amplitud y el espectro de fase se utilizan para describir las características de textura de la imagen para su clasificación. . Shu Ning (2004) utilizó la transformación de componentes principales para extraer características de textura de imágenes y clasificarlas. Creen que el análisis de componentes principales puede mejorar la precisión de la clasificación.
(5) Método de clasificación orientado a objetos
A diferencia del método de clasificación tradicional basado en píxeles, la unidad de procesamiento del método de clasificación orientado a objetos es un objeto de imagen, también llamado objeto de parche. Benzeta.
(2004) definieron los objetos puntuales como regiones independientes con morfología espacial y características espectrales similares. La tecnología de segmentación de imágenes es la esencia de la clasificación orientada a objetos. El desarrollo de la tecnología de segmentación de imágenes determina hasta cierto punto el desarrollo de la tecnología de clasificación orientada a objetos. Kwonetal. (2007) diseñaron un método completo de segmentación de imágenes hiperespectrales de cuatro árboles (QTD). Shakhtar. (2002) propusieron un método mejorado de segmentación de imágenes hiperespectrales de análisis de componentes independientes. Acitoetal. (2003) propusieron un método de segmentación estadística basado en GaussianMixtureModel (GMM).
(6) Método de clasificación del árbol de decisión
La clasificación del árbol de decisión lleva a cabo gradualmente una clasificación comparativa formulando las reglas de discriminación de cada capa de nodos del árbol. Hansenthal. (1996) creían que la clasificación del árbol de decisiones tiene un buen efecto de clasificación en datos de entrenamiento con distribución irregular y características no paramétricas. Wang Yuanyuan et al (2007) utilizaron árboles de decisión para clasificar datos hiperespectrales y creyeron que la selección de características puede mejorar la precisión de la clasificación.
(7) Método de agrupamiento difuso
La clasificación difusa se basa en la incertidumbre del desempeño de las cosas. Al analizar esta ambigüedad, podemos generalizar y descubrir las reglas que permiten la clasificación. También existe un cierto grado de ambigüedad en los píxeles de las imágenes de teledetección. Wang (1990) y Carpenter et al. propusieron una clasificación difusa de las imágenes de teledetección. (1992) Yan Yongzhong et al. (2005) combinaron el índice absoluto y utilizaron un método de agrupamiento difuso para clasificar imágenes hiperespectrales, con una alta precisión de clasificación.
(8) Método de clasificación del sistema experto
El sistema experto utiliza una variedad de conocimientos empíricos y reglas de discriminación para clasificar mediante análisis informático y comparación del grado de coincidencia entre los conocimientos que se van a evaluar. y conocimiento experto. En el extranjero, muchos estudiosos han desarrollado sistemas expertos de clasificación para imágenes hiperespectrales, como el sistema experto Stanexpert desarrollado por Lyonetal. (1990) Identificación automática de minerales. Utilizando reglas de clasificación, Kruseetal. (1993b) desarrollaron un potente sistema de identificación espectral. Kimes desarrolló un sistema VEG para la identificación espectral de la vegetación.
(9) Método de clasificación de redes neuronales
La red neuronal artificial (ANN) utiliza métodos matemáticos y físicos para simular el proceso de pensamiento del cerebro humano desde la perspectiva del procesamiento de información y establece Modelo simplificado (Han Liqun, 2006). En el campo de la teledetección hiperespectral, las redes neuronales artificiales se utilizan principalmente para el análisis cuantitativo de componentes bioquímicos de sustancias. Tovarnetal. (2003) utilizaron la red neuronal SOFM para extraer bordes de imágenes multiespectrales y señalaron que este método se puede aplicar a la extracción de bordes de imágenes de big data; (2006) utilizaron la red neuronal SOFM para identificar la roya lineal temprana en el trigo basándose en los datos espectrales de 5137 hojas, con una precisión de hasta el 99%. Tan Kun et al (2008) extrajeron los componentes característicos de los datos de imágenes hiperespectrales de OMISII para formar datos de componentes de 60 dimensiones, y la precisión de la clasificación alcanzó el 69,27%. Song Jianghong et al (2006) propusieron una clasificación de datos hiperespectrales basada en análisis de componentes independientes y redes neuronales. Zhou Qianxiang et al. (2005) diseñaron una red no lineal para clasificar datos hiperespectrales según la textura y las características espectrales.
(10) Método de clasificación de la máquina de vectores de soporte
La máquina de vectores de soporte (SVM) fue propuesta por Vapnik (1995). La aplicación de SVM en la clasificación de imágenes hiperespectrales ha sido estudiada por académicos nacionales. . Por ejemplo, Ma Yi et al. (2006) propusieron un modelo de identificación de especies biológicas dominantes de marea roja basado en SVM, que no está limitado por la alta dimensionalidad de los datos. Li Zuchuan et al (2011) propusieron un modelo de campo aleatorio mejorado SVM-CRF y realizaron experimentos de clasificación de alta precisión con datos hiperespectrales de AVIRIS. Li Haitao et al. (2007) propusieron un método de clasificación de imágenes hiperespectrales basado en la transformación de separación mínima de ruido y SVM, y realizaron investigaciones experimentales utilizando datos OMIS1. La precisión de la clasificación general alcanza el 94,85%. Shen Zhaoqing et al (2009) utilizaron el algoritmo del punto más cercano (NPA) para proponer un algoritmo SVM sin parámetros de penalización. A través de experimentos de clasificación con datos de AVIRIS, se cree que este método mejora la precisión y la velocidad de la clasificación.
(11) Método de clasificación de aprendizaje popular
Manifold Learning (ML) consiste en recuperar estructuras populares de baja dimensión a partir de datos de muestreo de alta dimensión y encontrar el mapeo de incrustación correspondiente, logrando así datos. Reducción de dimensionalidad. El aprendizaje pop es un método básico de reconocimiento de patrones, que incluye el aprendizaje pop lineal y el aprendizaje pop no lineal. Sus algoritmos incluyen mapeo isométrico, mapeo laplaciano, incrustación lineal local, algoritmo de disposición del espacio tangente local, etc. En la actualidad, pocas personas en China han estudiado su aplicación en la clasificación de imágenes hiperespectrales. Maletar. (2010a ~ c) creen que el aprendizaje pop es más adecuado para la clasificación binaria y puede distinguir objetos complejos. Estudiaron la aplicación de métodos de aprendizaje populares basados en el algoritmo K-más cercano, permutaciones espaciales tangentes locales y clasificación supervisada generalizada en la detección y clasificación de anomalías de imágenes hiperespectrales. Du Peijun et al. (2011) utilizaron el algoritmo de mapeo isométrico global (Iso-map) para reducir la dimensionalidad de los datos hiperespectrales, con buenos resultados.
(12) Método de clasificación del aprendizaje conjunto
En el aprendizaje conjunto, se utilizan varios alumnos y los resultados se sintetizan de acuerdo con reglas personalizadas, lo cual es mejor que un solo alumno. Los métodos de aprendizaje conjunto se pueden dividir en integración homomórfica (como método de superposición, método de metaaprendizaje) e integración homomórfica (integración ingenua de Bayes, integración de árbol de decisión, integración de red neuronal artificial, integración de K vecino más cercano, etc.). aprendizaje A la vanguardia, existen pocos estudios sobre el procesamiento de imágenes por teledetección, especialmente la clasificación de imágenes hiperespectrales, pero las perspectivas de investigación de esta tecnología en este campo son muy amplias.
(13) Método de clasificación basado en el modelo de nube
Li Wanchen et al (2011) propusieron una tecnología de clasificación de imágenes hiperespectrales basada en el modelo de nube. Al generar un modelo de nube multidimensional de muestras de objetos terrestres y combinar la regla discriminante máxima para clasificar las muestras, la precisión de la clasificación es alta.
1.2.1.2 Método de clasificación no supervisada de imágenes hiperespectrales
Para la clasificación no supervisada de imágenes hiperespectrales, los algoritmos existentes son principalmente el algoritmo K-means y el algoritmo ISODATA.
(1) Método K-medias
Tou y González (1974) creían que el algoritmo K-medias determina el agrupamiento de la muestra cuando el número de categorías del problema a ser Se conoce la clasificación del núcleo de clase, y de alguna manera preclasifica otros elementos de la muestra en diferentes categorías, luego ajusta el centro del grupo y finaliza la agrupación cuando el centro es estable.
(2) Método ISODATA
Ball y Hall (1965) propusieron un algoritmo de agrupamiento iterativo autoorganizado (ISODATA). Este método "fusiona" y "divide" de forma independiente la clasificación de características para obtener mejores resultados de clasificación.