Алгоритмы сегментации объектов земной поверхности по данным гиперспектральной съемки

  • Автор:
  • Специальность ВАК РФ: 05.13.01
  • Научная степень: Кандидатская
  • Год защиты: 2013
  • Место защиты: Рязань
  • Количество страниц: 168 с. : ил.
  • бесплатно скачать автореферат
  • Стоимость: 250 руб.
Титульный лист Алгоритмы сегментации объектов земной поверхности по данным гиперспектральной съемки
Оглавление Алгоритмы сегментации объектов земной поверхности по данным гиперспектральной съемки
Содержание Алгоритмы сегментации объектов земной поверхности по данным гиперспектральной съемки
1. Анализ методов сегментации и идентификации объектов земной поверхности по данным гиперспектральной съемки
1.1. Анализ отечественных и зарубежных систем гиперспектральной съемки Земли
1.2. Анализ методов сегментации гиперспектральных изображений
1.3. Анализ методов идентификации объектов по данным гиперспектральной съемки
1.4. Основные направления исследований по созданию алгоритмов идентификации объектов с использованием методов искусственного интеллекта
Основные результаты
2. Сегментация гиперспектральных изображений на основе алгоритмов нечеткой кластеризации, генетических алгоритмов и нейронных сетей
2.1. Алгоритмы кластеризации гиперспектральных изображений в условиях неопределенности
2.2. Генетические алгоритмы оптимизации результатов кластеризации
2.3. Алгоритмы уточнения результатов кластеризации с применением искусственных нейронных сетей
Основные результаты
3. Сегментация гиперспектральных изображений с применением ансамбля алгоритмов кластеризации
3.1. Подходы к формированию кластерного ансамбля с использованием векторов меток кластеров
3.2. Ансамбль алгоритмов кластеризации, основанных на применении генетического алгоритма для максимизации
количества взаимной информации

3.3. Ансамбль алгоритмов кластеризации, основанный на консолидированной матрице подобия векторов меток кластеров..
3.4. Экспериментальные результаты
Основные результаты
4. Реализация и экспериментальные исследования системы сегментации объектов по данным гиперспектральной съемки
4.1. Информационные технологии формирования базы
данных эталонных объектов
4.2. Комплексирование разнородных баз данных эталонных спектральных характеристик объектов
4.3. Формирование оперативной БД объектов, нормирование спектральных характеристик получаемых из разных БД
4.4. Архитектура системы идентификации объектов
4.5. Процедуры повышения оперативности доступа к БД объектов гиперспектральных изображений
Основные результаты
Заключение
Список литературы
Приложение
Актуальность диссертации и степень разработанности темы.
Гиперспектральная съемка является приоритетным направлением развития систем дистанционного зондирования Земли (Д33)[4,29,33,72]. Она предполагает одновременное получение сотен и тысяч изображений одной и той же сцены, зафиксированных в очень узких соприкасающихся диапазонах спектра. В результате формируется многомерное гиперспектральное изображение (ГСИ), называемое гиперкубом. Каждой точке земной поверхности гиперкуб ставит в соответствие спектральную характеристику (СХ), которая описывает распределение энергии излучения по длине волны. Знание СХ для множества точек вполне определенных объектов позволяет автоматизировать процесс сегментации объектов и установить их физико-химические свойства. Поэтому материалы гиперспектральной съемки находят широкое применение во многих сферах человеческой деятельности: экологии, сельском и лесном хозяйствах, анализе атмосферы, поиске полезных ископаемых, военной сфере и др.
Гиперспектральная съемка начала внедряться в практику ДЗЗ совсем недавно. За рубежом работы в этом направлении начаты 12 лет назад и активно развиваются [4,29,84,91,97,156]. Создан ряд образцов гиперспектральной аппаратуры (ГСА) космического и авиационного базирования, лучшими из которых являются: Hyperion (TRW Inc., США, 2000 г.); CHRIS (Sira Technology Ltd, Великобритания; Verhaert Design and Development, Бельгия, 2001 г.); HICO (The Aerospace Corporation, Johnson Space Center, США, 2009 г.); HSI (Kayser-Threde GmbH, German Research Centre for Geosciences, Германия, планируется к использованию в 2015 г.). Каждая из указанных фирм-разработчиков ГСА включает десятки специализированных научно-производственных организаций.
В нашей стране впервые ГСА выведена на орбиту на спутнике МКА-
ФКИ (головной разработчик - НПО им. С.А. Лавочкина) в июле 2012 года. В
соответствии с Федеральной космической программой России на 2006-2

мости от количества элементов множества объектов X; с - количество нечетких кластеров XJ (у = 1,с); п - количество объектов кластеризации;
У = 1 ,с; 1 = 1,и.
Пусть каждый из центров кластеров представляет собой вектор V - = (у',у^,...,Уу) в некотором д-мерном нормированном пространстве, изоморфном Я4 (Уу е Т?9) при условии.
При использовании евклидовой метрики расстояние между объектом х, (г = ,п) и центром кластера у (_/ = !,
где х| - / -я координата г -го объекта (количественное значение по I -й характеристике е Р для объекта х, = (х,,хг2,...,х(ч)е Х) уУ -1-я координата
центра у -го кластера; / = 1 ,п; I = 1, д.
В этом случае целевая функция (2.2) может быть записана как [17, 56]:
Аи>Г)=Е Е (м, (*,))т ■ Е(х! -^У ->т1п> (2.4)
/=1 у=1 /=
где и = [му(х,)] - нечеткое с-разбиение множества объектов X на основе функций принадлежности и/(х,), определяющих нечеткую степень принадлежности объекта х, кластеру X; V = (у, ,...,ус) - центры кластеров; т -фаззификатор (т е Я; т> 1); с - количество кластеров X) (у = 1,с), которое считается предварительно заданным; п - количество объектов кластеризации; у - количество характеристик; х‘ -1-я координата г -го объекта (количественное значение по I -й характеристике); vlJ - 1-я координата центра У -го кластера; у = 1,с; г = ,п; I = 1,д.

Рекомендуемые диссертации данного раздела