DSpace Repository

Спектрально-пространственная классификация типов растительности по гиперспектральным данным

Show simple item record

dc.contributor.author Гурьянов, Марк Александрович ru_RU
dc.contributor.author Борзов, Сергей Михайлович ru_RU
dc.contributor.author Guryanov, Mark Aleksandrovich en
dc.contributor.author Borzov, Sergey Mihaylovich en
dc.creator Институт автоматики и электрометрии СО РАН ru_RU
dc.creator Новосибирский государственный университет ru_RU
dc.creator Institute of Automation and Electrometry SB RAS en
dc.creator Novosibirsk State University en
dc.date.accessioned 2018-01-15T11:29:19Z
dc.date.available 2018-01-15T11:29:19Z
dc.date.issued 2017-12
dc.identifier.citation Гурьянов М. А., Борзов С. М. Спектрально-пространственная классификация типов растительности по гиперспектральным данным // Вестн. НГУ. Серия: Информационные технологии. 2017. Т. 15, № 4. С. 14–21. DOI 10.25205/1818-7900-2017-15-4-14-21. ISSN 1818-7900. ru_RU
dc.identifier.citation Guryanov M. A., Borzov S. M. Spectral-Spatial Classification of Vegetative Cover Types Using Hyperspectral Data. Vestnik NSU. Series: Information Technologies, 2017, vol. 15, no. 4, p. 14–21. DOI 10.25205/1818-7900-2017-15-4-14-21. ISSN 1818-7900. (In Russ.) en
dc.identifier.issn 1818-7900
dc.identifier.other DOI 10.25205/1818-7900-2017-15-4-14-21
dc.identifier.uri https://lib.nsu.ru/xmlui/handle/nsu/13492
dc.description.abstract Работа посвящена исследованию эффективности методов контролируемой спектрально-пространственной классификации гиперспектральных данных при различении типов растительности (сельскохозяйственных культур). На примере тестового фрагмента изображения, полученного в рамках программы AVIRIS, выполнено сравнение ряда подходов к повышению точности классификации за счет учета окрестности пикселей на различных этапах обработки данных. Показано, что наибольшей эффективностью обладает метод, сочетающий пространственную обработку исходных изображений и постобработку формируемых картосхем. ru_RU
dc.description.abstract The article is devoted to the effectiveness research of controlled spectral-spatial classification of hyperspectral data methods in distinguishing vegetation types (agricultural cropes). A number of approaches to increasing the classification accuracy by considering the pixels’ vicinity on different stages of data processing have been compared using the example of the test image fragment, which was taken during the AVIRIS program. It was shown that method combining spatial processing of initial images with postprocessing of generated classification maps renders to be the most effective. en
dc.language.iso ru ru_RU
dc.publisher Новосибирский государственный университет ru_RU
dc.subject дистанционное зондирование Земли ru_RU
dc.subject гиперспектральные изображения ru_RU
dc.subject классификация типов поверхностей ru_RU
dc.subject спектральные и пространственные признаки ru_RU
dc.subject remote sensing en
dc.subject hyperspectral images en
dc.subject surface type classification en
dc.subject spectral and spatial features en
dc.title Спектрально-пространственная классификация типов растительности по гиперспектральным данным ru_RU
dc.title.alternative Spectral-Spatial Classification of Vegetative Cover Types Using Hyperspectral Data en
dc.type Article ru_RU
dc.description.reference 1. Перспективные информационные технологии дистанционного зондирования Земли: Моногр. / Под ред. В. А. Сойфера. Самара: Новая техника, 2015. 256 с. 2. Chen C., Li W., Tramel E.W., Cui M., Prasad S., Fowler J. E. Spectral-spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification // IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. 2014. Vol. 7. Р. 1047–1059. 3. Palsson F., Ulfarsson M. O., Sveinsson J. R. Hyperspectral image denoising using a sparse low rank model and dual-tree complex wavelet transform // Proc. of the Geoscience and Remote Sensing Symposium (IGARSS), IEEE International. 2014. P. 3670–3673. 4. Zhen Ye, Mingyi He, Fowler J. E., Qian Du. Hyperspectral image classification based on spectra derivative features and locality preserving analysis // Proc. of the Signal and Information Processing (ChinaSIP), IEEE China Summit & International Conference. 2014. P. 138–142. 5. Borhani M., Ghassemian H. Hyperspectral Image Classification Based on Spectral-Spatial Features Using Probabilistic SVM and Locally Weighted Markov Random Fields // Iranian Conference on Intelligent Systems (ICIS 2014). 2014. P. 1–6. 6. Yang Hu, Eli Saber, Monteiro Sildomar T., Cahill Nathan D., Messinger David W. Classification of hyperspectral images based on conditional random fields // Proc. SPIE 9405, Image Processing: Machine Vision Applications VIII, 940510 (February 27, 2015); doi:10.1117/12.2083374; http://dx.doi.org/10.1117/12.2083374 7. Tarabalka Y., Rana A. Graph-Cut-Based Model for Spectral-Spatial Classification of Hyperspectral Images // International Geoscience and Remote Sensing Symposium (IGARSS); Quebec, Canada. 2014. P. 3418–21. 8. Lillesand M. T., Kiefer R. W., Chipman J. W. Remote Sensing and Image Interpretation. N. Y.: John Wiley & Sons, 2004. 763 p. 9. Hader D. P. Imageanalysis: methods and applications. London: CRC Press, 2000. 480 p. 10. Baumgardner M. F., Biehl L. L., Landgrebe D. A. 220 Band AVIRIS Hyperspectral Image Data Set: June 12, 1992 Indian Pine Test Site 3. Purdue University Research Repository. 2015. doi:10.4231/R7RX991C. 11. Борзов С. М., Потатуркин А. О., Потатуркин О. И., Федотов А. М. Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных территорий // Автометрия. 2016. № 1. С. 3–14. 12. Green A. A., Berman M., Switzer P., Craig M. D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal // IEEE Transactions on Geoscience and Remote Sensing. 1988. Vol. 26. No. 1. P. 65–74. ru_RU
dc.description.reference 1. Perspective information technologies of Earth remote sensing: monograph / ed. by V. A. Soyfer. Samara, Novaya tehnika, 2015, 256 p. 2. Chen C., Li W., Tramel E. W., Cui M., Prasad S., Fowler J. E. Spectral-spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. 2014, 7, 1047–1059. 3. Palsson F., Ulfarsson M. O., Sveinsson J. R. Hyperspectral image denoising using a sparse low rank model and dual-tree complex wavelet transform // Proc. of the Geoscience and Remote Sensing Symposium (IGARSS), IEEE International, 2014, p. 3670–3673. 4. Zhen Ye, Mingyi He, Fowler J. E., Qian Du. Hyperspectral image classification based on spectra derivative features and locality preserving analysis. Proc. of the Signal and Information Processing (ChinaSIP), IEEE China Summit & International Conference, 2014, p. 138–142. 5. Borhani M., Ghassemian H. Hyperspectral Image Classification Based on Spectral-Spatial Features Using Probabilistic SVM and Locally Weighted Markov Random Fields. Iranian Conference on Intelligent Systems (ICIS 2014), 2014, pp. 1–6. 6. Yang Hu, Eli Saber, Sildomar T. Monteiro, Nathan D. Cahill and David W. Messinger. Classification of hyperspectral images based on conditional random fields. Proc. SPIE 9405, Image Processing: Machine Vision Applications VIII, 940510 (February 27, 2015); doi:10.1117/12.2083374; http://dx.doi.org/10.1117/12.2083374 7. Tarabalka Y., Rana A. Graph-Cut-Based Model for Spectral-Spatial Classification of Hyperspectral Images. International Geoscience and Remote Sensing Symposium (IGARSS); Quebec, Canada. 2014, p. 3418–21. 8. Lillesand M. T., Kiefer R. W., Chipman J. W. Remote Sensing and Image Interpretation. N. Y.: John Wiley & Sons, 2004, 763 p. 9. Hader D. P. Imageanalysis: methods and applications. London: CRC Press, 2000, 480 p. 10. Baumgardner M. F., Biehl L. L., Landgrebe D. A. 220 Band AVIRIS Hyperspectral Image Data Set: June 12, 1992 Indian Pine Test Site 3. Purdue University Research Repository. 2015. doi:10.4231/R7RX991C. 11. Borzov S. M., Potaturkin A. O., Potaturkin O. I., Fedotov A. M. Study of the classification efficiency of hyperspectral satellite images of natural and anthropogenic territories. Avtometriya, 2016, no. 1, p. 3–14. 12. Green A. A., Berman M., Switzer P., and Craig M. D. A transformation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Transactions on Geoscience and Remote Sensing, 1988, vol. 26, no. 1, p. 65–74. en
dc.subject.udc 528.72:004.93
dc.relation.ispartofvolume 15
dc.relation.ispartofnumber 4
dc.relation.ispartofpages 14-21


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account