По всем вопросам звоните:

+7 495 274-22-22

УДК: 62–2

Анализ линейного спектрального разделения гиперспектральных видеоданных

Прививков А.В. инженер — конструктор, Красногорский завод им. Зверева
Митрофанов Е.М. канд. тех. наук, доцент, Московский Государственный университет геодезии и картографии
Медведев К.Л. канд. тех. наук, доцент, Московский государственный технический университет им. Баумана

В данной работе просматривается принципы анализа гиперспектральной видеоинформации в области синтеза локальных библиотек спектральных сигнатур. описан метод детектирования конечных элементов на основе сравнения их с эталонами из спектральных библиотек при помощи алгоритмов линейного спектрального смешивания.

Литература:

1. Денисова А.Ю., Журавель Ю.Н., Мясников В.В. Анализ линейной спектральной смеси, инвариантный к атмосферным искажениям гиперспектральных изображений, ИСОИ РАН, Компьютерная оптика. — Т. 40. — 2016. — № 3. — С. 380–387.

2. Keshava N., Mustard J.F. Spectral unmixing // IEEE Signal Process. Mag. — V. 19. — № 1. — Jan. 2002. — Р. 44–57.

3. Chi C.Y., Chan T.H., Ma W.K. A convex analysis basedminimumvolume enclosing simplex algorithm for hyperspectralunmixing // IEEE. — 2009.

4. Li J., Bioucas-Dias J. Minimum volume simplex analysis: A fast algorithm to unmixhyperspectral data // IEEE. — V. 3. — 2008. — P. 250–253.

5. Tao L.Z.X., Wang B., Zhang J.Q. A newscheme for decomposition of mixed pixels based on nonnegative matrixfactorization // IEEE. — 2007. — Р. 1759–1762.

6. Donoho D. Compressed sensing // IEEE. — V. 52. —№ 4. — 2006. — Р. 1289– 1306.

7. Craig M.D. Minimum-volume transforms for remotely sensed data // IEEE. — V. 32. — 1994. — Р. 542–552.

8. Bioucas-Dias J.M., Plaza A., Dobigeon N., Parente M., Du Q., Gader P., Chanussot J. Hyperspectralunmixing overview: geometrical, statistical and sparse regression-based approaches // IEEE. — V. 5. — № 2. — April 2012. — Р. 354–379.

9. Heinz D., Chang C.‑I. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery // IEEE. — V. 39. — № 3. — 2001 — Р. 529–545.

Анализ гиперспектральной информации — область дистанционного зондирования, получившая широкое развитие в начале миллениума. Преимуществом использования гиперспектральных данных является расширенный покрываемый спектральный диапазон и высокое пространственное расширение. Это позволяет применять данные в широком спектре задач национального значения [1].

Стоит отметить, что начиная с определенного уровня пространственного разрешения, все природные и большинство искусственных поверхностей оказываются неоднородными. Смешивание характерных признаков не пропадает при переходе к изображениям с более высоким пространственным разрешением. Применительно к съемочной аппаратуре космического базирования, в зависимости от пространственного разрешения датчика аппаратуры (в случае, если оно недостаточно высоко) и материалов на поверхности, полученная гиперспектральная информация иметь в своем составе пикселы с «чистой» и «смешанной» спектральными характеристиками. Для отдельного спектрального диапазона, стабильный спектр (детерминированный), соответствует идеализированному прототипу спектральной сигнатуры, используемому в спектральных библиотеках.

В случае, когда пиксел имеет в своем составе «смешанную» спектральную сигнатуру, измеренный спектр может быть разделен по методу, используемому при разработке нейронных сетей низкого порядка. В этом случае, спектр пиксела линейно разделяется на малые компоненты, обладающие относительно постоянными спектральными свойствами — или конечные элементы (endmember), и каждой присваивается свой весовой коэффициент на основе пропорционального присутствия (fractionalabundance) [2, 3]. Представление методов спектрального взвешенного анализа может быть линейным (LSU) и нелинейным (NSU) (рис. 1).

Наилучшим считается исход, когда локальная спектральная библиотека содержит такое число конечных элементов, что их линейная комбинация формирует весь остальной набор спектров на маршруте (рис. 2).

К общим недостаткам методов спектрального взвешенного анализа относят необходимость применения библиотек спектральных сигнатур (повышенные требования к высокоточной взаимной калибровке) и сложность определения процентных долей примесей в пикселе. Кроме того, хотя сверка с библиотекой спектральных сигнатур может показаться правильным выбором, однако у этого подхода имеется набор недостатков.

Для Цитирования:
Прививков А.В., Митрофанов Е.М., Медведев К.Л., Анализ линейного спектрального разделения гиперспектральных видеоданных. Конструкторское Бюро. 2017;4.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: