Исследование возможности применения сингулярного разложения матриц яркостей для классификации цифровых изображений на спектрозональных и гиперспектральных снимках

Содержание
Введение
Глава 1. Современное состояние проблемы
1.1 Использование данных съемки в спектральном диапазоне
1.2 Сегментация
1.3 Автоматизированные методы классификации
1.4 Неконтролируемая классификация
1.5 Классификация с обучением
1.6 Обзор существующих методов классификации
1.7 Применение искусственных нейронных сетей в задачах классификации
Глава 2. Объект и предмет исследования
Глава 3. Используемые методы и материалы
3.1 Материалы
3.1.1 Материалы спектрозональной съемки
3.1.2 Материалы гиперспектральной съемки
3.2 Методы
3.2.1 Преобразования гистограммы
3.2.2 Общий вид сингулярного разложения матрицы
3.2.3 Учет значений окрестности
3.2.4 Обучение модели методом сингулярного разложения
3.2.5 Классификация изображения на основе значений сингулярных чисел
3.2.6 Оценка экспериментальных результатов
Глава 4. Методика классификации изображений методом сингулярного разложения и экспериментальные результаты
4.1 Общий вид методики классификации
4.2 Распознавание зон затопления на данных системы Landsat 8.
4.3 Исследование применения алгоритма для задач распознавания сельскохозяйственных угодий на данных системы Sentinel 2.
4.4 Исследование применения алгоритма на данных высокого пространственного разрешения
4.5 Исследование применения алгоритма на гиперспектральных данных систем MODIS и EO-1 Hyperion
4.6 Выводы
Заключение
Литература
Список сокращений
Приложения

Введение

Современное состояние дистанционного зондирования Земли обуславливается использованием технических систем анализа и обработки информации. Цифровые данные, обрабатываемые в целях получения тематической информации в большинстве случаев представлены изображениями. С каждым годом возрастающий объем информации стимулирует развитие быстродействующих вычислительных ресурсов, способных выполнять анализ изображений, используя комбинированные алгоритмы и методики, обеспечивающие высококачественный уровень анализа при имеющихся ограничениях.
При анализе изображения встает задача определения характеристик, по которым возможно разделение изображения на однородные области. В дальнейшей обработке определенные области используются для классификации. Классификация представляет собой процесс установления соответствия между областями на изображении и реальными объектами. Соответствие определяется по критериям схожести. На данный момент существует множество алгоритмов, учитывающих не только яркостные характеристики объектов, но текстурные и иные признаки (Форсайт, 2008).
Основываясь на приведенных соображениях, при создании методики классификации изображения можно выделить следующие основные этапы:
1. Разделение изображения на однородные области,
2. Вычисление признаков для каждой однородной области
3. Классификация однородных областей по вычисленным признакам.
При разработке алгоритма классификации возникает ряд проблем, связанных с особенностями интерпретации данных и учетом характеристик объектов:
Процедура сегментации изображения выполняется с большей точностью, при учете априорной информации