Ньян Линн Тун. Алгоритмы классификации данных дистанционного зондирования Земли для интерпретации спутниковых и аэрофотоснимков

Краткое описание

Ньян Линн Тун. Алгоритмы классификации данных дистанционного зондирования Земли для интерпретации спутниковых и аэрофотоснимков;[Место защиты: ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»], 2023

«МОСКОВСКИЙ ГОСУДАРСТВЕНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
имени Н. Э. БАУМАНА»
(Национальный исследовательский университет)

На правах рукописи

НЬЯН ЛИНН ТУН
АЛГОРИТМЫ КЛАССИФИКАЦИИ ДАННЫХ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ДЛЯ ИНТЕРПРЕТАЦИИ СПУТНИКОВЫХ И
АЭРОФОТОСНИМКОВ
Специальность: 2.3.1 - Системный анализ, управление и обработка
информации, статистика
Диссертация на соискание ученой степени
кандидата технических наук
Научный руководитель: к.т.н., доцент Бобков Александр Валентинович
Москва - 2022
ОГЛАВЛЕНИЕ
Стр.
СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ 5
ВВЕДЕНИЕ 7
ГЛАВА 1. АВТОМАТИЧЕСКОЙ СИСТЕМЫ КЛАССИФИКАЦИИ
ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ ДОТАЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ 14
1.1. Основые методы классификации гиперспектральных изображений 16
1.2. Методы классификации ГСИ в системах контролируемой
классификации 17
1.2.1. Максимальное правдоподобие классификации 18
1.2.2. Классификация по минимальному расстоянию 20
1.2.3. Г лубокая сеть доверия 21
1.2.4. Машина опорных векторов 24
1.2.5 Сверточные нейронные сети 27
1.3. Методы классификации гиперспектральных изображений в системах
неконтролируемой классификации 28
1.3.1. Шумоподавляющий автоэнкодер 29
1.3.2. Классификация методом К-средних 31
1.3.3. Итеративный метод самоорганизации ISODATA 33
1.3.4. Метод главных компонент 34
1.4. Типовая структура и основые принципы для классификаци ГСИ ДЗЗ 39
1.5. Задача автоматической классификация гиперспектральных изображений
дистационного зондирования Земли 40
1.6. Постановка задачи автоматической классификации гиперспектральных
изображений ДЗЗ 42
Выводы по Главе 1 44
ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ
КЛАССИФИКАЦИИ ГСИ ДЗЗ С ИСПОЛЬЗОВАНИЕМ РАЗЛИЧНЫХ СТУКТРУР СВЕТОЧНЫХ НЕЙРОНЫХ СЕТЕЙ 45
2.1. Одномерная светочноная нейроная сеть 45
2.1.1 Пространственный сверточный слой 47
2.1.2 Слой Primary Caps 48
2.1.3 Слой lD-ConvCaps 48
2.1.4 Слой Class Caps 49
2.2 Двухмерная сверточная нейроная сеть 52
2.2.1 Пространственный сверточный слой 53
2.2.2 Полносвязные слои 55
2.3 Трёхмерная сверточная нейронная сеть 56
2.3.1 3D - Пространственно - спектральный сверточный слой 57
2.3.2 3D - Полностью соединенные слои 59
2.4 Hybrid-SN Светочноных Нейроных Сетей 60
2.4.1 3D - Пространственно - спектральные сверточные слои 60
2.4.2 Пространственные сверточные слои 61
2.4.3 Полностью соединенные слои 62
2.5 Комбинированные 3D-2D светочноные нейроные сети 64
2.5.1 Глубинные 3D- Пространственно - спектральные сверточные слои .... 66
2.5.2 Глубинные 3D-2D Пространственно - спектральные сверточные слои.. 67
2.5.3 Слои уменьшения пространственной размерности 68
2.5.4 Полностью соединенные слои 70
2.6. Регуляризация (Отсев) 71
2.7. Переобучение 72
2.8. Основные понятия теории автоматической классификации
гиперспектральных изображений Дистационного Зондирования Земли 72
Выводы по Главе 2 74
ГЛАВА 3. РАЗДЕЛ НАБОРОВ ДАННЫХ ДЛЯ ЭКСПЕРИМЕНТАЛЬНОЙ РАБОТЫ 76
3.1 .. Концепции спектроскопии изображений 78
3.2 ..Различия между гиперспектральной и мультиспектральной визуализацией 79
3.2.1 Базы данных Indian Pines (IP) 81
3.2.2 Базы данных Salinas Scene (SA) 82
3.2.3 Базы данных University of Pavia (PU) 84
Выводы по Главе 3 86
ГЛАВА 4. РЕАЛИЗАЦИЯ КЛАССЦИФИКАЦИИ ГСИ НА ОСНОВЕ
СПЕКТРАЛЬНО-ПРОСТРАНСТВЕННЫХ ИНФОРМАЦИОННЫХ
ТЕХНОЛОГИЙ С ИСПОЛЬЗОВАНИЕМ КОМБИНИРОВАННЫХ 3D-2D СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ 87
4.1 Структура и основные принципы функционирования программно-аппаратной системы классификации ГСИ ДЗЗ 87
4.2 Подготовление Базы данных (IP, SA, PU) 87
4.3 Уменьшение размерности гиперспектральных изображений с
использованием Python 88
4.4 Архитектура модели 3D-2D СНС 90
4.5 Нелинейная функция активации 92
4.6 Функция окончательной активации 93
4.7 Размер окна 93
4.8 Параметры для обучения СНС 95
4.9 Функция потерь 96
4.10 Показатели оценки классификации 97
4.11 Постановка Эксперимента 102
4.12 Блок-схема алгоритма комбинированных 3D-2D сверточноных
нейронных сетей 105
4.13 Результаты экспериментов 108
Выводы по Главе 4 117
ОБШИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ 118
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 119

Список литературы

ОБШИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
В диссертационной работе решена актуальная научно-техническая задача исследования и разработки алгоритмов автоматической классификации ГСИ дистационного зодирования Земли.
Представленная диссертационноая работа в соответствии с целями и задачами содержит следуюшие результаты:
1. Разработан алгоритм классификации типов подстилающей поверхности по гиперспектральному изображению, способный обучаться на неполных и неточных исходных данных.
2. Разработан подход для решения проблемы переобучения и повышения производительности классификатора. В результате точность классификации повысилась на 0.11% и составила 99.86%, время обучения сократилось в два раза по сравнению с исходной моделью Hybrid : SN.
3. Разработан комбинированный алгоритм с использованием нескольких моделей, позволяющий выполнять классификацию каждого пикселя. Это позволяет повысить точность классификации до 99.95% (PU), 99.97%(IP), 99.99%(SA) и получить прогнозированные карты с лучшими качествами по сравнению с аналогами (1D/2D/3D/Hybrid : SN).
4. По сравнению с аналогами (1D/2D/3D/Hybrid:SN), предложенный метод позволяет использовать существенно меньший объём обучающей обработки (10% от первоначальной базы данных) для достижения 100% точности классификации.
5. Разработано и внедрено в автоматизированные системы
программное обеспечение для системы автоматической классификации дистанционного зондирования Земли (ДЗЗ) на основе разработанных и предварительно обученных моделей, позволяющей повышать точность клацификации данных ДЗЗ при условий высокой размерности
гиперспектральных данных ДЗЗ без потери входных информации.