Аннотації
19.06.2023
Дистанційне зондування Землі із використанням багатоспектральних зображень є однією із найбільш відомих методик дослідження Землі, оскільки надає інформацію про наземні об’єкти, використовуючи сотні вузьких спектральних каналів. Однак багатоспектральні зображення надають занадто великий масив даних. Опрацювання величезного обсягу інформації є однією із найбільш важливих та актуальних задач дистанційного зондування. Швидкий розвиток дистанційного зондування вимагає розробки алгоритмів для опрацювання даних. Однак на сьогодні методи опрацювання даних не можуть надати точних результатів. Якщо ми використовуємо традиційні методи обробки багатоспектральних зображень, то обсяг даних зростає. Основною метою відбору спектральних каналів є вибір оптимальної комбінації спектральних каналів для розв’язку конкретної задачі дистанційного зондування. Цей процес є важливим, оскільки різні спектральні канали фіксують різні об’єкти. Правильний відбір спектральних каналів може оптимізувати виявлення різних наземних об’єктів. Деякі спектральні канали є більш чутливими до мінералів, а інші більш чутливі до рослинності або водойм. За наявності невеликої кількості навчальних вибірок точність класифікування багатоспектральних зображень зменшується при збільшенні обсягу багатоспектральних даних. Зазвичай суміжні спектральні канали є занадто корельовані, та деякі спектральні канали не несуть унікальної інформації. Тому необхідно зменшити розмірність багатоспектральних даних. Це допомагає більш ефективно зберігати, опрацьовувати, передавати інформацію та зменшувати обчислювальні витрати під час обробки зображень. У роботі також розглянуто та проаналізовано різні сучасні методи відбору спектральних каналів. Також пропонується новий метод відбору спектральних каналів, який базується на використанні критеріальної функції інформативності. У статті також розглянуто приклади використання критеріальної функції інформативності.
Multispectral remote sensing is one of the most popular techniques in the earth observation, because this technique can provide information of ground objects on Earth’s surface using hundreds of narrow bands. However, multispectral images produces a very large volume of data. Processing the huge volume of information is one of most important and actual problems of remote sensing. The rapid development of the remote sensing demand to develop the data processing algorithms. But at present data processing techniques cannot give accurate results. If we use traditional methods to process multispectral images, the volume of the data increases. The main goal of the band selection is to choose the optimal combination of spectral bands for the solution of the particular remote sensing task. This process is important because different bands are sensitive to different objects. Selecting the right bands can help to optimize the detection of different ground objects. Some spectral bands are more sensitive to minerals, while others are more sensitive to vegetation or water bodies. Under a small number of training samples, the classification accuracy of multispectral images decreases when the volume of multispectral data increases. Usually adjacent bands are highly correlated, and some spectral bands may not carry unique information. That’s why it is necessarily to reduce the dimensionality of multispectral data. It helps to store, process, transmit information more efficiently and to reduce the computational costs while processing images. The different modern methods of multispectral band selection are also considered and analyzed in this work. It also is proposed a new method to select spectral bands, which is based on the concept of criterion function of information capability of spectral bands. In this article some examples using criterion function of information capability are considered too.
1. Habermann, M., Fremont, V., Shiguemori E. H. (2017). Problem-based band selection for hyperspectral images. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 1800–1803.
2. Bandos, T.V., Bruzzone L., Camps-Valls, L. G. (2009). Classification of Hyperspectral Images with Regulized Linear Disctiminant Analysis. IEEE Transactions оn Geoscience аnd Remote Sensing, 47(3), 862–873.
3. Jain, A. K., Dubes, R. C. (1988). Algorithms for Clastering Data. Englewood Cliffs (NJ). Prentice-Hall.
4. Smets, Ph. (1990). The combination of evidence in the Transferable Belief Model. IEEE Trans. On Pattern Analysis and Machine Intelligence, 12 (5), 447–458.
5. Gong, M., Zhang, M., Yuan, Y. (2015). Unsupervised band selection based on evolutionary multiobjective optimization for hyperspectral images. IEEE Trans. Geosci. Remote Sens, 54, 544–557.
6. Sun, W., Du, Q. Hyperspectral band selection: A review. (2019). IEEE Geosci. Remote Sens. 7, 118–139.
7. Camps-Valls, G., Mooij, J., Scholkopf, B. (2010). Remote Sensing Feature Selection by Kernel Dependence Measures. IEEE Geoscience and Remote Sensing Letters, 7 (3), 587-591.
8. Popov, M. O., Zaitsev, O. V., Stambirska, R. G., Alpert, S. I., Kondratov, O. M. (2021). A Correlative Method to Rank Sensors with Information Reliability: Interval-Valued Numbers Case. Reliability Engineering and Computational Intelligence (Studies in Computational Intelligence book series). Springer International Publishing, 275-291, doi 10.1007/978-3-030-74556-1.
9. Keshava, N. (2004). Distance metrics and band selection in hyperspectral processing with applications to material identification and spectral libraries. IEEE Transactions on Geoscience and Remote Sensing, 42 (7), 1552-1565.
10. Alpert, S. (2022). The new approach to applying the Dezert – Smarandache theory in land-cover classification in uav-based remote sensing. Management of Development of Complex Systems, 49, 33–39, dx.doi.org\10.32347/2412-9933.2022.49.33-39.
11. Popov, M. A. Alpert, S. I., Podorvan, V. N. (2017). Satellite image classification method using the Dempster-Shafer approach. Izvestiya, atmospheric and oceanic. Physics, 53(9), 1112–1122.
12. Popov, M., Zaitsev, O., Alpert, S., Alpert, M., Stambirska, R. (2020). A method to ranking reliability of sensors of multisensor system: interval-valued number case. Тhe IEEE 2nd International Conference on Advanced Trends in Information Theory, 395–398.
13. Alpert, S. I. (2021). Data combination method in Remote Sensing tasks in case of conflicting information sources. Ukrainian Journal of Remote Sensing, 8(3), 44–48. URL: https://doi.org/10.36023/ujrs.2021.8.3.201.
14. Yang, C., Bruzzone, L., Zhao, H., Tan, Y., Guan, R. (2018). Superpixel-based unsupervised band selection for classification of hyperspectral images. IEEE Trans. Geosci. Remote Sens, 56, 7230–7245.
15. Du, Q., Yang H. (2008). Similarity-Based Unsupervised Band Selection for Hyperspectral Image Analysis. IEEE Geoscience and Remote Sensing Letters, 5 (4), 564-568.
16. Alpert, М. І., Alpert, S. І. (2021). A new approach to accuracy assessment of land-cover classification in UAV-based Remote Sensing. XXth International Conference “Geoinformatics: Theoretical and Applied Aspects”, Kyiv, 1–5.
17. Luo, F., Huang, H., Yang, Y., Lv., Z. (2016). Dimensionality reduction of hyperspectral images with local geometric structure Fisher analysis. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 52–55.
18. Alpert, S. I., Alpert, M. I. (2022). A new land-cover classification approach in UAV-based Remote Sensing for solution ecological tasks. XVI International Scientific Conference «Monitoring of Geological Processes and Ecological Condition of the Environment», 1–5.
1. Habermann, M., Fremont, V., Shiguemori E. H. (2017). Problem-based band selection for hyperspectral images. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 1800–1803.
2. Bandos, T.V., Bruzzone L., Camps-Valls, L. G. (2009). Classification of Hyperspectral Images with Regulized Linear Disctiminant Analysis. IEEE Transactions оn Geoscience аnd Remote Sensing, 47(3), 862–873.
3. Jain, A. K., Dubes, R. C. (1988). Algorithms for Clastering Data. Englewood Cliffs (NJ). Prentice-Hall.
4. Smets, Ph. (1990). The combination of evidence in the Transferable Belief Model. IEEE Trans. On Pattern Analysis and Machine Intelligence, 12 (5), 447–458.
5. Gong, M., Zhang, M., Yuan, Y. (2015). Unsupervised band selection based on evolutionary multiobjective optimization for hyperspectral images. IEEE Trans. Geosci. Remote Sens, 54, 544–557.
6. Sun, W., Du, Q. Hyperspectral band selection: A review. (2019). IEEE Geosci. Remote Sens. 7, 118–139.
7. Camps-Valls, G., Mooij, J., Scholkopf, B. (2010). Remote Sensing Feature Selection by Kernel Dependence Measures. IEEE Geoscience and Remote Sensing Letters, 7 (3), 587-591.
8. Popov, M. O., Zaitsev, O. V., Stambirska, R. G., Alpert, S. I., Kondratov, O. M. (2021). A Correlative Method to Rank Sensors with Information Reliability: Interval-Valued Numbers Case. Reliability Engineering and Computational Intelligence (Studies in Computational Intelligence book series). Springer International Publishing, 275-291, doi 10.1007/978-3-030-74556-1.
9. Keshava, N. (2004). Distance metrics and band selection in hyperspectral processing with applications to material identification and spectral libraries. IEEE Transactions on Geoscience and Remote Sensing, 42 (7), 1552-1565.
10. Alpert, S. (2022). The new approach to applying the Dezert – Smarandache theory in land-cover classification in uav-based remote sensing. Management of Development of Complex Systems, 49, 33–39, dx.doi.org\10.32347/2412-9933.2022.49.33-39.
11. Popov, M. A. Alpert, S. I., Podorvan, V. N. (2017). Satellite image classification method using the Dempster-Shafer approach. Izvestiya, atmospheric and oceanic. Physics, 53(9), 1112–1122.
12. Popov, M., Zaitsev, O., Alpert, S., Alpert, M., Stambirska, R. (2020). A method to ranking reliability of sensors of multisensor system: interval-valued number case. Тhe IEEE 2nd International Conference on Advanced Trends in Information Theory, 395–398.
13. Alpert, S. I. (2021). Data combination method in Remote Sensing tasks in case of conflicting information sources. Ukrainian Journal of Remote Sensing, 8(3), 44–48. URL: https://doi.org/10.36023/ujrs.2021.8.3.201.
14. Yang, C., Bruzzone, L., Zhao, H., Tan, Y., Guan, R. (2018). Superpixel-based unsupervised band selection for classification of hyperspectral images. IEEE Trans. Geosci. Remote Sens, 56, 7230–7245.
15. Du, Q., Yang H. (2008). Similarity-Based Unsupervised Band Selection for Hyperspectral Image Analysis. IEEE Geoscience and Remote Sensing Letters, 5 (4), 564-568.
16. Alpert, М. І., Alpert, S. І. (2021). A new approach to accuracy assessment of land-cover classification in UAV-based Remote Sensing. XXth International Conference “Geoinformatics: Theoretical and Applied Aspects”, Kyiv, 1–5.
17. Luo, F., Huang, H., Yang, Y., Lv., Z. (2016). Dimensionality reduction of hyperspectral images with local geometric structure Fisher analysis. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 52–55.
18. Alpert, S. I., Alpert, M. I. (2022). A new land-cover classification approach in UAV-based Remote Sensing for solution ecological tasks. XVI International Scientific Conference «Monitoring of Geological Processes and Ecological Condition of the Environment», 1–5.