Телевидение
<<  По ом 1 класс зачем нам телефон телевизор OTT, IPTV или DVB какой путь получения контента выбирает зритель  >>
Институт автоматики и электрометрии со ран
Институт автоматики и электрометрии со ран
Обработка мультиспектральных спутниковых изображений высокого
Обработка мультиспектральных спутниковых изображений высокого
Обработка мультиспектральных спутниковых данных
Обработка мультиспектральных спутниковых данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Формирование гиперспектральных данных
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Спектральные характеристики различных объектов
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Классификация гиперспектральных изображений
Спектрально-пространственная классификация гиперспектральных
Спектрально-пространственная классификация гиперспектральных
Выводы
Выводы
Спасибо за внимание
Спасибо за внимание

Презентация: «Типы растительности 6 класс». Автор: bs. Файл: «Типы растительности 6 класс.ppt». Размер zip-архива: 4783 КБ.

Типы растительности 6 класс

содержание презентации «Типы растительности 6 класс.ppt»
СлайдТекст
1 Институт автоматики и электрометрии со ран

Институт автоматики и электрометрии со ран

Обработка гиперспектральных спутниковых изображений при исследовании природных и антропогенных объектов О.И. Потатуркин, С.М. Борзов

ИАиЭ СО РАН, г.Новосибирск

2 Обработка мультиспектральных спутниковых изображений высокого

Обработка мультиспектральных спутниковых изображений высокого

пространственного разрешения

Спектральные признаки

Нормализованный вегетационный индекс

Коротковолновый вегетационный индекс

Нормализованный водный индекс

Обобщённый индекс теней ?

Обобщённый индекс оголённых почв ?

Индекс стресса

Покрытия дорог, крыши, открытые почвы ?

Где ? ? значения 1 ? 3 главных компонент.

2

3 Обработка мультиспектральных спутниковых данных

Обработка мультиспектральных спутниковых данных

Определение главных компонент

Вычисление главных компонент сводится к поиску ортогональных проекций в пространстве спектральных признаков с наибольшим среднеквадратичным расстоянием между точками (путем определения собственных значений ковариационной матрицы исходных данных).

Выборочная дисперсия данных вдоль первой координаты максимальна (первая главная компонента PC1); Выборочная дисперсия данных вдоль каждой следующей координаты максимальна при условии ортогональности предыдущим координатам (вторая главная компонента PC2 и т.п.).

Первая главная компонента PC1

Вторая главная компонента PC2

3

4 Формирование гиперспектральных данных

Формирование гиперспектральных данных

Y

X

4

5 Формирование гиперспектральных данных

Формирование гиперспектральных данных

Гиперспектральные (ГС) данные

5

6 Формирование гиперспектральных данных

Формирование гиперспектральных данных

Срезы гиперкуба ГС данных

Срез по ?. Монохромное изображение

6

7 Формирование гиперспектральных данных

Формирование гиперспектральных данных

Влияние на регистрируемые данные атмосферы

Основные вклады в излучение, регистрируемое приемником: 1 – освещение сцены прямым солнечным излучением, 2 – освещение сцены рассеянным излучением, 3 – освещение сцены отраженным излучением, 4 – излучение, отраженное от объектов сцены, 5 – рассеянное излучение от объектов вне поля зрения, 6 – рассеянное в атмосфере солнечное излучение

7

8 Спектральные характеристики различных объектов

Спектральные характеристики различных объектов

Влияние атмосферы на спектр регистрируемого излучения

О2

Н2о

При увеличении дальности: - рост интенсивности в синей области (рассеяние в атмосфере). - снижение интенсивности в ИК области (поглощение кислорода и воды).

Спектры отраженного излучения

RGB композит ГС изображения (спектры отражения выделенных зон однотипной растительности)

8

Нормированные спектры отражения на разной дальности

9 Спектральные характеристики различных объектов

Спектральные характеристики различных объектов

Спектральный отклик растительности

- Соотношение пигментов

- Модернизированный NDVI

Влияние пигментов листа: 1 – отсутствие пигментов, 2 – антоцианины (макс. поглощения 0.5 - 0.55мкм), 3 – хлорофилл (0.45,0.65 мкм), 4 – антоцианины и хлорофилл

9

10 Спектральные характеристики различных объектов

Спектральные характеристики различных объектов

Определение положения красной границы поглощения

а б Нормированные спектры отражения растительности в различном состоянии на одной дальности (а) и результаты их дифференциальной обработки по длине волны (б)

REP – red edge position – красная граница поглощения хлорофилла, определяется линейной экстраполяцией 1-й производной спектральной кривой (через точки 680 нм, 700 нм и 725 нм, 760 нм)

10

11 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Тестовое изображение природной зоны

Проект AVIRIS, полигон Индиан Пайс, штат Индиана, США, 12.06.92, размер 614х2677 пикселей, разрешение 20 м/пикс, 220 каналов в диапазоне 0.4-2.5 мкм, выполнено разбиение на 16 классов, в т.ч. 14 различных типов растительности.

Обучающая выборка

Классы: кукуруза ( no-till, min-till, clear), соя ( no-till, min-till, clear), люцерна, пшеница, овес, покос, трава/пастбище, скошенное пастбище, трава/деревья, лес, стоянка транспорта, бетон/асфальт

Фрагмент тестового изображения (145х145 пк)

Разбиение на 16 классов по наземным данным

Тестовое изображение

11

12 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Спектральная различимость кукурузы и сои

Спектры отражения кукурузы и сои по обучающим данным (усреднение по пикселям соответствующих классов)

??

??

Кукуруза

Соя

Межклассовый разброс параметров незначителен

??

??

Кукуруза и соя (нормировка на “soy_no”)

Существенный внутриклассовый разброс параметров

12

13 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Методы классификации изображений, учитывающие расстояние до центра распределения эталонного класса

SAM (spectral angle mapper) – метод спектрального угла

Mindist – метод минимального расстояния

SID (Spectral Information Divergence) – метод непосредственного сравнения спектров (путем расчета дивергенции Кульбака-Лейблера)

13

14 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Методы классификации изображений, учитывающие распределение пикселей эталонного класса

Методы MahDist и ML требуют, чтобы при обучении количество пикселей каждого эталонного класса существенно превышало число спектральных каналов.

ML - классификация по максимальному правдоподобию

SVM (support vector machine) – метод опорных векторов

MahDist - классификация по расстоянию Махаланобиса (предполагает равенство распределений)

14

15 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Классификация обучающих данных

MinDist – метод минимального расстояния, SAM – метод спектрального угла, SID – метод сравнения спектральных кривых (дивергенция), SVM – метод опорных векторов, MahDist – метод по расстоянию Махаланобиса, ML – метод максимального правдоподобия

Точность классификации (% верно классифицированных пикселей фрагмента)

Фрагмент тестового изображения

Разбиение по наземным данным

MinDist

SAM

SID

SVM

MahDist

ML

MinDist

SAM

SID

SVM

MahDist

ML

Точность, %

37.9

43.0

51.0

85.7

79.2

99.9

Время обработки

3 сек

2 сек

10 сек

6 мин

15 сек

15 сек

15

16 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Классификация тестового изображения

Кукуруза ( no-till, min-till, clear), соя ( no-till, min-till, clear), люцерна, пшеница, овес, покос, трава/пастбище, скошенное пастбище, трава/деревья, лес, стоянка транспорта, бетон/асфальт

Разбиение фрагмента (обучающей выборки) по наземным данным

Результат классификации методом ML

16

17 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Эффективность выделения кукурузы на тестовом изображении (при слиянии подклассов)

Prod. Accuracy =

+

User Accuracy =

+

SID

SVM

ML

MahDist

Prod. Accuracy (точность производителя)

9.45

22.2

36.0

60.8

User accuracy (точность пользователя)

46.0

64.6

61.1

61.2

Время обработки

20 мин

2 часа

22 мин

22 мин

Точность при обучении по фрагменту (%)

Классифицировано как кукуруза

Кукуруза

- Верные решения - пропуск цели - ложная тревога

Результат выделения кукурузы методом ML – верно выделенные пиксели – невыделенные пиксели

17

18 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Эффективность классификации фрагмента от количества ГС признаков

метод SVM метод MahDist Различные способы сокращения количества признаков: Прореживание – выбор ГС признаков через заданный интервал, PCA – выбор заданного количества главных компонент, MNF – нормализация шума в спектральных каналах и выбор заданного количества главных компонент

Убывание информативности MNF компонент фрагмента (1, 4, 8, 10 компоненты)

18

19 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Эффективность выделения кукурузы на тестовом изображении (от количества ГС признаков )

Сокращение количества признаков на основе MNF позволяет повысить эффективность процедуры на 10%, снизив ее трудоемкость на два порядка

а б Точность выделения кукурузы от количества ГС признаков, выбранных: а – прореживанием, б - методом MNF

SVM

SVM

SVM

MahDist

MahDist

MahDist

ML

ML

ML

Количество каналов

5

10

200

5

10

200

5

10

200

Prod. Accuracy

45.0

69.6

47.8

14.0

31.6

60.8

69.0

71.7

36.0

User Accuracy

60.8

66.8

72.3

60.1

60.0

61.2

55.4

60.1

61.1

Время обработки

8 мин

10 мин

2 ч

6 сек

12 сек

34 мин

6 сек

12 сек

34 мин

19

20 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Эффективность классификации тестового изображения (от количества ГС признаков)

Метод MahDist наиболее устойчив к изменению соотношения (основан на усредненной по классам ковариационной матрице)

а б Точность классификации от количества признаков, выбранных методом MNF: а – по 12 классам (исключены из рассмотрения 4 малые региона в обучающих данных), б – по 8 классам (выполнено слияние трех подклассов кукурузы и трех – сои)

20

21 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Тестовое изображение городской застройки

Национальная аллея, Вашингтон. Размер изображения 307х1208, 191 канал в диапазоне 0.4-2.4 мкм.

Спектры отражения различных поверхностей по обучающим данным

21

22 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Карта классов фрагмента изображения городской застройки (с визуальным контролем)

Вода

Вода, газон, дорога, крыши, тень, лес, дорожка

Rgb-композит исходного изображения (каналы 20,40,60)

Результат классификации ML по 5 PCA каналам (принято в качестве наземных данных)

22

23 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Классификация изображения городской застройки

Классификация MinDist по всем каналам (70.5%)

Классификация SVM по всем каналам (84.0%)

Классификация ML по 40 PCA каналам (81.9%)

23

24 Классификация гиперспектральных изображений

Классификация гиперспектральных изображений

Эффективность классификации тестового изображения городской застройки (от количества ГС признаков)

Классификация на основе MNF признаков малоэффективна из-за некорректной оценки шума каналов (в изображении с большим количеством перепадов яркости). Выбор более 5-10 признаков нецелесообразен.

Классификация SVM

Классификация MinDist

24

Классификация ML

25 Спектрально-пространственная классификация гиперспектральных

Спектрально-пространственная классификация гиперспектральных

изображений

Включение пространственных признаков в процесс классификации ГС изображений

Базовый метод ECHO (Extraction and Classification of Homogeneous Objects) реализуется в 2 этапа:

- сцена сегментируется по ГС признакам на статистически однородные области, рассчитываются средние (по пикселям) спектры сегментов и данные классифицируются путем сравнения с эталонными спектрами. Развитие метода ECHO привело к возникновению объектно-ориентированных методов спектрально-пространственной классификации изображений.

Гиперспектральное изображение

Попиксельная спектральная классификация

Выделение однородных сегментов наращиванием

Выбор маркеров

Выбор класса голосованием

Уточненная карта классов

Один из методов спектрально-пространственной классификации

25

26 Выводы

Выводы

Гиперспектральные изображения позволяют реализовать анализ тонкой структуры спектров пикселей и их классификацию, однако, это требует корректной калибровки ГС данных. Повышение эффективности классификации гиперспектральных изображений основано на возможности формирования принципиально новых спектральных признаков, например, определения (с высокой точностью) положения красной границы полосы поглощения, которая характеризует различные состояния растительности. Наилучшая эффективность классификации типов растительности достигается при применении методов, учитывающих распределения классов в пространстве признаков, что требует, однако, значительного объема данных для обучения. При этом метод Махаланобиса наиболее устойчив к изменению отношения количества пикселей обучающей выборки к количеству спектральных каналов. При обработке ГС изображений целесообразно использовать небольшое количество признаков (5-10), выделенных методом главных компонент. Его применение позволило повысить эффективность классификации растительности на 10%, снизив трудоемкость на два порядка. Совместная обработка гиперспектральных и пространственных признаков представляется перспективной, что обусловлено включением дополнительной информации о коррелированности близкорасположенных пикселей. При этом эффективность классификации ГС данных на конечном этапе в значительной степени зависит от качества предварительной сегментации изображений.

26

27 Спасибо за внимание

Спасибо за внимание

Институт автоматики и электрометрии со ран

«Типы растительности 6 класс»
http://900igr.net/prezentacija/informatika/tipy-rastitelnosti-6-klass-221747.html
cсылка на страницу
Урок

Информатика

130 тем
Слайды
900igr.net > Презентации по информатике > Телевидение > Типы растительности 6 класс