Метод оптимальной гиперспектральной сегментации аэрокосмических снимков. Применение для оценки динамики изменения состояния элементов ландшафта

H. H. Asadov, Сулейманова Е. Д.

  Метод оптимальной гиперспектральной сегментации аэрокосмических снимков. Применение для оценки динамики изменения состояния элементов ландшафта(551,17 KB)

Abstract

В целях решения задач дистанционного зондирования изучаемых ландшафтов цветовая сегментация в настоящее время преимущественно реализуется на основе проводимого мульти- и гиперспектрального анализа. Вопрос об оценке информативности сигналов гиперспектрометров неразрывно связан с оценкой отношения сигнал/шум на выходе этих приборов. Сформулирована и решена оптимизационная задача наилучшей в информационном смысле оценки изменений, произошедших в ландшафте. Предложен метод оптимальной гиперспектральной сегментации аэрокосмических снимков. Предложена методика для оценки динамики изменения состояния элементов ландшафта.

Keywords:

дистанционное зондирование – remote sensing; гиперспектрометр – hyperspectrometer; цветовая сегментация – color segmentation; ландшафт – landscape; оптимизация – optimization.

References

1. Zaitoun, N. M. Survey on image segmentation techniques / N.M. Zaitoun, M.J. Aqel // International Conference on Communication, Management and Information Technology (ICCMIT'2015). – 2015. – Vol. 65. – P. 797–806.

2. Bleyer, M. A layered stereo matching algorithm using image segmentation and global visibility constraints / M. Bleyer, M. Gelautz // 2004 International Conference on Image Processing (ICIP'04). – 2004. – Vol. 5. – P. 2997–3000.

3. Спектральные методы дистанционного зондирования в геологии / А.А. Тронин [и др.] // Современные проблемы дистанционного зондирования Земли из космоса. – 2011. – Т. 8, № 4. – С. 23–26.

4. Colom, M. Full-spectrum denoising of high-SNR hyperspectral images / M. Colom, J.-M. Morel // Journal of the Optical Society of America A. – 2019. – Vol. 36. – P. 450–463.

5. Impact of signal-to-noise ratio in a hyperspectral sensor on the accuracy of biophysical parameter estimation in case II waters / W.J. Moses [et al.] // Optics Express. – 2012. – Vol. 20, No. 4. – P. 4309–4330.

6. Ouma, Y. O. Modelling reservoir chlorophyll-a, TSS and turbidity using sentinel-2A MSI and Landsat-8 OLI Satellite sensors with empirical multivariate regression / Y.O. Ouma,

K. Noor, K. Herbert // Hidawi Journal of Sensors. – 2020. – Vol. 2020. – P. 1–15.

7. Эльсгольц, Л. Э. Дифференциальные уравнения и вариационное исчисление / Л.Э. Эльсгольц. – М.: Наука, 1974. – 432 с.