An object classification technique on aerial and space imagery under low separability of recognition features

• Date: 2023
• Main Author: Andreiev, Artem
• Format: Article
• Language: Ukrainian
• Published: Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine 2023
• Subjects: aerial and space images; unsupervised classification; supervised classification; clustering; training sample; training sample separability
• Online Access: https://ujrs.org.ua/ujrs/article/view/244
• Journal Title: Ukrainian Journal of Remote Sensing of the Earth

Методи класифікування використовуються в дистанційному дослідженні Землі (ДЗЗ) для дослідження природних ресурсів, моніторингу довкілля та вирішення багатьох інших задач. Також, вони відіграють важливу роль у залученні даних ДЗЗ до вирішення завдань, пов’язаних із досягненням цілей сталого розвитку. Серед них контрольовані та неконтрольовані методи класифікування об’єктів на аеро- та космічних зображеннях. Але для більшості тематичних задач ДЗЗ доцільним є використання саме контрольованих методів класифікування, тому що розглянуті задачі потребують задання ознак вихідних класів. В контрольованих методах класифікування ознаки задаються навчальною вибіркою. Серед відомих підходів до обробки навчальної вибірки можна виділити наступні: кластерна вибірка; підходи, що дозволяють зменшити розмірність навчальної вибірки; підходи, що виявляють репрезенти, які були віднесені до вибірки не того класу, якому відповідає їхня класова приналежність. Проте, їх спільним недоліком є те, що вони не враховують фактор розділимості навчальної вибірки. Дана властивість безпосередньо впливає на достовірність класифікування. В дослідженні запропоновано методику, метою якої є підвищення достовірності класифікування об’єктів на аеро- та космічних зображеннях шляхом підвищення розділимості навчальної вибірки. Дана методика включає в себе метод оцінювання розділимості навчальної вибірки. При цьому, є можливість оцінити розділимість як двох окремих класів, так і всього набору навчальної вибірки в цілому. Розроблена методика має дві гілки застосування: зменшення розмірності навчальної вибірки та кластеризація навчальної вибірки. В дослідженні було експериментально перевірено ефективність даної методики на трьох прикладах. В двох прикладах застосування методики полягало в кластеризації навчальної вибірки. В одному з цих прикладів загальна точність класифікації зросла на 4 % (з 77% до 81%), а в другому – на 20% (з 63% до 83%). До третього прикладу було застосовано зменшення розмірності навчальної вибірки. Результатом чого стало зменшення розмірності вхідних даних зі 167 до 57 шарів, тобто розмірність зменшилася у 2.92 рази. Також, було підвищено загальну точність класифікування на 2% (з 91% до 93%).