Исследование статистических свойств спектральных характеристик растительности. Непараметрический подход

Исследование статистических свойств спектральных характеристик растительности. Непараметрический подход

При дешифрировании многозональных космических снимков выделение типов растительности является наиболее сложной задачей. Для автоматизации дешифрирования их типов применяется теория распознавания образов и методы математической статистики. Учесть статистические свойства растительности и других типов объектов помогает непараметрический подход к дешифрированию космических снимков. Данный подход позволяет найти вид функции распределения и функции плотности распределения вероятностей, а также определить критерии сходства функций, построенных по данным эталонных участков снимков. В статье рассматриваются результаты построения обеих функций по эталонным участкам снимка Iconos. В качестве критериев сходства между функциями распределения предложен критерий на основе вычисления линейных расстояний между функциями, а для функции плотности распределения вероятностей – коэффициент корреляции.

Детальная_Инф:  Да

Автор1:  М. А. Алтынцев

Афиилиация1:  Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск

Автор2:  М. М. Шляхова

Афиилиация2:  Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск

Название статьи:  Исследование статистических свойств спектральных характеристик растительности. Непараметрический подход

Рубрика:  Дистанционное зондирование земли, фотограмметрия

Начало_Страница:  58

Конец_Страница:  69

УДК:  [528.8:519.234]:631.92

DOI:  10.33764/2411-1759-2019-24-4-58-69

Год:  2019

Номер:  4

Том:  24

Ключевые слова_RU:  статистические свойства, типы растительности, непараметрический подход, функция распределения, функция плотности распределения вероятностей, дешифрирование аэроснимков, эталонный участок

Ключевые слова_EN:  statistical properties, vegetation types, nonparametric approach, distribution function, probability distribution density function, interpretation of aerial images, reference plot

Библиографический список:  1. Аэрокосмический мониторинг лесов / А. С. Исаев и др. – М. : Недра, 1991. – 240 с.
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М. : Техносфера, 2006. – 1072 с.
3. Дешифровочные признаки изображений объектов на многоспектральных космических снимках. Разработка методик автоматизированного дешифрирования аэрокосмических снимков / А. П. Гук, Л. Г. Евстратова, Е. П. Хлебникова, С. А. Арбузов, М. А. Алтынцев, А. С. Гордиенко, А. А. Гук, Д. П. Симонов // Геодезия и картография. – 2013. – № 7. – С. 31–40.
4. Гук А. П. Автоматизация дешифрирования снимков. Теоретические аспекты статистического распознавания образов // Изв. вузов. Геодезия и аэрофотосъемка. – 2015. – № 55. – С. 166–169.
5. Фомин А. А, Тарловский Г. Р. Статистическая теория распознавания образов. – М. : Радио и связь, 1986. – 264 с.
6. Вентцель Е. С. Теория вероятностей. – 4-е изд., стер. – М. : Наука, 1969. – 576 с.
7. Симонов Д. П. Метрический подход к дешифрированию снимков на основе использования статистических эталонов // Геодезия и картография. – 2014. – № 10. – С. 51–56.
8. Гук А. П., Шляхова М. М. Исследование статистических свойств многоспектральных космических снимков леса // Материалы V Междунар. конф. «Региональные проблемы дистанционного зондирования Земли» (г. Красноярск, 11–14 сентября 2018). – Красноярск : Сиб. федер. ун-т, 2018. – С. 105–108.
9. Гук А. П., Евстратова Л. Г. Новый статистический подход к распознаванию лесных массивов // Материалы III Междунар. конф. «Региональные проблемы дистанционного зондирования Земли» (г. Красноярск, 13–16 сентября 2016). – Красноярск : СФУ, 2016. – С. 14–17.
10. Алмазов И. В., Бродская И. А. Использование статистических признаков для распознавания лесных угодий по материалам аэрофотосъемки // Геодезия и аэрофотосъемка. – 2009. – № 6. – С. 49–52.
11. Гук А. П., Шляхова М. М. Анализ эффективности применения метода главных компонент при использовании непараметрического статистического подхода к дешифрированию снимков // Материалы IV Международной научной конференции «Региональные проблемы дистанционного зондирования Земли». – Красноярск : СФУ, 2017. – С. 89–94.
12. Разработка методик автоматизированного дешифрирования космических снимков. Дешифровочные признаки изображений объектов на многоспектральных космических снимках / А. П. Гук, Л. Г. Евстратова, Е.П. Хлебникова, М. А. Алтынцев, С. А. Арбузов, А. С. Гордиенко, А. А. Гук // Геодезия и картография. – 2013. – № 7. – С. 31–40.
13. Гук А. П. Автоматизация дешифрирования снимков. Теоретические аспекты статистического распознавания образов // Изв. вузов. Геодезия и аэрофотосъемка. – 2015. – № 5. – С. 166–170.
14. Алексеев А. С., Орлов М. М. Лесоустройство и статистическая инвентаризация лесов в России // Современные проблемы лесного хозяйства и лесоустройства : сб. материалов междунар. конф. – СПб. : Гос. лесотехн. ун.-т, 2012. – Т. 1, № 15. – С. 12–17.
15. Кобзева Е. А., Поздина К. А. Автоматизация дешифрирования спутниковых снимков: опыт и проблемы // Геодезия и картография. – 2008. – № 6. – С. 40–44.
16. Гук А. П., Алтынцев М. А. Автоматическая идентификация соответстенных точек на аэроснимках лесных массивов // Вестник СГУГиТ. – 2017. – Т. 22, № 4. – С. 68–78.
17. Lowe D. G. Object recognition from local scale-invariant features // Proc. Intl. Conference on Computer Vision. – 1999. – P. 1150–1157.
18. Bay H., Tuytelaars T., Van Gool L. SURF: speeded up robust features // Proceedings of the 9th European Conference on Computer Vision. – Springer LNCS, 2006. Vol. 3951, Pt. l. – P. 404–417.
19. Wahed M., El-tawel Gh. S., Gad El-karim A. Automatic Image Registration Technique of Remote Sensing Images // International Journal of Advanced Computer Science and Applications. – 2013. – Vol. 4 (2). – P. 177–187.
20. Hirschmuller H. Accurate and efficient stereo processing by semi-global matching and mutual information // IEEE Conf. on Computer Vision and Pattern Recognition. – San Diego, California USA, 2005.Vol. 2. – P. 807−814.
21. Optimization of automatic image registration algorithms and characterization / K. M. M. Rao et al. // ISPRS Congress. – Istanbul, 2004. Vol. 35. – P. 698–703.
22. Чибуничев А. Г., Михайлов А. П., Старшов В. В. Автоматическое построение плотного облака точек по множеству снимков на основе полуглобального метода отождествления соответственных точек // Изв. вузов. Геодезия и аэрофотосъемка. – 2015. – № 2. – С. 14–18.
23. Гук А. П., Иехиа Хассан Мики Хассан. Автоматический выбор и идентификация характерных точек на разновременных разномасштабных аэрокосмических снимках // Изв. вузов. Геодезия и аэрофотосъемка. – 2010. – № 2. – С. 66–68.
24. Загидуллин Б. А., Бочкарев В. В. Синтез панорамных изображений с использованием метода SIFT и кластеризующего слоя Кохонена // Cб. матер. 35-й конф. молодых ученых и специалистов «Информационные технологии и системы – 2012». – Петрозаводск. – С. 407–412.
25. Соловьев А. В. Метод автоматического определения одноименных точек для вычисления элементов взаимного ориентирования // Изв. вузов. Геодезия и аэрофотосъемка. – 2017. – № 1. – С. 40–44.
26. Горбачев В. А. Плотная реконструкция рельефа местности на основе модифицированного алгоритма полуглобального стерео отождествления // Известия РАН. Теория и системы управления. − 2014. − № 2.− С. 66−77.

Ссылка:  /upload/vestnik/sborniki/2019/24_4/58-69.pdf