Исследование статистических свойств спектральных характеристик растительности. Непараметрический подход
+7 (383) 343-12-55 vestnik@ssga.ru
Ru
En
Ru
En
Авторам публикаций
Вестник СГУГиТАрхив журнала Исследование статистических свойств спектральных характеристик растительности. Непараметрический подход

Исследование статистических свойств спектральных характеристик растительности. Непараметрический подход

Дистанционное зондирование земли, фотограмметрия
УДК: [528.8:519.234]:631.92
DOI: 10.33764/2411-1759-2019-24-4-58-69
М. А. Алтынцев 1, М. М. Шляхова 1
Год: 2019
Том: 24
№: 4
Страницы: 58 - 69
1 Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск

Финансирование: -

Аннотация:

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.

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

Читать статью Скачать JATS XML

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.