Применение искусственных нейронных сетей для анализа мультиспектральных изображений

Альес М.Ю., Антонов Е.А., Зарипов М.Р., Калугин А.И.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Альес М.Ю., Антонов Е.А., Калугин А.И., Зарипов М.Р. Применение искусственных нейронных сетей для анализа мультиспектральных изображений // Оптический журнал. 2021. Т. 88. № 8. С. 48–53. http://doi.org/10.17586/1023-5086-2021-88-08-48-53

Alies M.Yu., Antonov E.A., Kalugin A.I., Zaripov M.R. Application of artificial neural networks for the analysis of multispectral images [in Russian] // Opticheskii Zhurnal. 2021. V. 88. № 8. P. 48–53. http://doi.org/10.17586/1023-5086-2021-88-08-48-53

Ссылка на англоязычную версию:

M. Yu. Alies, E. A. Antonov, A. I. Kalugin, and M. R. Zaripov, "Application of artificial neural networks for the analysis of multispectral images," Journal of Optical Technology. 88(8), 441-444 (2021). https://doi.org/10.1364/JOT.88.000441

Аннотация:

Разработан и изготовлен макет мультиспектральной камеры, который обеспечивает получение изображений на пяти длинах волн 532, 612, 780, 850, 940 нм. Проведён анализ полученных мультиспектральных изображений. Рассмотрены алгоритмы работы искусственных нейросетей при обработке мультиспектральных изображений. Разработана свёрточная нейронная сеть для идентификации и классификации мультиспектральных изображений в режиме реального времени.

Ключевые слова:

мультиспектральные изображения, свёрточные нейронные сети, анализ изображений, классификация изображений, машинное обучение

Благодарность:

Работа выполнена в рамках темы НИР УдмФИЦ УрО РАН «Искусственный интеллект в разработке, обучении и сопровождении экспертных систем представления и использования знаний в естественно-научных, технических и социогуманитарных направлениях» АААА-А19-119092690104-4.
Авторы выражают благодарность Ефимовой У.А. и Шарановой Г.М. за техническую помощь при выполнении работы.

Коды OCIS: 110.4234, 110.2960, 100.4996

Список источников:

1. Li S., Song W., Fang L., Chen Y., Ghamisi P., Benediktsson J.A. Deep learning for hyperspectral image classification: an overview // IEEE Trans. Geosci. Remote Sens. 2019. V. 57. № 9. P. 6690–6709. DOI:10.1109/TGRS.2019.2907932
2. Chen Y., Lin Z., Zhao X., Wang G., Gu Y. Deep learning-based classification of hyperspectral data // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2014. V. 7. № 6. P. 2094–2107. DOI:10.1109/jstars.2014.2329330
3. Chen Y., Jiang H., Li C., Jia X., Ghamisi P. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks // IEEE Trans. Geosci. Remote Sens. 2016. V. 54. № 10. P. 6232–6251. DOI: 10.1109/TGRS.2016.2584107
4. Makantasis K., Karantzalos K., Doulamis A., Doulamis N. Deep supervised learning for hyperspectral data classification through convolutional neural networks // 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. P. 4959–4962. DOI: 10.1109/igarss.2015.7326945
5. Audebert N., Saux B., Lefevre S. Deep learning for classification of hyperspectral data: a comparative review // IEEE Geosci and Remote Sens. Mag. 2019. V. 7. № 2. P. 159–173. DOI: 10.1109/MGRS.2019.2912563
6. Melgani F., Bruzzone L. Classification of hyperspectral remote sensing images with support vector machines // IEEE Trans. Geosci. Remote Sens. 2004. V. 42. № 8. P. 1778–1790. DOI:10.1109/TGRS.2004.831865
7. Foody G.M., Mathur A. A relative evaluation of multiclass image classification by support vector machines // IEEE Trans. Geosci. Remote Sens. 2004. V. 42. № 6. P. 1335–1343. DOI:10.1109/TGRS.2004.827257
8. He Z., Shen M., Zhang Q., Wang Y., Wang R., Yu Y. Spectral-spatial hyperspectral image classification via SVM and superpixel segmentation // 2014 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). 2014. P. 422–427. DOI:10.1109/I2MTC.2014.6860780
9. Бибиков С.А., Казанский Н.Л., Фурсов В.А. Распознавание растительного покрова на гиперспектральных изображениях по показателю сопряжённости // Компьютерная оптика. 2018. Т. 42. № 5. С. 846–854. DOI:10.18287/2412-6179-2018-42-5-846-854
10. Landgrebe D.A. Signal theory methods in multispectral remote sensing. N.Y.: Wiley, 2003. 508 p. DOI:10.1002/0471723800