Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (08.2021) : ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ

© 2021 г. М. Ю. Альес, доктор физ.-мат. наук; Е. А. Антонов, канд. физ.-мат. наук; А. И. Калугин, канд. физ.-мат. наук; М. Р. Зарипов

Удмуртский федеральный исследовательский центр УрО РАН, Ижевск

E-mail: slick25@mail.ru

УДК 528.85/87

Поступила в редакцию 19.04.2021

DOI:10.17586/1023-5086-2021-88-08-48-53

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.

Коды OCIS: : 110.4234, 110.2960, 100.4996

 

Литература 

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

 

 

Полный текст