멀티 스펙트럼 패턴 인식

Multispectral pattern recognition

다중 스펙트럼 원격 감지는 전자기 스펙트럼 영역의 여러 대역에서 물체 또는 관심 영역에서 반사, 방출 또는 후방 산란된 에너지를 수집 및 분석하는 것이다(Jensen, 2005).멀티 스펙트럼 원격 감지의 하위 범주에는 수백 개의 대역을 수집 및 분석하는 하이퍼 스펙트럼 원격 감지와 수백 개의 대역을 사용하는 초음파 원격 감지가 포함된다(Logicon, 1997).멀티 스펙트럼 영상의 주된 목적은 멀티 스펙트럼 분류를 사용하여 영상을 분류하는 것입니다.이것은 인간의 해석보다 훨씬 빠른 영상 분석 방법입니다.

다중 스펙트럼 패턴 인식에 사용되는 반복 자기 조직 데이터 분석 기법(ISODATA) 알고리즘은 캘리포니아주 멘로 파크의 스탠포드 연구소에서 일하는 Geoffrey H. Ball과 David J. Hall에 의해 개발되었다.그들은 다음과 같은 제목의 기술 보고서를 통해 연구 결과를 발표했습니다.ISODATA, 새로운 데이터 분석 및 패턴 분류 방법(Stanford Research Institute, 1965).ISODATA는 추상적으로 다음과 같이 정의된다. '데이터 분석과 패턴 분류의 새로운 방법, 언어 및 그림 용어로 설명되며, 2차원 예제의 관점에서 설명되며, 이 방법이 사용하는 수학적 계산을 제공한다.이 기술은 데이터의 원래 고차원 공간의 점 주위에 많은 가변 데이터를 클러스터링하고, 그렇게 함으로써 데이터에 대한 유용한 설명을 제공한다.'(1965, 페이지 v.)ISODATA는 날씨 패턴의 모델링과 추적을 용이하게 하기 위해 개발되었다.

멀티 스펙트럼 원격 감지 시스템

주요 기사:리모트 센싱

원격 감지 시스템은 일반적으로 지구 궤도의 위성에 탑재된 기기를 통해 데이터를 수집합니다.원격 감지 스캐너는 물체 또는 관심 영역에서 방사되는 에너지를 감지합니다.이 에너지는 아날로그 전기 신호로 기록되며 A-D 변환을 통해 디지털 값으로 변환됩니다.다음과 같은 방법으로 분류할 수 있는 여러 멀티 스펙트럼 원격 감지 시스템이 있습니다.

이산 검출기 및 스캔 미러를 사용한 멀티 스펙트럼 이미징

  • Landsat 멀티 스펙트럼 스캐너(MSS)
  • Landsat 테마 매퍼(TM)
  • NOAA 정지지질환경위성(GOES)
  • NOAA 고급 초고해상도 방사선계(AVHRR)
  • NASA 및 ORBIMAGE, Inc., Sea Viewing Wide-of-View Sensor(SeaWiFS)
  • Daedalus, Inc., 항공기 멀티 스펙트럼 스캐너(AMS)
  • NASA 공중 지상 애플리케이션 센서(ATLAS)

선형 어레이를 사용한 멀티 스펙트럼 이미징

  • SPOT 1, 2, 3 고해상도 가시화(HRV) 센서 및 Spot 4, 5 고해상도 가시적외선(HRVIR) 센서 및 식생 센서
  • Indian Remote Sensing System(IRS) 리니어 이미징 셀프 스캔 센서(LISS)
  • 스페이스 이미징 주식회사(IKONOS)
  • Digital Globe, Inc. (QuickBird)
  • ORBIMAGE, Inc. (OrbView-3)
  • ImageSat International, Inc. (EROS A1)
  • NASA Terra 어드밴스드 우주발열반사방사선계(ASTER)
  • NASA Terra Multiangle Imaging Spectroradiometer(MISR)

선형 및 영역 배열을 사용한 영상 분석

  • NASA 제트추진연구소 공중 가시/적외선 이미징 분광계(AVIRIS)
  • 소형 공중 분광 이미저 3(CASI 3)
  • NASA 테라 중해상도 이미징 스펙트로미터(MODIS)
  • NASA Earth Observer(EO-1) Advanced Land Imager(ALI), Hyperion 및 LEISA 대기 보정기(LAC)

위성 아날로그 및 디지털 사진 시스템

다분광 분류법

영상의 다중 스펙트럼 분류에는 다음과 같은 다양한 방법을 사용할 수 있습니다.

  • 비율 및 구간 스케일 데이터를 사용하는 모수 및 비모수 통계에 기초한 알고리즘과 명목 스케일 데이터를 통합할 수 있는 비모수 방법(Duda et al., 2001),
  • 감독되거나 감독되지 않은 분류 논리,
  • 하드 또는 소프트(퍼지)의 분류 로직을 설정하여 하드 또는 퍼지 주제 출력물을 만듭니다.
  • 픽셀 단위 또는 객체 지향 분류 로직
  • 하이브리드 어프로치

감독구분

이 분류 방법에서는 현장조사, 항공사진 해석, 지도 분석 및 개인 경험의 조합으로 일부 육지 표지 유형의 정체성과 위치를 미리 파악한다.분석가는 알려진 육지 커버 유형과 유사한 특성을 가진 현장을 찾을 것이다.이들 지역은 이미지 나머지 부분의 육지 커버 매핑을 위한 분류 알고리즘을 훈련하기 위해 이러한 사이트의 알려진 특성이 사용되기 때문에 훈련 사이트로 알려져 있다.각 교육 현장에 대해 다변량 통계 모수(평균, 표준 편차, 공분산 행렬, 상관 행렬 등)가 계산됩니다.훈련 사이트 내외의 모든 픽셀을 평가하여 보다 유사한 특성을 가진 클래스에 할당합니다.

분류 체계

감독 분류 방법의 첫 번째 단계는 사용할 토지 커버 클래스와 토지 이용 클래스를 식별하는 것이다.육지 커버는 현장에 존재하는 물질 유형(예: 물, 농작물, 산림, 습지, 아스팔트 및 콘크리트)을 말합니다.토지 이용은 사람들이 토지 커버(예: 농업, 상업, 정착지)를 개조한 것을 말한다.원격 감지 데이터를 올바른 토지 사용 및/또는 토지 커버 정보로 적절히 분류하기 위해 모든 클래스를 신중하게 선택하고 정의해야 한다.이 목적을 달성하려면 분류학적으로 올바른 클래스 정의를 포함하는 분류 시스템을 사용해야 합니다.하드 분류가 필요한 경우 다음 클래스를 사용해야 합니다.

  • 상호 배타적: 어떤 분류에도 분류학적 중복이 없다(우림과 상록수는 별개의 분류이다).
  • 완전: 이 지역의 모든 육상 커버가 포함되었습니다.
  • 계층: 하위 수준 클래스(예: 단독 가구 거주, 다세대 거주)가 생성되어 이러한 클래스를 더 높은 범주(예: 주거)에 포함할 수 있다.

하드 분류 방식의 예는 다음과 같습니다.

  • 미국계획협회 육상분류시스템
  • 원격 센서 데이터와 함께 사용하기 위한 미국 지질 조사 토지 이용/육지 커버 분류 시스템
  • 미국 내무부 어류 및 야생동물국
  • 미국 국립 식물 분류 시스템
  • 국제 지구권-생물권 계획 IGBP 육상 커버 분류 시스템

트레이닝 사이트

분류 체계를 채택한 후, 이미지 분석가는 이미지에서 육지 커버 또는 관심 토지 이용을 대표하는 훈련 사이트를 선택할 수 있다.데이터가 수집된 환경이 비교적 동질적인 경우 교육 데이터를 사용할 수 있습니다.사이트에서 다른 조건이 발견되면 원격 감지 교육 데이터를 사이트로 확장할 수 없습니다.이 문제를 해결하려면 프로젝트의 예비 단계에서 지리적 계층화를 수행해야 합니다.모든 차이(예: 토양 유형, 물 탁도, 작물 종)를 기록해야 합니다.이러한 차이는 이 데이터의 지리적 계층화를 기반으로 한 이미지 및 선택 훈련 사이트에 기록해야 한다.최종 분류 맵은 개별 지층 분류를 합성한 것이다.

데이터가 다른 훈련 사이트에 정리된 후 측정 벡터가 생성됩니다.이 벡터에는, 각 트레이닝 클래스의 각 밴드내의 각 픽셀의 휘도치가 포함됩니다.측정 벡터를 사용하여 평균, 표준 편차, 분산-공분산 행렬 및 상관 행렬을 계산합니다.

각 교육 현장의 통계가 결정되면 각 클래스에 가장 효과적인 밴드를 선택해야 합니다.이 구별의 목적은 중복 정보를 제공할 수 있는 대역을 제거하는 것입니다.이 목적을 달성하기 위해 그래픽 및 통계 방법을 사용할 수 있다.몇 가지 그래픽 방법은 다음과 같습니다.

  • 막대 그래프 스펙트럼도
  • 우주 스펙트럼 평균 벡터 그림
  • 형상 공간 그림
  • 우주 스펙트럼 평행도 또는 타원도

분류 알고리즘

감독 분류의 마지막 단계는 적절한 알고리즘을 선택하는 것입니다.특정 알고리즘의 선택은 입력 데이터와 원하는 출력에 따라 달라집니다.모수 알고리즘은 데이터가 정규 분포를 따른다는 사실에 기초합니다.데이터가 정규 분포를 따르지 않으면 비모수 알고리즘을 사용해야 합니다.일반적인 비모수 알고리즘은 다음과 같습니다.

비감독 분류

비감독 분류(클러스터링이라고도 함)는 멀티 스펙트럼 피쳐 공간에서 원격 센서 이미지 데이터를 분할하고 육지 커버 정보를 추출하는 방법입니다.비감독 분류는 군집화에 교육 데이터가 필요하지 않기 때문에 감독 분류에 비해 분석가의 입력 정보가 적게 필요합니다.이 과정은 픽셀의 스펙트럼 특성을 검색하기 위한 일련의 수치 연산으로 구성됩니다.이 프로세스로부터 m 스펙트럼 클래스의 맵을 얻을 수 있다.분석가는 지도를 사용하여 스펙트럼 클래스를 관심 있는 주제 정보(즉, 산림, 농업, 도시)로 지정하거나 변환하려고 한다.일부 스펙트럼 클러스터는 표면 물질의 혼합 클래스를 나타내며 유용하지 않을 수 있기 때문에 이 과정이 쉽지 않을 수 있다.분석가는 지형의 스펙트럼 특성을 이해해야 특정 정보 등급으로 클러스터에 레이블을 지정할 수 있다.클러스터링 알고리즘은 수백 가지가 있습니다.개념적으로 가장 간단한 알고리즘의 2개는 체인 방식과 ISODATA 방식입니다.

체인 방식

이 방법으로 사용되는 알고리즘은 2패스 모드로 동작합니다(멀티 스펙트럼 데이터 세트를 2회 통과합니다).첫 번째 경로에서 프로그램은 데이터 집합을 읽고 순차적으로 클러스터(스펙트럼 공간의 점 그룹)를 구축합니다.프로그램이 데이터 집합을 읽으면 각 클러스터에 평균 벡터가 연결됩니다.두 번째 패스는 데이터셋에 대해 화소별로 최소 거리 분류 알고리즘을 적용한다.그런 다음 각 픽셀이 첫 번째 단계에서 생성된 평균 벡터 중 하나에 할당됩니다....

이소다타법

ISODATA(Repeative Self-Organizing Data Analysis Technology) 방법은 반복 분류 알고리즘에 통합된 일련의 엄밀한 절차를 사용했다.알고리즘에 사용되는 많은 단계는 실험을 통해 얻은 경험에 기초합니다.ISODATA 알고리즘은 k-평균 클러스터링 알고리즘을 수정한 것입니다(k-평균의 단점을 극복).이 알고리즘에는 다중 스펙트럼 피쳐 공간에서 클러스터 분리 거리가 사용자 지정 값보다 작을 경우 클러스터 병합과 단일 클러스터를 두 클러스터로 분할하는 규칙이 포함됩니다.이 메서드는 지정된 결과를 얻을 때까지 데이터 집합을 통해 많은 수의 경로를 통과를 수행합니다.

레퍼런스

  1. ^ Ran, Lingyan; Zhang, Yanning; Wei, Wei; Zhang, Qilin (2017-10-23). "A Hyperspectral Image Classification Framework with Spatial Pixel Pair Features". Sensors. 17 (10): 2421. Bibcode:2017Senso..17.2421R. doi:10.3390/s17102421. PMC 5677443. PMID 29065535.
  • Ball, Geoffrey H., Hall, David J. Isodata: 데이터 분석 및 패턴 분류 방법, 미국 Menlo Park 스탠포드 연구소.해군 연구실입니다정보과학부
  • Doda, R.O., Hart, P.E., & Stork, D. G. (2001)패턴 분류.뉴욕: John Wiley & Sons.
  • Jensen, J. R. (2005)초급 디지털 이미지 처리: 리모트 센싱의 관점.어퍼 새들 강 : 피어슨 프렌티스 홀.
  • 벨로콘, W.F. 등(1997년)멀티 스펙트럼 이미지 참조 가이드.페어팩스: Logicon Geodynamics, Inc.