Розробка методу обробки гіперспектральних супутникових зображень з використанням класифікатора за максимальною поширеністю з дев'ятьма класами даних наземного контролю

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2023.271774

Ключові слова:

обробка гіперспектральних зображень, класифікатор за максимальною поширеністю, дані наземного контролю, супутникові карти

Анотація

Гіперспектральна візуалізація забезпечує велику щільність спектральних даних у сотнях смуг сфотографованої речовини. Це дозволяє використовувати зображення для різних цілей, включаючи сільське господарство, науки про землю та біомедичну візуалізацію. У попередній роботі не обговорювався найбільш ефективний класифікатор з достатньою кількістю класів даних наземного контролю. У даній роботі представлено застосування класифікації за максимальною поширеністю (MAC) для класифікації різних областей гіперспектральних зображень. Розподіл кінцевого елемента на гіперспектральних зображеннях можна описати за допомогою карт поширеності. Оскільки значення поширеності кожного пікселя представляють частку кожного кінцевого елемента, присутнього в цьому пікселі, пікселі на гіперспектральному зображенні будуть класифіковані в цьому дослідженні шляхом визначення найбільшого ступеня поширеності кожного пікселя і віднесення його до відповідної категорії кінцевих елементів. Класи даних наземного контролю представлені дев'ятьма кінцевими елементами в тестових даних: бітум, тіні, цегла, що самоблокується, голий грунт, пофарбовані металеві листи, гравій, луки, дерева і асфальт. Розподіляючи діапазон довжин хвиль рівномірно за кількістю спектральних областей, ми спочатку визначаємо центральну довжину хвилі для кожної смуги для візуалізації завантажених даних та підпису кінцевих елементів дев'яти основних класів даних наземного контролю. Далі ми оцінюємо карти поширеності кінцевих елементів. Нарешті, ми класифікуємо максимальну поширеність кожного пікселя для представлення кольорокодованого зображення, накладених та класифікованих областей гіперспектрального зображення над мітками їхніх категорій. Результат показує, що ділянки цегли, голого ґрунту, дерев та асфальту були правильно ідентифіковані на фотографіях, що може бути використано для ідентифікації або виявлення матеріалів

Спонсор дослідження

  • The authors would like to express their deepest gratitude to the Department of Clinical Laboratory Sciences, College of Pharmacy, University of Mosul-Iraq for their support to complete this research.

Біографії авторів

Ghassan Ahmad Ismaeel, University of Mosul

Master of Computer Engineering

Department of Clinical Laboratory Sciences

College of Pharmacy

Mina Basheer Gheni, Al-Nahrain University

Master of Computer Science

Department of Computer

Saad Qasim Abbas, Al-Turath University College

Master in Medical Instrument Engineering

Department of Medical Instrument Engineering Technique

Mustafa Musa Jaber, Dijlah University College

PhD, Lecturer

Department of Medical Instruments Engineering Techniques

Mohammed Hasan Ali, Imam Ja’afar Al-Sadiq University

PhD, Lecturer

Department of Computer Systems and Software Engineering

Посилання

  1. Sarić, R., Nguyen, V. D., Burge, T., Berkowitz, O., Trtílek, M., Whelan, J. et al. (2022). Applications of hyperspectral imaging in plant phenotyping. Trends in Plant Science, 27 (3), 301–315. doi: https://doi.org/10.1016/j.tplants.2021.12.003
  2. Sugawara, S., Sugizaki, S., Nakayama, Y., Taniguchi, H., Ishimaru, I. (2021). Preliminary study for detection of adhesive on a painted ceramic plate and varnish on printed paper using near-infrared hyperspectral imaging at wavelengths of 1.0–2.35 µm. Infrared Physics & Technology, 117, 103809. doi: https://doi.org/10.1016/j.infrared.2021.103809
  3. Xue, Q., Qi, M., Li, Z., Yang, B., Li, W., Wang, F., Li, Q. (2021). Fluorescence hyperspectral imaging system for analysis and visualization of oil sample composition and thickness. Applied Optics, 60 (27), 8349. doi: https://doi.org/10.1364/ao.432851
  4. Shijer, S. S., Sabry, A. H. (2021). Analysis of performance parameters for wireless network using switching multiple access control method. Eastern-European Journal of Enterprise Technologies, 4 (9 (112)), 6–14. doi: https://doi.org/10.15587/1729-4061.2021.238457
  5. Mohammed, A. B., Al-Mafrji, A. A. M., Yassen, M. S., Sabry, A. H. (2022). Developing plastic recycling classifier by deep learning and directed acyclic graph residual network. Eastern-European Journal of Enterprise Technologies, 2 (10 (116)), 42–49. doi: https://doi.org/10.15587/1729-4061.2022.254285
  6. Guda, M., Gasser, S., El-Mahallawy, M. S., Shehata, K. (2020). FPGA Implementation of L1/2 Sparsity Constrained Nonnegative Matrix Factorization Algorithm for Remotely Sensed Hyperspectral Image Analysis. IEEE Access, 8, 12069–12083. doi: https://doi.org/10.1109/access.2020.2966044
  7. Gao, L., Zhang, B., Sun, X., Li, S., Du, Q., Wu, C. (2013). Optimized maximum noise fraction for dimensionality reduction of Chinese HJ-1A hyperspectral data. EURASIP Journal on Advances in Signal Processing, 2013 (1). doi: https://doi.org/10.1186/1687-6180-2013-65
  8. Lv, N., Han, Z., Chen, C., Feng, Y., Su, T., Goudos, S., Wan, S. (2021). Encoding Spectral-Spatial Features for Hyperspectral Image Classification in the Satellite Internet of Things System. Remote Sensing, 13 (18), 3561. doi: https://doi.org/10.3390/rs13183561
  9. Iyer, P., A, S., Lal, S. (2021). Deep learning ensemble method for classification of satellite hyperspectral images. Remote Sensing Applications: Society and Environment, 23, 100580. doi: https://doi.org/10.1016/j.rsase.2021.100580
  10. Hagag, A., Fan, X., Abd El-Samie, F. E. (2017). HyperCast: Hyperspectral satellite image broadcasting with band ordering optimization. Journal of Visual Communication and Image Representation, 42, 14–27. doi: https://doi.org/10.1016/j.jvcir.2016.11.006
  11. Arellano, P., Tansey, K., Balzter, H., Boyd, D. S. (2015). Detecting the effects of hydrocarbon pollution in the Amazon forest using hyperspectral satellite images. Environmental Pollution, 205, 225–239. doi: https://doi.org/10.1016/j.envpol.2015.05.041
  12. Shin, J., Kim, K., Ryu, J.-H. (2020). Comparative study on hyperspectral and satellite image for the estimation of chlorophyll a concentration on coastal areas. Korean Journal of Remote Sensing, 36 (2_2), 309–323. doi: https://doi.org/10.7780/kjrs.2020.36.2.2.7
  13. Yang, M.-D., Huang, K.-H., Tsai, H.-P. (2020). Integrating MNF and HHT Transformations into Artificial Neural Networks for Hyperspectral Image Classification. Remote Sensing, 12 (14), 2327. doi: https://doi.org/10.3390/rs12142327
  14. Huang, H., Chen, M., Duan, Y. (2019). Dimensionality Reduction of Hyperspectral Image Using Spatial-Spectral Regularized Sparse Hypergraph Embedding. Remote Sensing, 11 (9), 1039. doi: https://doi.org/10.3390/rs11091039
  15. Veligandan, S. K., Rengasari, N. (2018). Hyperspectral image segmentation based on enhanced estimation of centroid with fast K-means. The International Arab Journal of Information Technology, 15 (5), 904–911. Available at: https://iajit.org/portal/PDF/September%202018,%20No.%205/10400.pdf
  16. Lin, L., Chen, C., Xu, T. (2020). Spatial-spectral hyperspectral image classification based on information measurement and CNN. EURASIP Journal on Wireless Communications and Networking, 2020 (1). doi: https://doi.org/10.1186/s13638-020-01666-9
Розробка методу обробки гіперспектральних супутникових зображень з використанням класифікатора за максимальною поширеністю з дев'ятьма класами даних наземного контролю

##submission.downloads##

Опубліковано

2023-02-28

Як цитувати

Ismaeel, G. A., Gheni, M. B., Abbas, S. Q., Jaber, M. M., & Ali, M. H. (2023). Розробка методу обробки гіперспектральних супутникових зображень з використанням класифікатора за максимальною поширеністю з дев’ятьма класами даних наземного контролю. Eastern-European Journal of Enterprise Technologies, 1(2 (121), 14–20. https://doi.org/10.15587/1729-4061.2023.271774

Номер

Том 1 № 2 (121) (2023): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2023 Ghassan Ahmad Ismaeel, Mina Basheer Gheni, Saad Qasim Abbas, Mustafa Musa Jaber, Mohammed Hasan Ali

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.