НОВИЙ ПІДХІД ДО ЗАСТОСУВАННЯ ПРАВИЛА ДИСКОНТУВАННЯ ПРИ КЛАСИФІКУВАННІ ГІПЕРСПЕКТРАЛЬНИХ КОСМІЧНИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.32347/2412-9933.2020.43.76-82Ключові слова:
гіперспектральне космічне зображення, правило дисконтування, класифікування зображень, базова масаАнотація
На сьогодні об’єднання інформації є однією із найбільш важливих процедур при класифікуванні гіперспектральних космічних зображень. Метою об’єднання інформації є спрощення даних, отриманих із різних джерел. Багато відомих методів об’єднання включають знаходження середнього арифметичного, середнього геометричного, максимального та мінімального значень. Правила комбінування є особливим типом методів об’єднання даних, отриманих із різних джерел. Ці джерела надають різні оцінки одним і тим же гіпотезам. Вимога щодо незалежності всіх джерел інформації є дуже важливим питанням. Опрацювання суперечливої інформації та комбінування суперечливих даних є дуже складною проблемою в задачах класифікування. Але багато відомих правил комбінування дають неправильні результати за наявності досить суперечливих частин свідчення. Відомі правила комбінування більше акцентують увагу на узгоджених джерелах інформації та ігнорують усі суперечливі частини свідчення. Ці правила не працюють за наявності досить суперечливих даних. Ось чому комбінування суперечливих частин свідчення є найбільш важливим питанням у дистанційному зондуванні Землі. У статті пропонується правило дисконтування для роботи із суперечливими джерелами інформації. Застосовуючи правило дисконтування, спочатку можна дисконтувати джерела, а потім скомбінувати результуючі базові маси за допомогою будь-якого відомого правила комбінування, використовуючи коефіцієнт дисконтування. Цей коефіцієнт дисконтування враховує абсолютну надійність джерел. Абсолютна надійність припускає, що ми можемо розрізняти джерела даних за надійністю і можемо виразити математично відмінності між різними джерелами. Також було зазначено, що правило дисконтування надає ненульову базову масу фрейму розрізнення. Ця процедура не змінює початкової інформації. Також розглянуто приклад застосування правила дисконтування для класифікування космічних зображень. Описане правило дисконтування може бути застосоване при класифікуванні лісів, при пошуку корисних копалин та розв’язку різноманітних екологічних і тематичних завдань.
Посилання
Alpert, М. І., Alpert, S. І. (2019, May). A new approach to the application of Jaccard coefficient and Cosine similarity in Hyperspectral Image Classification. Proceedings of the XVIII-th International Conference on Geoinformatics – Theoretical and Applied Aspects, 1 – 5, Kiev.
Alpert, М. І., Alpert, S. І. (2020, May). New methods to determine basic probability assignment and data fusion in Hyperspectral Image Classification. Proceedings of the XIX-th International Conference on Geoinformatics – Theoretical and Applied Aspects, 1 – 5, Kiev.
Inagaki, T. (1991). Interdependence between Safety-Control Policy and Multiple-Sensor Schemes Via Dempster-Shafer Theory. IEEE Transactions on Reliability, 40 (2), 182 – 188.
Smets, P., Henrion, M., Shachter, R.D., Kanal, L.N., Lemmer, J.F. (1990). Constructing the pignistic probability function in a context of uncertainty. Uncertainty in Artificial Intelligence. North Holland, Amsterdam, 5, 29 – 40.
Yager, R. (1987). On the Dempster-Shafer Framework and New Combination Rules. Information Sciences, 41, 93–137.
Smets, P. (2007). Analyzing the Combination of Conflicting Belief Functions. Information Fusion, 8, 387 – 412.
Milisavljevic, N., Bloch, I., and Acheroy, M. (2002). Modeling, combining and discounting mine detection sensors within Dempster-Shafer framework. In Detection Technologies for Mines and Minelike Targets. SPIE Press, Orlando, USA, 4038,
– 1472.
McCoy, R. M. (2005). Fields Methods in Remote Sensing. New York: Guilford Press, 150 – 160.
Popov, M. A. Alpert, S. I., Podorvan, V. N. (2017). Satellite image classification method using the Dempster-Shafer approach. Izvestiya, atmospheric and oceanic. Physics, 53(9), 1112 – 1122.
Popov, M., Alpert, S., Podorvan, V., Topolnytskyi M., Mieshkov, S. (2015). Method of Hyperspectral Satellite Image Classification under Contaminated Training Samples Based on Dempster-Shafer’s Paradigm. Central European Researchers Journal, 1(1), 86 – 97.
Gong, P. (1996). Integrated Analysis of Spatial Data from Multiple Sources: Using Evidential Reasoning and Artificial Neural Network Techniques for Geological Mapping. Photogrammetric Engineering and Remote Sensing, 62( 5), 513–523.
Zhang, L., Yager, R. R., Kacprzyk J., Fedrizzi, M. (1994). Representation, independence, and combination of evidence in the Dempster-Shafer theory. Advances in the Dempster-Shafer Theory of Evidence. New York: John Wiley and Sons, Inc., 51–69.
Bandos, T.V., Bruzzone, L., Camps-Valls, G. (2009). Classification of Hyperspectral Images with Regulized Linear Disctiminant Analysis. IEEE Transactions оn Geoscience аnd Remote Sensing, 47(3), 862 – 873.
Chang, C. I. (2013). Hyperspectral Data Processing: Algorithm Design and Analysis. Hoboken, NJ: John Willey & Sons, 1164.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Sofiia Alpert
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
