Классификация данных дистанционного зондирования земли с использованием робастных оценок

Abstract

Зачастую, при обработке данных дистанционного зондирования Земли (ДЗЗ), включающей в себя установление принадлежности зон на поверхности Земли к определенным кластерам, встает проблема статистической классификации данных ДЗЗ. Данные ДЗЗ содержат спектральные характеристики пикселей в разных диапазонах электромагнитного спектра. Для улучшения результатов обработки также используются текстурные характеристики, получаемые путем обработки спектральных характеристикгрупп пикселей, принадлежащих к определенным участкам Земной поверхности. Таким образом, каждый пиксель характеризуется вектором различных характеристик. Для классификации вектора характеристик могут быть использованы как параметрические, так и непараметрические методы. При использовании параметрических методов обычно используется допущение о нормальности распределения пикселей класса,что не всегда верно. Непараметрические методы зачастую являются более точными, но обладают большей вычислительной сложностью. В данной работе рассмотрено использование параметрического метода для классификации данных при использовании как спектральных, так и текстурных характеристик пикселей. Так как данные ДЗЗ подвержены выбросам, и, соответственно, распределение обучающих выборок классов отлично от нормального, в работе был применен метод робастного оценивания для расч?та оценок для классификации. В работе приведены примеры результатов классификации при применении как робастного, так и стандартного методов оценивания .

The problem of the statistical classification of the remote sensing data arises when there is a need toidentify which of a set of clusters some areas of the Earth surface belong to. The remote sensing data are collectedfrom different parts of the electromagnetic spectrum called spectral characteristics as well as texture characteristicsobtained from computing spectral characteristics of the specific areas, so every pixel is described of the vector of itscharacteristics. To classify vector observations both parametric and non-parametric methods are used. Parametrictechnique commonly uses the normal distribution to describe the distribution of the classes of the learning sample.Non-parametric technique often provides better accuracy of classification but it has greater computationalcomplexity. The paper develops a parametric technique of the remote sensing data classification by using bothspectral and structural characteristics of pixels. Pixels characteristics are affected by outliers so the distribution ofthe learning sample is not normal in the real sample data. The robust estimation methods are used to obtainestimators that are not unduly affected by outliers or other small departures from model assumptions. Thepossibility of the algorithm application is studied by using examples.