Daha çox

Hiperspektral şəkil + sahə məlumatları


Orada çoxdan uzaqdan algılama məlumatları var, amma sahə məlumatları ilə birlikdə tapa bilmədim. Xüsusilə, bitki növlərini və onların koordinatlarını müəyyənləşdirən sahə məlumatlarına sahib olan havadakı hiperspektral şəkilləri axtarıram.

Bir verilənlər bazası bir təşkilatdan və başqa birindən bir şəkil olsa belə, bu da işləyir.


http://dataservices.gfz-potsdam.de/portal/ linki sizə tədqiqat qurumlarından mövcud bəzi məlumat cədvəllərinə ümumi baxış verir. Yalnız hiperspektral uçuş kampaniyalarından məlumatları görmək üçün məlumat mərkəzi filtri "EnMap" dan (Alman peyk missiyasıdır) istifadə edin. Təmin etdiyi qurumdan asılı olaraq bəzi məlumatların alınması üçün qeydiyyatdan keçməlisiniz.

Yəqin ki, müvafiq raster məlumatları üçün sahə məlumatları almayacaqsınız, ancaq bunu bir dövlət qurumundan GoogleEarth, OpenStreetMap və ya Survey Data kimi köməkçi məlumatlarla özünüz yaratmağa çalışmalısınız.


GÜN TƏSVİRİ

Misirin Qahirədəki Cheops Piramidasının Pleiades Neo peyk şəkli (30sm) Giza Piramidalarının ən qədim piramidasıdır və Dünyanın Yeddi Möcüzəsindən biridir. Pleiades Neo peyki müştərilərinə altı lentlə 30cm panchromatic və 1.2m multi-spektral peyk görüntülərini təqdim edəcək və müxtəlif Xəritəçəkmə tətbiqləri üçün mono, stereo və tri-stereo şəkillər təqdim edəcəkdir. Əlavə Pleiades Neo peyk görüntü qalereyasına baxın.

Neft və qaz

Qırx ildən artıq təcrübəmizə sahib olduğumuz neft sənayesindəki özünəməxsus anlayışımızı, riski qiymətləndirmək və xərcləri azaltmaq üçün kömək edirik. Köhnə və cari multispektral peyk görüntü məlumatları, spektral analiz və alt piksel təsnifatı istifadə edərək köhnə quyu yerləri bərpa oluna və geofiziki və geoloji şərhləri yaxşılaşdırmaq üçün koordinatlar düzəldilə bilər. "əvvəl" eyni ərazidə əlavə quyular qazılır. Bu, xüsusilə bəzi köhnə quyu yerlərinin koordinat problemi 1 km-dən artıq olduqda müvəffəqiyyət nisbətini xeyli artırır. Xüsusi xidmətlər köhnə quyuların bərpası və koordinat tənzimləmələrini, həmçinin ağır cəngəllik və səhra ərazilərində seysmik tədqiqatları əhatə edir.

Mədənçilik

Multispektral görüntüləmə (VNIR), WorldView-3 Qısa Dalğalı İnfraqırmızı (SWIR) və tematik mineral xəritələşdirmə tədqiqatçılara torpaqların, süxurların və bitki örtüklərinin əks olunma məlumatlarını və udma xüsusiyyətlərini toplamağa imkan verir. Dalğa boyları və spektral yansıtma məlumatlarından istifadə edərək səthdə yerləşən mineral izləri üçün insan gözünə görünməyən spektral imzalar qurula bilər. Peyk görüntüləmə texnologiyamız, yer səthlərinin tərkibinə dair misilsiz bir fikir verə bilər və bu da geoloqlara, alimlərə və tədqiqatçılara çox kömək edir. Bu məlumatlar yerüstü litologiyanı şərh etmək, gilləri, oksidləri, torpaq növlərini müəyyənləşdirmək və mineralların potensial yerlərini müəyyən etmək üçün yüksək və orta ölçülü peyk şəkillərindən öyrənmək üçün təlim keçmiş fotoqraf geoloqlar tərəfindən istifadə edilə bilər.

Coğrafi İnformasiya Sistemləri

Peyk Görüntüləmə Korporasiyası (SIC) CİS xəritələşdirilməsi üçün peyk, hava və İHA uzaqdan zondlama məlumatlarının istifadəsini əhatə edən hər bir layihənin planlaşdırma mərhələsinə QA və QC daxil etmək üçün hərtərəfli siyasət və prosedurlar hazırlamışdır. Yeni görüntülər əldə etmək və ya müştəri tərəfindən təqdim olunan İHA görüntülərindən istifadə etmək üçün geniş inkişaf etmiş peyk sensorlarımızdan istifadə edərək, sizə 2D və ya 3B CBS xəritə tətbiqetmələrinizi dəstəkləmək üçün misilsiz keyfiyyət və coğrafi məkan dəqiqliyi təqdim edə bilərik; ətraflı VNIR, SWIR peyk görüntülərindən dəyişiklik aşkarlanması, hiperspektral analiz və (yarı) avtomatlaşdırılmış obyekt əsaslı görüntü təhlili (OBIA) və konvolyusional sinir şəbəkəsi (CNN) alqoritmləri kimi dərin öyrənmə texnikasının inkişafı / istifadəsi.

Enerji və İnfrastruktur

Mədən və enerji layihələrini inkişaf etdirmək üçün hazırladığımız həllərdən istifadə edərək iş risklərini azaltın, boru kəmərinin planlaşdırılmasını sürətləndirin, səth tərkibi haqqında məlumat əldə edin və ətraf mühitə təsiri proqnozlaşdırın.

Mühəndislik və inşaat

Tikinti sahəsinin seçilməsindən və qiymətləndirilməsindən, mövcud strukturların qiymətləndirilməsinə qədər, layihənizin hər addımını asanlaşdırmağa kömək etmək üçün hazırlanmış həllərimiz var.

Müdafiə və Kəşfiyyat

Müdafiə agentlikləri, hərbi podratçılar və hüquq mühafizə orqanları daima yeni problemlərlə qarşılaşırlar. Strateji və taktiki əməliyyatları planlaşdırarkən, döyüş tapşırıqlarını yerinə yetirərkən və simulyasiya hazırlayarkən rakipsiz bir üstünlük təmin edirik.

Qoruma və Tədqiqat

Arxeoloji sahələri müəyyənləşdirin, iqlim dəyişikliyinin təsirlərini vizuallaşdırın və Süni Sinir Şəbəkəsi (ANN) emalı da daxil olmaqla inkişaf etmiş uzaqdan zondlama texnologiyamızla vəhşi təbiəti qoruma səylərini izləyin.

Yerleşim Texnologiyası

Məlumatları vizual olaraq qısa, asanlıqla istifadə edilə bilən şəkildə xəritələşdirmək üçün coğrafi məlumat sistemimizdən (CİS) texnologiya həllərimizdən istifadə edin.

Fəlakətə Müdaxilə

Vaxtlılıq hesab edildikdə, təbii və ya texnogen fəlakətdən əvvəl və sonra toplanan peyk görüntü məlumatlarımıza etibar edin - fəlakətlərə cavab tədbirləri və sığorta əməliyyatları üçün vacib bir fikir verin.

Təbii Sərvətlər

Dünya həmişə hərəkətdədir. Ətraf mühitə nəzər salmaq, sahil zolağının idarə olunması səylərini artırmaq, meşələri qiymətləndirmək və kənd təsərrüfatı mənbələrinin inkişafını asanlaşdırmaq üçün sübut edilmiş metodlarımızı istifadə edin. Süni sinir şəbəkəsi işlənməsi də daxil olmaqla səmərəli Uydu və İHA məsafədən zondlama xidmətlərimizdən istifadə edərək, standart məsafədən algılama alqoritmlərindən istifadədən daha ucuz qiymətə əldə edilən nəticələrin keyfiyyətini yaxşılaşdırmaq olar.

Media və əyləncə

Növbəti xəbər yayımınızın, elmi proqramınızın və ya Hollivudun ən populyar filminin izləyicilərini ovsunlamaq üçün lazımlı vizual perspektivləri əldə edin.


Ekologiyanın, biomüxtəlifliyin və qorumanın uzaqdan algılanması: uzaqdan zondlama mütəxəssisləri baxımından nəzərdən keçirmə

Uzaqdan zondlama, əlaqəsiz qeyd yolu ilə məlumat əldə etmək elmi, ekologiya, biomüxtəliflik və qoruma (EBC) sahələrini əhatə etmişdir. Bu sahəyə bir neçə keyfiyyətli təhlil sənədləri kömək etmişdir. Bununla birlikdə, bu sənədlər tez-tez məsələləri ekoloq və ya biomüxtəliflik mütəxəssisi baxımından müzakirə edir. Bu icmal, uzaqdan algılama mütəxəssisləri baxımından EBC-nin kosmosdan uzaqdan algılamasına diqqət yetirir, yəni alətlər və texnika da daxil olmaqla ən müasir uzaqdan algılama texnologiyası kontekstində təşkil edilir. Burada müzakirə ediləcək alətlər yüksək məkan çözünürlüğü, hiperspektral, termal infraqırmızı, kiçik peyk bürcü və LIDAR sensorlarından ibarətdir və üsullar görüntü təsnifatı, bitki örtüyü indeksi (VI), ters çevrilmə alqoritmi, məlumatların birləşməsi və uzaqdan zondlama (RS) və coğrafi məlumat sistemi (CİS).

Açar sözlər: EBC (ekologiya, biomüxtəliflik və qoruma) LIDAR məlumatların sintezi görüntü təsnifatı məsafədən zondlama (RS) və coğrafi məlumat sistemi (CİS) kiçik peyk bürcü termal infraqırmızı ilə uzaqdan zondlama.


Ətraf mühitin araşdırılması üçün yüksək məkan qətnamə hiperspektral məlumatların toplanılması, işlənməsi və təhlili məsələləri

Bu məqalədə hiperspektral görüntülərin toplanması, atmosfer və həndəsi düzəlişlər və işlənmə üsulları qısaca təsvir edilmişdir. Məlumat toplama müzakirəsi, görüntü əldə etmənin sahə məlumatları toplanması ilə inteqrasiya lojistikinə cəmləşir. Təsviri sahə və laboratoriya sensorlarından alınan istinad spektrləri ilə istifadə etmək üçün atmosfer düzəlişləri tələb olunur, atmosfer korreksiyası üçün müxtəlif üsullar təsvir edilmişdir. Görüntü məlumatlarının və əldə edilmiş məhsulların digər coğrafi məlumatlarla inteqrasiyası üçün həndəsi düzəliş tələb olunur. Tək və çox xüsusiyyətli identifikasiya metodlarının təsviri verilir. Bunların hamısı, çoxsaylı xüsusiyyətlərin müəyyənləşdirilməsi üçün hiperspektral görüntü metodları tərəfindən təqdim olunan səth materiallarının spektral təsvirinin təhlilinə yönəldilmişdir, alt piksel komponentlərini müəyyən etmək üçün görüntülərin yüksək spektral ölçülərindən faydalanırlar. Ekoloji xüsusiyyətlərin təfsirində məkan təhlilinin spektral analizlə birləşdirilmiş rolu müəyyən edilmişdir.

Bu abunə məzmununun önizləməsidir, təşkilatınız vasitəsilə giriş.


Hiperspektral Görüntü + Sahə Məlumatları - Coğrafi İnformasiya Sistemləri

Bobby Shackouls Prof.

____________________________________________________________________________________

Coğrafi Məlumat

Dr. Qian (Jenny) Du, Pekin Texnologiya İnstitutundan B. S. və M. S. dərəcələrini, elektrik mühəndisliyində isə sırasıyla 1998 və 2000-ci illərdə Maryland Baltimore County Universitetindən M. S. və Ph.D. dərəcələrini aldı. 2000-2004-cü illərdə Texas A & ampM University-Kingsville-də Elektrik Mühəndisliyi və Kompüter Elmləri Bölməsində köməkçi professor idi. Hal-hazırda Bobby Shackouls professoru olduğu 2004-cü ilin payızında Mississippi Dövlət Universitetinin (MSU) Elektrik və Kompüter Mühəndisliyi Bölməsinə qatıldı.

Dr. Du-nun tədqiqat sahəsi, rəqəmsal görüntü işləmə və hiperspektral görüntü istismarı sahəsində uzmanlığı olan uzaqdan zondlama problemlərinə tətbiq edilməsidir. Apardığı araşdırma, hədəf təyinetmə, anomaliyanın aşkarlanması, dəyişiklik aşkarlanması, nəzarətli / nəzarətsiz / yarı nəzarətli təsnifat, spektral qarışdırılmamaq, endmember çıxarılması, ölçülərin azaldılması, lent seçimi, məsafədən zondlama görüntülərinin işlənməsi və təhlilində demək olar ki, bütün mövzuları əhatə edir. çox mənbəli məlumat / xüsusiyyət / qərar birləşməsi, real vaxtda işləmə, paralel hesablama, məlumat sıxılma, qeyd və mozaikasiya, itiləmə, vizuallaşdırma və s. Onun tədqiqat maraqları arasında görüntü super-qətnamə və sinir şəbəkələri də var.

Dr. Du, SPIE və IEEE üzvüdür.

Bir neçə jurnalda Associate Editor vəzifəsində çalışmışdır:

- IEEE J-STARS (2011�)

- IEEE Siqnal İşləmə Məktubları (2012�)

- Tətbiqi Uzaqdan Algılama Jurnalı (2014�)

Bir neçə xüsusi buraxılışda Qonaq redaktoru kimi də fəaliyyət göstərir:

- Uzaqdan Həssas Verilənlərin Spektral Qarışdırılması (Geologiya və Uzaqdan Algılama üzrə IEEE Əməliyyatları, cild 49, yox. 11, 2011)

Dr. Du, 2012-ci ildə Çinin Şanxay şəhərində, Hiperspektral Görüntü və Siqnal İşlənməsi: Uzaqdan Algılamada Təkamül (FİZLƏR) üzrə 4. IEEE GRSS Çalıştayı, Tsukubadakı Uzaqdan Algılamada Nümunə Tanınma (PRRS) üzrə 7-ci IAPR Çalıştayı üçün Baş Sədrdir. 2012-ci ildə Science City, Yaponiya və 2014-cü ildə İsveçin Stockholm şəhərində keçirilən 8-ci IAPR PRRS Çalıştayı. 2019-cu ildə Çinin Şanxay şəhərində keçirilən Çox Müasir Uzaqdan Algılama Görüntülərinin Təhlili üzrə 10-cu Beynəlxalq Çalıştayın Baş Həmsədridir. 2019-cu ildə Türkiyənin İstanbul şəhərində keçiriləcək 8-ci Beynəlxalq Aqro-Geoinformatik Konfransının Texniki Həmsədridir.

- Payız 2021: ECE3443 Siqnallar və Sistemlər

Mətn: Kamen və Heck, Siqnal və sistemlərin əsasları, 3. nəşr, Pearson, 2007 (ISBN: 978-0131687370)

- Həmişə tədqiqat üçün yüksək motivasiyalı tələbələr axtarıram. Daha çox məlumat üçün xahiş edirəm mənimlə əlaqə saxlayın.

Ümumiyyətlə, mən öz siniflərimdə (şagirdlərimdə) performansını görməyincə tələbə götürməyi düşünmürəm.


İnteraktiv görselleştirme və hiperspektral görüntü məlumatlarının təhlili üçün yeni bir çərçivə

Multispektral və hiperspektral şəkillər uzaqdan zondlama, astronomiya və mikroskopik spektroskopiya kimi müxtəlif tətbiq sahələrində yaxşı təsbit edilmişdir. Son illərdə yeni sensor dizaynlarının, daha güclü prosessorların və yüksək tutumlu anbarların mövcudluğu bu görüntüləmə üsulunu tibbi diaqnoz, əkinçilik və mədəni irs kimi daha geniş tətbiqlərə daha da açdı. Bu, görüntü məlumatlarının ümumi analizinə imkan verən və hiperspektral görüntüləmə ilə yeni tanış olan istifadəçilər üçün intuitiv olan yeni alətlər tələb edir. Güclü alqoritmlərlə yeni interaktiv vizualizasiya texnikalarını birləşdirən və səmərəli və intuitiv qrafik istifadəçi interfeysi ilə əldə edilə bilən yeni bir çərçivə təqdim edirik. Paralel koordinatlar vasitəsilə görüntünün spektral paylanmasını ənənəvi vizualizasiya texnikaları ilə güclü bir əlaqə quraraq görüntüləyirik, interaktiv xammal məlumatlarının araşdırılmasına yönəlmiş hiperspektral görüntü analizində yeni paradiqmalara imkan veririk. Vizual yoxlamaya kömək etmək üçün nəzarət olunan seqmentləşdirmə, qlobal qruplaşdırma və qeyri-xətti saxta rəng kodlaşdırma üçün yeni metodları birləşdiririk. Hazırladığımız Gerbil çərçivəsi, açıq mənbəli və yüksək dərəcədə moduldur, qurulmuş metodlar üzərində qurulur və tətbiqetmə ehtiyacları üçün asanlıqla genişləndirilir. Analiz alqoritmlərini xammal görüntü məlumatlarına və alqoritmik nəticələrə intuitiv, müasir bir interfeyslə sıx birləşdirən ümumi, ardıcıl bir proqram çərçivəsinə olan tələbatı təmin edir. Gerbil, 45 ölkədən mənşəli bir neçə min yükləmə ilə akademiyada və sənayedə dünya səviyyəsində istifadəsini tapır.

1. Giriş

Multispektral görüntüləmə, ənənəvi RGB kameralarla mövcud olmayan zəngin yansıtma məlumatlarını əldə etməyə imkan verir. Təyyarələr və peyklər hiperspektral sensorlar sistemləri ilə təchiz olunduqdan bəri on illərdir ki, uzaqdan zondlama sahəsində əsas rol oynayır. Belə diqqətəlayiq nümunələrdən biri də Havadan Görünən / İnfraqırmızı Görüntüləmə Spektrometridir (AVIRIS) [1]. Hiperspektral sensorlar “yerdə” daha az istifadə olunur, baxmayaraq ki, astronomiya, mədəni irs, kənd təsərrüfatı və tibbi görüntüləmə kimi sahələrdə daha populyarlaşırlar.

Multispektral bir görüntüdə hər piksel intensivlik dəyərlərinin bir vektorudur, burada hər bir dəyər kiçik bir dalğa uzunluğundakı səhnə parıltısına uyğundur. Nəticədə çıxan vektorlar ümumiyyətlə 31 ilə 200 arasında dəyişir. Verilənlərin yüksək ölçülü olması və güclü zolaqlı əlaqələri kompüter görmə alqoritmləri üçün çətinliklər yaradır. Məlumatlardakı məlumatları ifşa etmək və istismar etmək üçün uyğunlaşmalara ehtiyac var. Bənzər bir problem bu cür yüksək ölçülü məlumatları əl ilə emal etməyə çalışdıqda ortaya çıxır. Məlumat araşdırması zamanı istifadəçiyə rəhbərlik edən bir təqdimat tələb edən intuisiya çatışmazlığı var. Effektiv olaraq, iki komponentə ehtiyac var: məlumatın müxtəlif aspektlərinin eyni vaxtda vizuallaşdırılması və güclü istifadəçi qarşılıqlı əlaqəsi.

Multispektral sensorların populyarlığı artdıqca, kompüter dəstəyi, interaktiv təhlilə də ehtiyac artır. Məsələn, yoxlama üçün qrafik interfeys təmin edən ilk populyar analiz çərçivələrindən biri 1992-ci ildə tətbiq olunan Spektral Görüntü İşləmə Sistemi idi [2]. Bununla birlikdə, demək olar ki, bütün mövcud multispektral analiz proqramı xüsusi tətbiqetmələrə uyğunlaşdırılmışdır. Gözlənildiyi kimi, mövcud proqram təminatlarının çoxu uzaqdan algılamaya yönəldilir və bu alana xas iş axını üçün dizayn edilmişdir.

Son illərdə daha ucuz, istifadəsi daha asan olan çoxpektral kameraların mövcudluğu bu modalı yeni tətbiqetmələrə daha da açdı. Elektron tənzimlənən filtrlərə [3] və ya görüntü spektrometrlərinə [4] əsaslanan müxtəlif cihazlar bir neçə satıcıdan ticari olaraq satılır. İnkişaf etməkdə olan tətbiqləri hədəf alan bir sensor nümunəsi, hazırda müxtəlif muzeylərdə və kitabxanalarda istifadə olunan MuSIS [5] -dir. Bununla birlikdə, bu sensorların istifadəçiləri məlumatları interaktiv və intuitiv bir şəkildə araşdırmalarını təmin edən bir proqram həllindən məhrumdurlar.

Bu məhdudiyyəti aradan qaldırmaq üçün spektral şəkillərin yeni təqdimatını və onları yoxlamaq üçün yeni iş axınını təmin etmək üçün müəyyən interaktiv vizual konsepsiyalarını özündə birləşdirən Gerbil proqram platformasını inkişaf etdirdik. Şəkil 1, çox spektral bir görüntünün yoxlanılması üçün istifadə edilən Gerbil'in bir ekran görüntüsünü təsvir edir. Gerbil, OpenCV [8] və ya Weka [9] kimi siqnal emalı tədqiqat cəmiyyətində pulsuz proqram çərçivələri ənənəsi olaraq açıq mənbəli bir proqram layihəsi tərəfindən hazırlanmışdır. Bu yazıda Gerbil üçün elmi bir istinad təqdim edirik və əhatə etdiyi əsas metodologiyaları təsvir edirik. Ayrıca Gerbil'deki alqoritmlərin fizibiliyi və performansının ətraflı bir təqdimatını təqdim edirik və yeni yanaşmamızın müəyyən təcrübə ilə müqayisədə əhəmiyyətli bir inkişaf olduğunu göstərir.

Kağız aşağıdakı töhfələrə toplanır və genişlənir: (i) Səmərəli paralel koordinatlara əsaslanan spektral paylanmaların interaktiv vizuallaşdırılması [6] (ii) Hiperspektral məlumatların nəzarət olunan seqmentləşdirilməsi [10] (iii) Superpiksel dəstəyi ilə sürətli qlobal qruplaşdırma [11] ( iv) Sürətli qeyri-xətti saxta rəngli görselleştirme [12]

Bu metodlar hiperspektral məlumatlar və interaktiv vaxt məhdudiyyətləri üçün müəyyən edilmiş alqoritmlərin uyğunlaşdırılması yolu ilə əldə edilmişdir. Hiperspektral görüntü analizində, yuxarıda göstərilən üsulların hərtərəfli açıq mənbəli bir proqram çərçivəsinə sıx daxil edilməsi üzərində qurulmuş interaktiv xammal məlumatlarının araşdırılmasına yönəlmiş yeni paradiqmalar təqdim etməyə imkan verirlər. Proqram, pulsuz bir proqram lisenziyası altında http://gerbilvis.org/ saytında ictimaiyyətə açıqdır.

2. Əvvəlki iş

Multispektral analiz üçün ilk tanınmış proqram paketlərindən biri olan LARSYS 1960-cı illərdə satışa təqdim edildi. Mətn terminalı vasitəsilə idarə olunurdu. Bu gün də geniş təsir dairəsində olan qrafik, interaktiv multispektral və ya hiperspektral məlumat təhlili üçün bir neçə çərçivə 1990-cı illərin əvvəllərinə təsadüf edir. Əvvəlki çərçivələr, xüsusən də uzaqdan algılama sahəsində xüsusi bir tətbiqə diqqət yetirir. Boardman et al. [13] hiperspektral məlumatların uzaqdan zondlanması üçün qurulmuş proqram sistemlərinin tarixçəsinə ümumi bir baxış təqdim etmişdir. Biehl [14] 2007-ci ildə vebdə yenilənmiş bir siyahı yaratdı. Bu bölmədə daha geniş tətbiq olunan proqramı nəzərdən keçirmədən əvvəl əvvəlcə domenə məxsus proqram paketlərinə qısa bir baxış veririk. Şəkillərin interaktiv yoxlanılmasına diqqət yetiririk.

2.1. Uzaqdan Algılama

Spektral Görüntü İşləmə Sistemi (SIPS) Kruse və s. [2] 1993-cü ildə. Hələ də spektral uyğunlaşma sahəsində populyar bir spektr müqayisə etmə vasitəsi olan Spectral Angle Mapper (SAM) təqdim etdi [15]. Məlumat ya tək bant şəklində, ya da istifadəçi tərəfindən seçilə bilən üç bantdan ibarət yalan rəngli bir kompozit şəklində təqdim edildi. İstifadəçi seçilmiş piksel spektrinə də baxa bilər. Seçilmiş bir dilim üçün rəng kodlu yığılmış spektrlər təmin edilmişdir (şaquli və ya üfüqi xətt taraması və ya görüntüdəki ixtiyari yol). Bu görselləşdirmə formaları hələ də hiperspektral tutma və ya analiz üçün populyar proqram üçün tipikdir.

Biehl və Landgrebe [16] tərəfindən hazırlanan MultiSpec pulsuz paketi, G / Ç məlumatları üçün güclü GDAL kitabxanasından [17] istifadə edərək müxtəlif mənbələrdən multispektral şəkilləri analiz edə bilər. Bu proqramın diqqət mərkəzləşdirmədir. Hədəf auditoriyası ümumi Yer elmi cəmiyyətidir. Artıq qeyd olunan bütün ümumi görüntüləri təqdim etməklə yanaşı, seçilmiş bölgələri bir cüt zolaqla əlaqəli və bu lentlər arasındakı əlaqəni əks etdirən bir statistik görüntü ekranı ilə əlaqəli biplotlar yarada bilər.

Geniş istifadə olunan bir ticarət proqramı əvvəlcə Boardman və digərləri tərəfindən hazırlanmış ENVI [18]. [13]. ENVI-da, məsələn, Piksel Saflığı İndeksi (ÜFE) daxil olmaqla, hiperspektral analizdə bir neçə yenilik tətbiq edilmişdir [19]. PPI bir görüntüdə ən spektral təmiz pikselləri tapır. Bu piksellər ümumiyyətlə endmembers (bir görüntünün tərkib spektrləri) ilə uyğundur. Vizuallaşdırmada nəzərə çarpan bir yenilik

-Ölçülü görselleştirici, giriş olaraq PPI istifadə edən. Ölçülü səpələnmiş yerlərin real vaxtda fırlanmasına imkan verən interaktiv məlumat görselleştirme metodudur. 2-ölçülü səpələnmələrin təqdimatı bir qədər qeyri-müəyyən ola bilər. Bununla birlikdə alət təsvir olunan nöqtə buludlarına əsaslanan son üzvlərin müəyyənləşdirilməsi üçün mütəxəssislər üçün dəyərlidir.

Hiperspektral məsafədən zondlama məlumatlarının analizi üçün digər iki diqqətəlayiq proqram təminatı HyperCube [23] və Opticks [24]. HyperCube, ABŞ Ordusu Mühəndislər Korpusu tərəfindən buraxılır və məlumatları süzmə, çözmə (iki görüntüyü qeyd etmə), kalibrləmə və təhrif etmə, fotometrik proyekt və arifmetik manipulyasiya funksiyaları ehtiva edir. Optiklər ayrıca CİS şərhləri, saxta rəngləmə və histoqramlar kimi bir çox ümumi vasitələrdən ibarətdir. Əlavə olaraq, üçüncü tərəflər xarici modul vasitəsilə funksionallığı təmin edə və proqrama əlavə imkanlar əlavə edə bilərlər. Məsələn, Spektral Qenerasiya Uzantısı [25], hiperspektral məlumatların təhlili üçün tipik alətlər daxildir.

Uzaqdan algılama kontekstində, ölçülü azalma tətbiq edərək çoxpektral bir görüntünün görselleştirilmesine dair bir çox iş mövcuddur. Məqsəd uzunluğu spektral vektorlardan ölçüsünü azaldaraq görüntüyü saxta rəngli RGB-də təqdim etməkdir

dəyərlər. Əldə edilən piksel rənglərinə əsasən, istifadəçi görüntünün bölgələrini xüsusi maraqlarına görə ayrı-seçkilik etməlidir. Buna nail olmaq üçün metodlara əsas komponent analizinin (PCA), müstəqil komponent analizinin (ICA) və qeyri-xətti metodların variantları daxildir. Bəzi variantlar da təsnifat nəticələrini özündə birləşdirir. Cui və digərlərinin son bir yanaşması. [26] bu cür vizuallaşdırmanın interaktiv uyğunlaşmasına yönəlmişdir. Bununla birlikdə, görüntünün ümumi piksel xəritəsi təqdimatını istifadə edir.

2.2. Astronomiya

Uzun müddət hiperspektral görüntüləmə tarixi olan bir sahə astronomiyadır. Bu sahədəki ən diqqətəlayiq proqram təminatı, Smithsonian Astrofizika Rəsədxanasında mövcud olan ds9 [27]. Bu proqram astronomik görüntülərin məkan təmsilçiliyində çox güclüdür. Bununla birlikdə, nadir hallarda qeyri-astronoloji məlumatlar üçün uyğun olan məlumat küpünün məhdud bir 3D vizualizasiyasını təmin edir.

Bu yaxınlarda Li et al. [28] açıq şəkildə multiband məlumatların necə təqdim ediləcəyi sualını həll etdi. Görüntü bantlarını 3D şəklində ya yığın şəklində, ya da həcm şəklində model olaraq çəkirlər, məsələn, nal. Onların həcmi göstərilməsi, intensivliyinə görə və ya istifadəçi tərəfindən tənzimlənmiş bir maska ​​üzərində fərdi məlumat nöqtələrinə şəffaflıq tətbiq edərək aşkar qarışıqlıq problemini həll edir. Bununla birlikdə, ümumiyyətlə daha böyük məlumatların maneəsiz şəkildə göstərilməsi üçün böyük görüntü bölgələrinin sola biləcəyini düşünmək olmaz.

2.3. Digər Tətbiq Etki Alanları

Multispektral görüntüləmə tarixi əsərlərin yanında sənət əsərlərinin qorunması və təhlilində getdikcə populyarlaşmışdır. Colantoni et al. [29] rəsmlərin çox spektral təsvirlərini insan rəng qavrayışı baxımından təhlil etmişdir. Şəkil məlumatlarından, CIE-də bir nümayəndəlik

rəng sahəsi [30] nəzarət olunan virtual işıqlandırma altında hesablanır. Daha sonra üçromatik məlumatların vizuallaşdırılması üçün bir neçə vasitə tətbiq oluna bilər. Təhlildə orijinal spektrlər nəzərə alınmır.

2010-cu ildə Kim et al. [31] tarixi sənədlərin interaktiv vizuallaşdırılması üçün bir həll təqdim etdi. Gözəl dizayn edilmiş müstəqil bir analiz vasitəsi təqdim etdilər və məlumatların necə təqdim olunduğuna dair yenilikləri özündə cəmləşdirdilər. Bəziləri sənəd analizinə xasdır, məsələn, yaşlanma ilə əlaqəli əsərlərlə, digərləri isə daha ümumi. The spektral lens xüsusiyyət, məsələn, iki spektral zolağın məlumatlarını tək bir ekranda təqdim edir. Bənzərlik xəritələri

seçilmiş bölgənin orta spektral dəyəri ilə bütün şəkil pikselləri arasında norm. Bununla birlikdə, SAM [15] kimi oxşarlıq tədbirləri spektr müqayisəsi üçün daha uyğun olardı. İki ölçülü spektri müqayisə etmək üçün 3 ölçülü histoqram sahəsi istifadə olunur.

Milli İKT Avstraliya (NICTA), NICTA-da hazırlanmış yansıtma bərpası və material təsnifatı boru kəməri olan Scyven proqramını pulsuz təqdim edir [7, 32]. Vizualizasiyaya saxta rəngləmə və Gerbil-də tətbiq olunan paralel koordinatların vizualizasiyasının uyğunlaşdırılması daxildir (bax Bölmə 3.2).

Labitzke et al. [33] çoxpektral məlumat dəstlərinin xətti spektral qarışığı üçün interaktiv bir çərçivə təqdim etdi. Spektral qarışıqsızlaşma, məkan çözünürlüğünün tez-tez aşağı olduğu uzaqdan algılamada xüsusilə populyardır. Endmembers tapmaq və spektral qarışıqları yerinə yetirmək üçün bir çox alqoritm mövcuddur [34]. Labitzke et al. yarı avtomatik olaraq end üzvlərini tapa bilən artan bir metod tətbiq etdi. Sonra, vizual rəy, xarakterizə edən dəstin keyfiyyətini əks etdirən tamamlayıcı vizuallaşdırma ilə təmin edilir. Qarışıqları yaxşılaşdırmaq üçün bu dəst interaktiv şəkildə dəyişdirilə bilər. Müəlliflər yanaşmalarını Gerbildən açıq şəkildə fərqləndirdilər [33]. Spektral qarışdırma onların interaktiv görselləşdirmə yanaşmasının ayrılmaz hissəsidir, metodlarımızda isə xam məlumatları görüntüləyirik. Labitzke və digərlərinin təklif etdiyi alqoritm və iş axını. bizim yanaşmamıza qarşı deyillər, əksinə Gerbilin görselləşdirmə qabiliyyətlərini gözəl şəkildə tamamlayırlar.

3. Vizual yoxlama

Ümumiyyətlə, mövcud yanaşmalar eyni əsas məlumat təqdimatları və istifadəçi qarşılıqlı əlaqələrini bölüşür, fərdi uzantılar isə adətən müəyyən bir tətbiq ssenarisini izləyir. Bununla birlikdə, multispektral görüntüləmə tətbiqetmələrinin daha geniş olması, daha geniş tətbiq dairələri üçün həm kifayət qədər ümumi, həm də mövcud əsas təqdimatlardan daha çox yönlü interaktiv vizual bir çərçivə tələb edir. Gerbil çərçivəmizdə, çoxpektral bir görüntünün araşdırılmasında tamamilə yeni bir iş axını təmin edən yeni bir konsepsiyanı izləyirik. Görünüş məlumatlarını istifadəçiyə daha aydın göstərən, məlumatların daha birbaşa təfsirinə imkan verən təqdimat və araşdırma ətrafında gedir. İstifadəçi etibar etmir, sadəcə avtomatik işləmə ilə idarə olunur.

3.1. Əsas konsepsiya

Şəkil 2, Gerbili təşkil edən əsas xüsusiyyətlərə ümumi baxış verir. Çeşitli tətbiqetmələrdə istifadə üçün uyğun bir çərçivəyə sahib olmaq üçün, məlumatların görselleştirilmesi və kompüter görmə icmalarından konsepsiyalar əlavə edərkən, bir neçə yaxşı başa düşülən hiperspektral analiz alətlərini Gerbil'ə daxil edirik. Bizim yanaşmamızın dəyəri bu xüsusiyyətləri çoxpektral bir görüntü araşdırarkən istifadəçi təcrübəsini zənginləşdirən bir şəkildə istifadə etməkdir. Belə nümunələrdən biri də paralel koordinatların, yüksək ölçülü məlumatların göstərilməsi üçün bir texnikanın daxil edilməsidir. Paralel koordinatlar spektral paylamaları görüntüləməkdə istifadə olunur. Vizuallaşdırma olduqca dinamikdir və görüntünün topoloji təsvirləri ilə qarşılıqlı əlaqəlidir (məsələn, tək bir görüntü zolağının boz rəngli təsviri). Digər töhfə verən amil spektral qradiyent təsvir edici [35]. Onun paylanması spektral paylanmanın yanında göstərilir. Spektral qradiyent birbaşa material və yansıtma xüsusiyyətləri ilə əlaqəli olan məlumat aspektlərinə yönəlmiş çox spektral bir təsvirdir.

Şəkil 1 qrafik istifadəçi interfeysinin üç əsas komponentini təsvir edir: orijinal spektrlərin vizuallaşdırılması (Şəkil 1 (a)) və spektral qradiyent spektrləri (Şəkil 1 (b)) həm paralel koordinatlar, həm də məkan görüntü görünüşü (Şəkil 1 c)). Bölmə 3.3-də ətraflı izah edildiyi kimi, bu elementlər arasındakı qarşılıqlı əlaqə, istifadəçiyə daha çox rəhbərlik verən vasitələrlə artır. Belə nümunələrdən biri də Bölmə 5-də bəhs edildiyi kimi PCA və ya qeyri-xətti üsullarla ölçülərin azaldılmasıdır. Digər bir vasitə isə Bölmə 4.2-də təsvir olunan məlumatların xüsusiyyət-kosmik qruplaşdırılmasıdır. İş axınımızda xüsusilə istifadəçinin araşdırma məqsədindən və ya əvvəlki biliklərindən asılı olaraq giriş təmin etdiyi seqmentləşdirmə nəzarət olunur. Bölmə 4.1-də bu tapşırıq üçün qrafik əsaslı seqmentləşdirmə alqoritmini necə tətbiq etdiyimizi təsvir edirik.

3.2. Spektral paylama görünüşü

Multispektral bir görüntünün bütöv bir şəkildə təsvir edilməsinə dair mövcud yanaşmalar, görüntünün məkan düzümü ilə məhdudlaşır. Görünüş məlumatlarına bir kub şəklində baxılır

- bir-birinin üstünə yığılmış spektral zolaqlara uyğun ekss. Müasir həcmli göstərmə üsullarından istifadə bu ssenarini bəzi ssenarilərdə faydalı edə bilər [28]. Lakin maraq piksellərində seyrəkliyin olmadığı əksər hallarda, sadə bir 3D düzəlişindəki çatışmazlıqları ortaya qoyan çox qarışıq bir görünüş əldə edilir. Saçılma sahələri və ya saxta rəngləmə kimi digər metodlar, ölçülüyün azaldılmasına etibar edirlər. Azaldılmış məlumatların vizualizasiyası bir çox tətbiqdə köməkçi olsa da, incə detalları qorumaq çətindir. Əksinə, orijinal məlumatların yaxşı bir vizuallaşdırılması müşahidəçiyə bir ölçülü azaltma metodunun müəyyən bir tətbiqə nə qədər uyğun gəldiyini qiymətləndirməyə kömək edir.

Bu məsələni həll etməyin bir yolu zaman içində görünüşdəki topoloji əlaqələrdən uzaqlaşmaq və bunun əvəzinə spektral paylanmanın qavranıla bilən bir təmsilçiliyinə yönəlməkdir. Bunu səmərəli şəkildə həyata keçirmək üçün aşağıda izah edildiyi kimi paralel koordinatlar [36] metodundan istifadə edirik. Bu, yüksək ölçülü həndəsəni vizuallaşdırmaq və çox dəyişkənli məlumatları analiz etmək üçün yaxşı qurulmuş bir texnikadır. Məsələn, maliyyə tətbiqetmələrində və coğrafi məlumat sistemlərində geniş istifadə edilmişdir. Ənənəvi spektral vizuallaşdırma paralel koordinatların vizuallaşdırılmasının xüsusi bir nümunəsi kimi görə bilər. Daha ümumi konsepsiya üzərində quraraq vizual cəmiyyətdən yüksək ölçülü məlumatların təqdimatı üçün alətlər daxil edə bilərik.

Paralel koordinatlar konsepsiyasına görə, bir ölçülü xüsusiyyət sahəsi (spektral zolaqlardan yaranan) iki ölçülü bir görünüşə aşağıdakı kimi proqnozlaşdırılır. paralel şaquli xətlər oxları, yəni spektral zolaqları göstərir. The

th ox spektrin zolaqdakı dəyərinə uyğundur. Pikselin spektral vektorunu göstərmək üçün təpələri uyğun şaquli oxlarda uzanan bir çox xətt çəkilir. Nəticədə ortaya çıxan ekran bir sahənin yerləşməsini izləyir

-aksis dalğa uzunluğunu, -aksis intensivliyi bildirir.

3.2.1. Optimize edilmiş paralel koordinatlar

Hər bir çox spektral vektor üçün bir polyline çəkməyin bir neçə çatışmazlığı var: çox vaxt aparır və ekran asanlıqla qarışıq ola bilər, bu halda tək polylines məlumatların qalan hissəsindən yaxşı ayrılmaya bilər. Həm qarışıqlıq, həm də sürət problemlərinin həlli bir çox xəttin piksel dəstini təmsil edə biləcəyi daha az polinel çəkməkdir. Bu fərqlə daha çox piksel təmsil edən çox xətlər daha güclü görünür.

Xüsusiyyət məkanında bir histoqram tətbiq edərək bu nümayəndəliyi həyata keçiririk

hər ölçüdə bərabər paylanmış qutular. istifadəçi 2 ilə çəkilən məlumatların dinamik aralığı arasında tənzimlənir (ümumiyyətlə

). Məsələn, ilə 31 zolaqlı bir multispektral görüntü üçün histogram

zibil qutuları. Bu ölçüdə sıx bir histoqram qurmaq mümkün deyil, lakin adi bir qaralama alqoritmi istifadə edərək seyrək bir histoqram yaradıla bilər. Buradakı əsas fikir işğal olunmuş zibil qutusunun miqdarının giriş görüntüsünün məkan həlli ilə bağlı olmasıdır. Məsələn,

seyrək bir histoqramda doldurulmuş qutuların miqdarına və ya ehtiyac duyulan hash düymələrinin miqdarına effektiv şəkildə yuxarı sərhəd verərək yalnız mümkün fərqli dəyərləri buraxır.

Hər doldurulmuş zibil üçün paralel koordinatların vizuallaşdırılmasında bir çox xətt çəkilir. Polilin gücü qeyri-şəffaflıq təyin edilərək idarə olunur

. zibil qutusu ilə təmsil olunan piksel sayı arasındakı əlaqə ilə müəyyən edilir,

və işlənmiş piksellərin ümumi sayı,

istifadəçi tərəfindən tənzimlənən bir amil haradadır və

loqaritmik bir funksiyadır. Logaritma daha az piksel olan qutuları vurğulayır. Fikir budur ki, hətta bir piksel də hiss olunmalıdır. Logaritma, nəticədə alfa dəyərlərinin dinamik aralığının 8 bitlik bir alfa kanalı ilə ağlabatan şəkildə təmsil olunmasını da təmin edir. Günümüzdə Gerbil bu məhdudiyyəti üzən nöqtəli çərçivə tamponuna çəkərək aradan qaldırır və istifadəçi xətti seçə bilər.

3.2.2. Zərifliklərin çəkilməsi

The newer design of Gerbil includes several measures to further enhance the visual quality and accuracy of the spectral distribution display. By dividing the feature space into a fixed number of equally spaced bins, the histogram applies a nonadaptive quantization of a spectral vector x. A possible strategy to reduce the introduced quantization error is to employ a binning that is adapted to the observed data. A straight-forward method is to perform a separate histogram equalization in each dimension , which enforces a uniform PDF of the mapped vector values

[37]. While it works well for big clusters of similar pixels, spectra that are sparsely represented in the image will suffer from such an operation. It may increase the average accuracy at a great expense in the precision of single pixel representations, which is not desirable.

We employ an alternative strategy by adjusting how a bin is drawn. Our method achieves an improved general accuracy without a significant expense in the accuracy for any single pixel. When drawing a bin, we draw the mean vector of its contents instead of its midrange values. This can be computed on the fly while adding new vectors, with a final normalization based on the already stored number of entries. Figure 3 shows an example of the visual quality gain. A broad description of the spectral distribution is already possible with a low .

Another hindrance in visual quality is the mutual obstruction of pixel representations. In many use-cases, pixels are color coded (see Section 3.3). This involves effectively drawing several distributions on top of each other. In highly populated intensity ranges this can lead to extensive occlusions. There exists work on clutter reduction in parallel coordinate plots that tackles this problem [38]. The key idea is to only render a randomly sampled subset of the data points. Instead, we significantly reduce clutter by drawing data in a randomly shuffled order, without dismissing any information.

3.2.3. Qiymətləndirmə

The error introduced by the histogram-based quantization can be measured by the average root mean squared error (RMSE) as well as the maximum absolute deviation (MAD), between original vectors

and their quantized counterparts

. This gives us the measure

where is the sample maximum.

The number of bins per dimension is a crucial parameter. It lets the user choose between drawing speed, viewing quality, and accuracy. Even a considerably low should provide acceptable accuracy, and the speed-up by lowering should be effective. We evaluate RMSE and MAD for both the previously published [6] and the newly proposed drawing methods on several datasets from different application domains. Table 1 provides statistics on the datasets. The CAVE dataset consists of objects in a laboratory settings, while Foster captured natural (outdoor) scenes. Indian Pines and D.C. Mall are widely used remote sensing images.

We use a desktop machine equipped with a quad-core Intel Core i7 CPU running at 2.80 GHz and a GeForce GTX 550 Ti consumer graphics card for testing the computational performance. We measure the time needed for drawing operations via GL _ TIMESTAMP and draw in WUXGA resolution.

In Figure 4 we plot running times against accuracy for varying . Bin Center describes the originally published drawing method, while Mean denotes our refined drawing method. We can observe that the average RMSE becomes negligible with higher for both methods. However, our method achieves low RMSE values for considerably lower settings of . Due to outliers present in some of the histogram bins, the MAD for the refined method is somewhat higher than the original MAD.

The time needed to build the histogram is denoted as binning and is not determined by . The time needed for preparing the geometry and loading it on the GPU (Loading) slowly grows with . In contrast, plays an important role for the time needed for the drawing operation (Drawing). For higher values, the time needed for drawing grows to multiples of the time needed for preparation. Hence the histogramming plays an important role in achieving interactivity.

In Table 2 the running times and accuracy measures for the refined drawing method are listed on all datasets except Indian Pines, where, due to the very low resolution of the image, running times are negligible. The times shown for preparation are the combined histogram building and geometry loading times. As in Figure 4, it is observed that a low can already achieve a small quantization error. Setting

is a reasonable compromise between speed and accuracy on the tested datasets. It provides an effective speed-up in comparison to a high histogram resolution without a perceivable loss in drawing accuracy.

It can be seen in Table 2 that on our test machine, even with a moderate setting, drawing the spectra from a large image may still take several seconds. Typically it is impractical to work on a high-resolution image without a region of interest. Yet, we alleviate longer drawing times by incrementally drawing the data (disabled in the benchmarking) in order to provide direct visual feedback in the form of a rough approximation of the full data (as pixels are drawn in a random order).

3.3. Interactive Inspection

An important aspect of today’s visualization approaches for multivariate data is interactive manipulation of the presentation. A single view most often cannot provide the full understanding that may be gained by a series of user-controlled depictions. User input is vital to parallel coordinates in particular. We provide several mechanisms for both transient (cursor highlights) and persistent (color labels) interactive viewing.

In the parallel coordinate plots, the user can dynamically highlight specific data points, that is, spectral vectors that represent pixels. These are displayed in yellow and with full opacity as an overlay over nonhighlighted spectra. We realize this in OpenGL with layered frame buffers. Updates to the highlight only need to redraw highlighted spectra. While the highlight constantly follows the keyboard and/or mouse input the corresponding pixels are instantly highlighted in the spatial view. While scrolling through the spectra, the topological view always reveals which pixels contribute to the highlighted spectra.

Two modes of operation exist for highlighting in the spectral distribution: single-band limited and multiband limited. The single-band limited highlight is formed by all spectral vectors falling into bins that share a specific intensity range in one band (see Figure 5(a)). The coarseness of this selection is therefore directly related to the binning parameter. The user selects the band and intensity range via mouse click or cursor keys. The multiband limited highlight provides a higher level of control in exchange for more detailed user input. Here, in each band, separate lower and upper intensity bounds can be set (see Figure 5(b)).

Another method of highlighting exists in the topological view. Here, the user can direct a cursor over individual pixels in the spatial view. In the corresponding viewports, the spectrum, and spectral gradient data of the pixel under the cursor are presented as a yellow overlay.

While highlights give instant feedback, they constantly change as the user investigates the data. It is often desired to keep a selection of pixels distinguished from the rest of the data, for example, for comparison purposes. We call this pixel set a label each pixel can be part of at most one label. A label can be seen as a permanent highlight. For each label, a distinct sparse histogram is created as described in Section 3.2.1. It is then drawn in the label color. When a histogram bin is part of the current transient highlight, the color is significantly shifted towards yellow.

When the user has selected pixels within the transient highlight, they may add this set of pixels to a label or delete their label association. By doing so, they can iteratively refine the labeling of the data to concentrate on specific details. Another way to alter the labeling is to use a “label” brush in the topological view or to use automated segmentation methods as discussed in Section 4. Labelings can also be stored for later use.

Labels are important because they serve as a memory in the connection between different representations of the multispectral image such as between a single band and the spectral distribution. A selection, or temporary highlight in one representation, is instantly propagated to the others. By labeling this highlight, it becomes permanent. The user can then continue his investigation within another representation, for example, the spectral gradient view, that may reveal new insights within this labeling. For example, a user may start by hand-labeling parts of a scene in the topological view. Then, they may restrict the spectral distribution view to this label. The parallel coordinates visualization could reveal a certain variance within the labeled pixels. By using selection tools inside this viewport, the user could separate parts of the pixels and assign them to a second label. The topological view instantly reveals which parts of the object contribute to which portion of the distinguished spectra. Next, the user may initialize a multiband limited highlight based on this second label. This reveals other regions in the scene that share spectral characteristics with the labeled pixels.

As a result, we facilitate a workflow of inspecting an image that is not possible with a traditional hyperspectral analysis framework. It is based on concurrent, concerted work with both topological and spectral views and allows a smooth and instantaneous switch in attention between them. Such a step-by-step exploration enables the user to quickly discover and grasp underlying information. In the visualization domain this procedure is considered a valuable tool for understanding complex data [39]. A narrated video demonstration of this workflow can be accessed at http://video.gerbilvis.org/.

4. Segmentation and Labeling

An interactive interface to the multispectral data is no replacement for automatic processing. In fact, the two approaches together form a powerful combination. Within our framework, it is easy to interpret and assess the results of algorithms used in automated analysis. These results can be a good starting point for further interactive analysis. Gerbil is equipped with two powerful methods that segment the data either according to spectral characteristics on a global level or based on topological relation and local similarity. In the latter case we bring supervised segmentation to the multispectral domain especially for the purpose of interactive inspection.

4.1. User-Guided Segmentation

Supervised segmentation incorporates user-provided prior knowledge. A user specifies a set of background and foreground pixels. All other pixels are then determined as belonging to either the background or the foreground. We make this concept a powerful tool within our interactive workflow.

The early version of Gerbil [6] included a rudimentary version of supervised segmentation. We have now adapted an existing algorithm family specifically to the multispectral domain [10].

4.1.1. Graph-Based Supervised Segmentation

In recent years, graph-based algorithms have dominated supervised segmentation on both grayscale and RGB images. In 2011, Couprie et al. introduced a framework for supervised segmentation that incorporates several key methods based on graph theory [40]. Onların power watersheds integrate graph cuts, random walker, and watersheds algorithms in a single mathematical framework.

For this algorithm family, the input consists of two sets of pixels, the foreground seeds

, as well as the pixel values , which are strictly used in a differential manner. The topological relation of pixels is reflected in a graph structure. Each pixel corresponds to a vertex

. A neighboring pixel with corresponding is connected to via an edge

of an edge is a function of the similarity between and . We compute an -element vector


Hyperspectral Image + Field Data - Geographic Information Systems

Imaging spectroscopy has been used in the laboratory by physicists and chemists for over 100 years for identification of materials and their composition. Spectroscopy can be used to detect individual absorption features due to specific chemical bonds in a solid, liquid, or gas. Recently, with advancing technology, imaging spectroscopy has begun to focus on the Earth. The concept of hyperspectral remote sensing began in the mid-80's and to this point has been used most widely by geologists for the mapping of minerals. Actual detection of materials is dependent on the spectral coverage, spectral resolution, and signal-to-noise of the spectrometer, the abundance of the material and the strength of absorption features for that material in the wavelength region measured.

Hyperspectral remote sensing combines imaging and spectroscopy in a single system which often includes large data sets and require new processing methods. Hyperspectral data sets are generally composed of about 100 to 200 spectral bands of relatively narrow bandwidths (5-10 nm), whereas, multispectral data sets are usually composed of about 5 to 10 bands of relatively large bandwidths (70-400 nm).

Hyperspectral imagery is typically collected (and represented) as a data cube with spatial information collected in the X-Y plane, and spectral information represented in the Z-direction.


Use of Airborne Hyperspectral Imagery to Map Soil Properties in Tilled Agricultural Fields

) were analyzed for carbon content, particle size distribution, and 15 agronomically important elements (Mehlich-III extraction). When partial least squares (PLS) regression of imagery-derived reflectance spectra was used to predict analyte concentrations, 13 of the 19 analytes were predicted with

, including carbon (0.65), aluminum (0.76), iron (0.75), and silt content (0.79). Comparison of 15 spectral math preprocessing treatments showed that a simple first derivative worked well for nearly all analytes. The resulting PLS factors were exported as a vector of coefficients and used to calculate predicted maps of soil properties for each field. Image smoothing with a

low-pass filter prior to spectral data extraction improved prediction accuracy. The resulting raster maps showed variation associated with topographic factors, indicating the effect of soil redistribution and moisture regime on in-field spatial variability. High-resolution maps of soil analyte concentrations can be used to improve precision environmental management of farmlands.

1. Giriş

Spatial assessment of soil properties is important for understanding the dynamics of agricultural ecosystems. Site specific data can provide information that is critical to maintaining healthy soils and adequate nutrient supply for crop production, preventing losses of nutrients and sediments to the environment, and evaluating the transfer of elements such as carbon between land and atmosphere. Research has demonstrated that soil properties such as carbon content are correlated with field topography, soil texture, electrical conductivity, and soil reflectance [1–4]. A study by Venteris et al. [5] documented accumulation of carbon in low areas of fields following soil translocation from higher areas, with resulting carbon loss and soil degradation in elevated areas, and Thompson et al. [6] used soil-landscape modeling techniques to evaluate topographic distribution of soil texture and carbon content. These geographic approaches accounted for 28% to 68% of variation in measured carbon and demonstrated the complexity of environmental and management practices that affect soil characteristics. Recent research into soil health and sustainable cropping systems has demonstrated the potential of improved systems management based on knowledge of distributed soil properties [7]. Contemporary farm management relies on moderate resolution soil maps derived from photo and topographic interpretation. Accurate mapping of soil properties is made difficult due to high spatial variability observed within agricultural fields, errors in spatial assessment of soil properties can result from inadequate or biased sampling of the landscape, and the high cost associated with collecting and analyzing soil samples often limits the amount information available to farmers and land managers. However, advances in remote sensing technology are now providing tools to support geospatial mapping of soil properties, with applications in agricultural and environmental management.

Diffuse reflectance spectroscopy offers a rapid and nondestructive means for measurement of soil properties based on the reflectance spectra of illuminated soil [8–10]. A growing body of literature supports the use of spectral reflectance to determine soil properties, mostly using laboratory instrumentation to measure soil reflectance in the visible (400–700 nm) near infrared (700–2500 nm) and mid-infrared (2500–25,000 nm) wavelengths. Partial least squares (PLS) regression has emerged as a successful chemometric method for extracting predictive information from spectral reflectance datasets [10–12]. The PLS method, characterizes high leverage orthogonal factors within observed spectral variance and matches them to similar factors that describe observed variance within measurements of a corresponding dependant variable. It has been successfully used to predict the results of soil laboratory analysis for carbon content [13, 14], particle size distribution [13, 15, 16] and elemental nutrient content [14, 17, 18], with results sometimes approaching the analytical accuracy of laboratory tests [12, 19]. A review of 44 studies [20] documented associated with prediction of soil carbon that ranged from 0.45 to 0.98, with a median of 0.86. Prediction accuracy depends on the signal : noise associated with the spectral data, and, like most analytical calibrations, is also highly influenced by the distribution of values in the measured dataset. The PLS-derived predictive equations, like most analytical calibrations, are most effective when the unknowns fall with the range of observations used to create the predictive equation, and the best success is obtained when an adequate number of locally obtained samples are included in the calibration data set [12, 21].

Advances in sensor technology have enabled satellite and airborne collection of hyperspectral imagery, allowing the acquisition of spectrally detailed geospatial reflectance data at field and landscape scales. By combining PLS regression of soil properties with reflectance data derived from airborne imagery, high-resolution maps of soil properties can be developed, thus overcoming the inaccuracies associated with geospatial interpolation of soil test data. Reports in the literature, for example, [16, 19, 22], indicate great potential for remote sensing approaches to map surface soil properties. However, additional research is needed to optimize data analysis procedures and improve prediction ability [19]. Separation of signal from noise is an important part of spectral data processing. Geometric and atmospheric adjustments are first required to derive a geospatially representative map of soil reflectance spectra. The imagery can then be smoothed spatially by averaging adjacent pixels, for example using a low-pass filter. This can reduce the noise that results from random signal variability within the detector array while increasing the signal associated with number of observations. It is also common to smooth the spectra in various ways, often by averaging adjacent wavebands or by calculation of first and second derivatives. Numerous math pretreatments have been evaluated for application of PLS to spectral reflectance data obtained from agricultural soils [8, 14, 23, 24].

In this paper, we have three objectives: (1) to evaluate 30 combinations of spectral math pretreatments and imagery smoothing techniques to identify most effective methods of preparing remote sensing data for partial least squares (PLS) analysis of soil properties (2) to develop and validate PLS predictions of soil concentrations for 19 laboratory analytes based on data extracted from airborne hyperspectral imagery and (3) to export resulting PLS vectors to geospatial imagery processing software and calculate high-resolution raster maps of predicted soil characteristics. Six recently tilled agricultural fields were intensively sampled to provide the calibration data set.

2. Materials and Methods

2.1. Field Sampling

On 10 April, 2007, we collected 315 soil samples from six fields (Figure 1) located on working grain farms on the Eastern Shore of the Chesapeake Bay (Delmarva Peninsula, near Easton, MD). Each of the fields (Temple 1S, 7.3 ha Temple 1N, 7.1 ha Temple 2, 8.9 ha Temple 3, 18.1 ha Mason, 14.6 ha Schrader 9.8 ha) was chosen to provide uniform, smooth, bare-soil conditions, had been recently tilled (moldboard plow, field cultivator, and disk), and had little to no vegetation or plant residue. Soil conditions were moderately dry at the time of sampling, with six days of warm spring weather since the previous substantial rainfall (25 mm on 04 April, 2007). All fields were relatively flat (0% to 5% slope). Soil types included moderately well-drained silt loams (Pineyneck PiA, Mattapex-Butlertown MtA), poorly drained silt loams (Othello Ot), and well-drained sandy loams (Indleside IgB). Although the majority of Eastern Shore farms are managed using no-till practices, the tilled fields were otherwise typical of regional cash grain crop management strategies.


(a)
(b)
(c)
(d)

Hyperspectral Image + Field Data - Geographic Information Systems

Verilənlər bazalarından seçilmiş məzmunun maşın tərcüməsini istəmisiniz. Bu funksionallıq yalnız sizin rahatlığınız üçün təmin edilir və heç bir şəkildə insan tərcüməsini əvəz etmək üçün nəzərdə tutulmayıb. Nə SPIE, nə də məzmunun sahibləri və yayımçıları açıq şəkildə və ya hər hansı bir ifadə və ya zəmanətdən, o cümlədən tərcümə xüsusiyyətinin funksionallığı və ya düzgünlüyü və ya tamlığı barədə açıqlama və zəmanətlər daxil olmaqla açıq şəkildə rədd edirlər. tərcümələr.

Tərcümələr sistemimizdə saxlanılmır. Bu xüsusiyyətdən və tərcümələrdən istifadəniz SPIE veb saytının İstifadə Qaydaları və Şərtlərindəki bütün istifadə məhdudiyyətlərinə tabedir.

Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification

Chunju Zhang, 1 Guandong Li, 1 Shihong Du, 2 Wuzhou Tan, 3 Fei Gao 1

1 Hefei Univ. of Technology (China)
2 Institute of Remote Sensing and Geographical Information Systems, Peking Univ. (China)
3 Anhui Bureau of Surveying and Mapping (China)

Rəqəmsal kitabxanaya abunə olun

1 illik abunə başına 50 yükləmə

1 illik abunə başına 25 yükləmə

Mövcud olduqda PDF, HTML və Video daxildir

Hyperspectral remote sensing images (HSIs) are rich in spatial and spectral information, thus they help to enhance the ability to distinguish geographic objects. In recent years, great progress have been made in image classification using deep learning (such as 2D-CNN and 3D-CNN). Compared with traditional machine learning methods, deep learning methods can automatically extract the abstract features from low to high levels and convert the images into more easily recognizable features. Most HSI classification tasks focus on spectral information but often ignore the rich spatial structures in HSIs, leading to a low classification accuracy. Moreover, most supervised learning methods use shallow structures in HSI classifications and hence exhibit weak performance in finding sparse geographic objects. We proposed to use the three-dimensional (3-D) structure to extract spectral–spatial information to build a deep neural network for HSI classifications. Based on DenseNet, the 3D densely connected convolutional network was improved to learn spectral-spatial features of HSIs. The densely connected structure can enhance feature transmission, support feature reuse, improve information flow in the network, and make deeper networks easier to train. The 3D-DenseNet has a deeper structure than 3D-CNN, thus it can learn more robust spectral–spatial features from HSIs. In fact, the deeper network structure has a regularized effect, which can effectively reduce overfitting on small sample datasets. The network uses HSIs instead of feature engineering as input data and is trained in an end-to-end manner. The experimental results of this model on the Indian Pines datasets and the Pavia University datasets show that deeper neural networks further improve the classification of complex objects, especially in the areas where geographic objects are sparse. It effectively improves the classification accuracy of HSIs.

© 2019 Society of Photo-Optical Instrumentation Engineers (SPIE) 1931-3195/2019/$25.00 © 2019 SPIE

Chunju Zhang , Guandong Li , Shihong Du , Wuzhou Tan , and Fei Gao "Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification," Journal of Applied Remote Sensing 13(1), 016519 (23 February 2019). https://doi.org/10.1117/1.JRS.13.016519

Received: 12 July 2018 Accepted: 22 December 2018 Published: 23 February 2019


Videoya baxın: نسخ بيانات احد الحقول (Oktyabr 2021).