Informatīvo spektra joslu zvēle hperspektrālo attēlu klasfkācja Mg.math. Jurs Sņca Sņavsks Dr.habl.math. Avars Lorencs Dr.sc.comp. Ints Medneks VPP projekta Nr.4 "GUDPILS" semnārs par 2. etapa rezultātem 16.03.2016.
Saturs Ievads kas r hperspektrāle attēl? Problēma datu apjoms Hperspektrālas Indan Pnes attēls Pedāvātā peeja - spektrālo joslu zvēles procedūra - procedūras papldnājums klasfkācja ar dvem klasfkatorem (Bejesa un SVM) Jurs Sņca Sņavsks EDI, VPP projekta Nr.4 "GUDPILS«semnārs, 16.03.2016. 2
Ūdens tlpne Hperspektrāle attēl Hperspektrālas sensors Lauksamenecības zeme Hperspektrālas sensors elektromagnētskās enerģjas sensors ar kura palīdzību egūst datus jeb attēlus par notektu apgabalu redzamās, tuvās nfrasarkanās, termālās spektra joslās (ļot daudzās, pēc attāluma tuvos elektromagnētsko vļņu garumos) ar skatu varāk nekā 30. Mež Mājas Ceļš 3
Hperspektrāle attēl un problēma Daudzdmensonālo datu apjoms etekmē datu apstrādes ātrdarbību, pārsūtīšanu un glabāšanu Hjūza (Hough) fenomens Peaugot dmensju skatam, kategorju klasfkācjas precztāte krītas un svārstās, ko sauc par dmensjas lāstu (Curse of dmensonalty, Rchard E. Bellman, 1920). 4
Informatīvās spektrālās joslas Kā zvēlētes nformatīvo spektrālo joslu komplektu, ko tālāk zmantot klasfkācjas uzdevumam? Vdējās vērtības pkseļem 220 spektrālās joslās hperspektrālā attēla vzualzācja, zvēlotes zlās joslas kanālu 26, zaļās joslas kanālu 68 un sarkanās joslas kanālu 121 5
Informatīvās spektrālās joslas Kā zvēlētes nformatīvo spektrālo joslu komplektu, ko tālāk zmantot klasfkācjas uzdevumam? Vdējās vērtības pkseļem 220 spektrālās joslās hperspektrālā attēla vzualzācja, zvēlotes zlās joslas kanālu 46, zaļās joslas kanālu 90 un sarkanās joslas kanālu 175 6
Indan Pnes hperspektrālas attēls Hperspektrālā attēla vzualzācja, B = 40, G = 30, R = 20 Znām K=16 kategorju pkseļu zvetojum Jurs Sņca Sņavsks EDI, VPP projekta Nr.4 "GUDPILS«semnārs, 16.03.2016. 7
Indan Pnes hperspektrālas attēls Sensora AVIRIS dat Indan Pnes Zemas zšķrtspējas hperspektrālas attēls egūts Indan Pnes apvdū zemeļretumos Indanas štatā (ASV) 1992. gadā veģetācjas perodā, kurā r jaukta lauksamnecības un mežu tertorja. Hperspektrālā attēla zmērs r 145 x 145 pkseļ, 220 spektrālās joslas 0.4-2.5 μm vļņu garumos. Spektrālā zšķrtspēja 10 nm Telpskā zšķrtspēja 20 m Radometrskā zšķrtspēja r 16 bt Jurs Sņca Sņavsks EDI, VPP projekta Nr.4 "GUDPILS«semnārs, 16.03.2016. 8
Joslu zvēles procedūra Peņēmum patvaļīgs pksels, kur a j r j-tās joslas starojuma ntenstātes vērtības mērskatls. Gadījumlelumam X j (katras spektrālās joslas ntenstātes vērtību kopumam) teš j- taja josla eksstē galīga vdējā vērtība EX un galīga dspersja j DX j Defnīcja H X f xlog f xdx r -tās joslas entropja, kur sadalījuma blīvumfunkcja. Informatīvu joslu komplektu zvēles procedūra ( pe fksēta skata k, k << N ) 1. Joslu 1 defnējam kā joslu ar vslelāko entropjas vērtību; gadījumleluma 2. Vsām joslām 1 aprēķnām cov X, X un atrodam joslu, kura r vslelākā vērtība attecība komplektā; p a1, a2,..., a N H X cov X, X 1 T 1 j j x ; šo joslas ndeksu defnējam kā 2, kuru ekļaujam f
Joslu zvēles procedūra Informatīvu joslu komplektu zvēles procedūra ( pe fksēta skata k, k << N ) 3. Aprēķnām cov X, X vsem 2 un 1 ; joslu 3 defnējam kā joslu ar vslelāko 2 H X H X vērtību summa ; cov X, X cov X, X 4. Ja prmās ⱱ joslas 1, 2,, ⱱ zvēlētas, bet ⱱ < k, tad ⱱ +1 joslu defnējam kā joslu, pe kura dabūjam vslelāko vērtību summa 1 2 H X H X H X... cov, cov, cov, X X X 1 X X 2 X.
Problēma Joslu zvēles procedūru neļauj efektīv vekt ūdens absorbcjas un trokšņanās spektra joslas. Rsnājums Ūdens absorbcjas joslas tek zdzēstas, saskaņā ar Feng un līdzautoru darbu publkācjā [1]. Joslu nr. Trokšņanās spektra joslas zdzēšam. Joslu nr. Joslu zvēles procedūra 104 105 106 107 108 150 151 152 153 154 155 156 157 158 159 160 161 162 163 220 Korelâcjas koefcent starp blakus pkseļem attēlā pa X un 1 2 3 36 37 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 103 104 105 144 145 199 200 pa Y as katrā hperspektrāla attēla joslā, to mnmum mazāk par sleksn 0,82, defnē trokšņanās joslas. : 1. Feng J., Jao L. C., Zhang X., and Sun T., Hyperspectral Band Selecton Based on Trvarate Mutual Informaton and Clonal Selecton, IEEE Trans. Geosc. Remote Sens., vol. 52, no. 7, pp. 4092 4105, 2014.
Problēma Joslu zvēles procedūru neļauj efektīv vekt ūdens absorbcjas un trokšņanās spektra joslas. Rsnājums Ūdens absorbcjas joslas tek zdzēstas, saskaņā ar Feng un līdzautoru darbu publkācjā [1]. Joslu nr. Trokšņanās spektra joslas zdzēšam. Joslu nr. Papldnājum procedūra -tās joslas pksels tek standartzēts pēc formulas. Sākot ar joslu procedūras 3. sol, katra nākamā josla tek pevenota komplektam ar nosacījumu, ja pkseļu šīs joslas korelācja ar eprekš notektajām joslām absolūtā vērtība nepārsnedz sleksn 0,98. Šāds papldnājums procedūra nepecešams, la neekļautu varākas blakusjoslas komplektā. Pemēram, 15 joslas bez nosacījuma: Joslu zvēles procedūra 104 105 106 107 108 150 151 152 153 154 155 156 157 158 159 160 161 162 163 220 Korelâcjas koefcent starp blakus pkseļem attēlā pa X un 1 2 3 36 37 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 103 104 105 144 145 199 200 pa Y as katrā hperspektrāla attēla joslā, to mnmum mazāk par sleksn 0,82, defnē trokšņanās joslas. 15 joslas ar nosacījumu: 4 5 6 15 30 34 35 38 47 58 62 101 112 135 179 1. Feng J., Jao L. C., Zhang X., and Sun T., Hyperspectral Band Selecton Based on Trvarate Mutual Informaton and Clonal Selecton, IEEE Trans. Geosc. Remote Sens., vol. 52, no. 7, pp. 4092 4105, 2014. X 35 58 60 61 62 64 65 66 67 68 74 75 76 101 102
Joslu zvēles procedūras lustrācja X
Joslu zvēles procedūras lustrācja corr(x 1,X max,) =0,998 corr(x 2,X 3 ) =0,056
Joslu zvēles procedūras lustrācja
Joslu zvēles procedūras lustrācja
Joslu zvēles procedūras lustrācja
Rezultāt ar Bejesa tpa un SVM klasfkatorem, k=15 Joslu komplekts joslas sakārtotas augošā secībā Bejesa tpa klasfkācjas rezultāt Kopējā precztāte (OA) un precztāte pa kategorjām (UA), 20% apmācība OA = 0,79 70% apmācība OA = 0,81 20% apmācība OA = 0,71 70% apmācība OA = 0,79 62 35 38 101 58 47 34 15 4 6 5 135 30 179 112 4 5 6 15 30 34 35 38 47 58 62 101 112 135 179 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA NaN 0,77 0,72 0,81 0,90 0,95 NaN 0,99 NaN 0,76 0,65 0,88 0,85 0,95 0,67 0,60 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA 0,93 0,79 0,75 0,90 0,91 0,95 0,85 0,98 0,80 0,83 0,60 0,91 0,99 0,97 0,69 0,99 SVM klasfkācjas rezultāt K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA 0,85 0,90 0,71 0,32 0,95 0,98 0,88 0,93 0,05 0,75 0,49 0,31 0,94 0,93 0,31 0,95 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA 0,96 0,92 0,84 0,45 0,97 0,98 0,85 0,93 0,60 0,81 0,60 0,49 0,99 0,96 0,41 0,88 SVM klasfkācjas rezultāt ar publkācjā [2] doto joslu komplektu OA =0,69 2. Sun K., Geng X., J L., and Lu Y., A New Band Selecton Method for Hyperspectral Image Based on Data Qualty, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 7, no. 6, pp. 2697 2703, Jun. 2014.
Rezultāt ar Bejesa tpa un SVM klasfkatorem, k=20 Joslu komplekts joslas sakārtotas augošā secībā Bejesa tpa klasfkācjas rezultāt Kopējā precztāte (OA) un precztāte pa kategorjām (UA), 20% apmācība OA = 0,79 70% apmācība OA = 0,82 62 35 38 101 58 47 34 15 4 6 5 135 30 179 112 111 165 217 216 215 4 5 6 15 30 34 35 38 47 58 62 101 111 112 135 165 179 215 216 217 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA NaN 0,773 0,728 0,718 0,893 0,953 NaN 0,99 NaN 0,749 0,673 0,852 0,759 0,953 0,655 NaN K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA 0,87 0,81 0,76 0,91 0,91 0,95 NaN 0,99 NaN 0,84 0,63 0,93 0,99 0,96 0,71 0,98 SVM klasfkācjas rezultāt 20% apmācība OA = 0,74 70% apmācība OA = 0,82 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA 0,65 0,89 0,75 0,35 0,93 0,98 0,73 0,94 0,15 0,76 0,56 0,38 0,93 0,95 0,35 0,97 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12 K13 K14 K15 K16 UA 0,98 0,94 0,87 0,47 0,97 0,99 0,92 0,96 0,90 0,83 0,65 0,57 0,99 0,97 0,51 0,92
Rezultāt ar Bejesa tpa un SVM klasfkatorem Mūsu peeja ar SVM OA=0,71 K.Sun SVM OA=0,69
Paldes par uzmanību! 25