А.А. Гурченков, А.Б. Мурынин, А.Н. Трекин
142
ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки. 2017. № 3
Заключение.
Разработан метод объектно-ориентированной классификации
космических изображений поверхности Земли, который сочетает в себе воз-
можности кластеризации, качественно выделяющей связные объекты на изоб-
ражении, и классификации с обучением, позволяющей относить выделенные
объекты к заранее заданным классам.
Работоспособность метода проверена на космических изображениях со
спутника
Landsat 8
, приведены результаты двух вариантов метода в сравнении с
поточечной классификацией. В то время как текущие результаты требуют даль-
нейшего исследования и совершенствования, метод дает широкие возможности
по улучшению результатов путем замены или улучшения алгоритмов кластери-
зации и классификации, каждый из которых можно развивать независимо.
ЛИТЕРАТУРА
1.
Бондур В.Г., Воробьев В.Е.
Космический мониторинг импактных районов Арктики // Ис-
следование Земли из космоса. 2015. № 4. С. 3–24. DOI: 10.7868/S0205961415040028
2.
Бондур В.Г.
Современные подходы к обработке больших потоков гиперспектральной и
многоспектральной аэрокосмической информации // Исследование Земли из космоса. 2014.
№ 1. С. 4–16. DOI: 10.7868/S0205961414010035
3.
Бондур В.Г.
Космический мониторинг природных пожаров в России в условиях аномаль-
ной жары 2010 г. // Исследование Земли из космоса. 2011. № 3. C. 3–13.
4.
Бондур В.Г.
Аэрокосмические методы и технологии мониторинга нефтегазоносных тер-
риторий и объектов нефтегазового комплекса // Исследование Земли из космоса. 2010.
№ 6. С. 3–17.
5.
Бондур В.Г., Гапонова М.В., Мурынин А.Б., Трекин А.Н.
Модуль О обучения классифи-
каторов для космических снимков низкого и высокого разрешения. Свидельство о государ-
ственной регистрации программы для ЭВМ № 2013614299. Дата государственной реги-
страции в Реестре программ для ЭВМ 29 апреля 2013 г.
6.
Игнатьев В.Ю., Мурынин А.Б., Трекин А.Н
. Метод объектно-ориентированной клас-
сификации космических изображений для мониторинга импактных районов // Открытия и
достижения науки: Сборник материалов международной научной конференции. 2015.
С. 176–186.
7.
Blaschke T., Johansen K., Tiede D
. Object-based image analysis for vegetation mapping and
monitoring / Weng Q., ed. Advances in Environmental Remote Sensing: Sensors, Algorithms, and
Applications. CRC Press, 2011. P. 241–272. DOI: 10.1201/b10599-13
URL:
http://www.crcnetbase.com/doi/abs/10.1201/b10599-138.
Rougier S., Puissant A., Stumpf A., Lachiche N.
Comparison of sampling strategies for object-
based classification of urban vegetation from very high resolution satellite images // International
Journal of Applied Earth Observation and Geoinformation. 2016. Vol. 51. P. 60–73.
9.
Vahidi H., Monabbati E.
Contextual image classification approach for monitoring of agricultural
land cover by support vector machines and Markov random fields // International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences. 2013. Vol. XL-1/W3 / SMPR
2013, 5–8 October 2013, Tehran, Iran.
10.
Burnett C., Dlaschke T
. A multi-scale segmentation/object relationship modelling methodology
for landscape analysis // Ecological Modelling. 2003. Vol. 168. No. 3. P. 233–249.