ИСТИНА

Основная область применения различных классификаторов (вычислительных процедур) – автоматизация распознавания природно-техногенных объектов по их текстурным и спектральным признакам. Обосновывается выбор оптимальных признаков при распознавании объектов. Акцент делается на распознавание лесных объектов разного породного состава и возраста (Козодеров и др., 2015; Kozoderov, Dmitriev, 2016). Оптимизация по текстурным признакам сводится к нахождению соседства элементов разрешения (пикселей) первого, второго и более высокого порядков. Оптимизация по спектральным признакам способствует объединению соседних каналов без существенного уменьшения точности распознавания таких объектов. В докладе показаны основные направления сравнения разных классификаторов при обработке самолетных гиперспектральных изображений. Показаны примеры применения разных модификаций байесовского классификатора и метода опорных векторов (МОВ). Приведены примеры сравнения этих классификаторов и метрического классификатора, основанного на нахождении минимума евклидова расстояния между отдельными точками и множествами многомерного признакового пространства. Сравнение проведено также с методом «К взвешенных соседей», близким с непараметрическим байесовским классификатором. Демонстрируются информационные меры сходства этих классификаторов. Наихудшим при сравнении полученных результатов с данными наземной лесотаксации для обрабатываемых сцен оказался метрический классификатор. Наилучшим является байесовский классификатор на основе гауссовских смесей регистрируемых спектральных данных. МОВ и метод K взвешенных соседей имеют несколько большие, но соизмеримые ошибки. Можно заключить, что из рассмотренных выше методов, метод K взвешенных соседей имеет точность, соизмеримую с точностью нелинейных оптимальных классификаторов и может наравне с ними использоваться для решаемых прикладных задач распознавания лесного покрова разного породного состава и возраста.