Аннотация:Гиперспектральные данные дистанционного зондирования имеют большой потенциал для решения научных и производственных задач, связанных с мониторингом природных процессов. Разделение спектра на множество узких каналов позволяет исследовать характеристики объектов, недоступные при панхроматической и многозональной съемке. В то же время, объем получаемых данных чрезвычайно велик, что вызывает трудности при классификации и дешифрировании.
Целью настоящего исследования является изучение возможностей дешифрирования гиперспектральных данных дистанционного зондирования с помощью моделей машинного обучения на примере генеративных состязательных сетей.
Для достижения цели потребовалось решить следующие задачи:
1. Ознакомиться с особенностями гиперспектральных данных и проанализировать опыт их дешифрирования с использованием методов машинного обучения.
2. Изучить принципы функционирования моделей машинного обучениея — генеративных состязательных сетей (GAN), сверточных нейронных сетей (CNN) и их расширений. Изучить принципы использования матриц совместной встречаемости уровней серого при распознавании текстур на изображений.
3. Предложить методику дешифрирования гиперспектральных данных с применением генеративных состязательных сетей. Выбрать критерии оценки качества классификации.
4. Освоить библиотеки машинного обучения для языка программирования Python.
5. Выбрать два набора гиперспектарльных данных с эталонами среди имеющихся в открытом доступе
6. Выполнить обучение GAN-моделей на примере выбранных наборов гиперспектральных данных, осуществить с их применением классификацию исходных изображений и оценку качества полученных результатов.
7. Провести эксперимент по деширированию тестовых набороы данных, объединив пространственные текстуры, извлеченные в матрицы совместной встречаемости оттенков серого, с характеристиками, извлеченными посредством генеративных состязательных сетей.
В качестве исходных данных были выбраны гиперспектральные снимки Indian Pines и Pavia University. Предварительная обработка данных, обучение моделей, классификация, визуализация и оценка полученных результатов выполнены на языке программирования Python.