hydrophysicsФундаментальная и прикладная гидрофизикаFundamental and Applied Hydrophysics2073-66732782-5221St. Petersburg Research Center of the Russian Academy of Scienceshydrophysics-800Research ArticleГИДРООПТИКАHYDROOPTICSОптимизация числа спектральных каналов в задачах обработки и анализа гиперспектральных данных дистанционного зондирования мирового океанаOptimizing of the Number of Spectral Channels in Problems of Processing and Analysis of Hyperspectral Remote Sensing of the Ocean DataМальцевГ. Н.MaltsevG. N.

Санкт-Петербург

Saint-Petersburg

georgy_maltsev@mail.ruКозиновИ. А.KozinovI. A.

Санкт-Петербург

Saint-Petersburg

Военно-космическая академия им. А. Ф. МожайскогоРоссияA. F. Mozhaiskiy Military Space AcademyRussian Federation2015161120228492100Copyright © Мальцев Г.Н., Козинов И.А., 20222022Мальцев Г.Н., Козинов И.А.Maltsev G.N., Kozinov I.A.This work is licensed under a Creative Commons Attribution 4.0 License.https://hydrophysics.spbrc.ru/jour/article/view/800

Для решения многих задач мониторинга Мирового океана число спектральных каналов современных многоспектральных и гиперспектральных оптико-электронных систем дистанционного зондирования избыточно и требует минимизации. Целью такой оптимизации является формирование выборки снимков, полученных в различных наиболее информативных спектральных каналах, которая при размерности, существенно более низкой, чем число каналов гиперспектральной системы, обеспечивает решение задачи тематической обработки. Математически задача выбора наиболее информативных спектральных каналов гиперспектральной съемки для пикселя гиперспектрального датчика сформулирована как задача обнаружения координат изменения свойств зарегистрированного или эталонного дискретного спектрального образа, описываемого совокупностью спектральных составляющих. Совокупность составляющих дискретного спектрального образа в области анализа рассматривается как последовательность независимых случайных гауссовских величин с дисперсией и кусочно-постоянным средним, которое скачкообразно изменяется при переходе от одной дискретной координаты к другой. Представлен алгоритм решения поставленной задачи с использованием методов статистического оценивания в виде решающей статистики для обнаружения и оценки максимального правдоподобия координаты (спектрального канала) изменения свойств (скачков) анализируемого процесса. Последовательное применение данного алгоритма к выборке значений спектральных составляющих позволяет определить номера наиболее информативных спектральных каналов. Рассмотрен вопрос выбора (настройки) параметров синтезированного алгоритма выбора наиболее информативных спектральных каналов. Основными настраиваемыми параметрами являются величина порога и размер скользящего окна. В соответствии с рассмотренным алгоритмом, программно реализованным в среде программирования MatLab, приведен пример выбора наиболее информативных спектральных каналов для спектрального образа полученного из пикселя гиперспектрального изображения прибрежной территории поросшей водорослями.

The number of modern channels of multispectral and hyperspectral modern optoelectronic systems for remote sensing is redundant for many tasks of the ocean monitoring and requires minimization. The aim of this optimization is a creation of a selection of images obtained from different most informative spectral channels. The selection in dimension is significantly lower than the number of channels of hyperspectral system and provides a solution to the problem of thematic processing. Mathematically, the problem of choosing the most informative spectral channels of hyperspectral survey for pixel of sensor is formulated as the problem of detecting changes in the properties of the registered coordinates or reference discrete spectral image described by a set of spectral components. Set of discrete spectral image components in the analysis is considered as a sequence of independent random Gaussian variables with variance and piecewise constant mean, which abruptly changes from one discrete location to another. The algorithm for solving this problem using methods of statistical estimation as a crucial statistic for detection and maximum likelihood estimation coordinates (spectral channel) changes in the properties of the analyzed process is shown. The consistent application of the algorithm to the sample values of the spectral components allows determination of numbers of the most informative spectral channels. The task of the configuration parameters of the synthesized algorithm to select the most informative spectral channels is considered. The basic parameters are the adjustable threshold value and the size of the sliding window. In accordance with the considered algorithms, implemented in MathLab software programming environment, an example of selecting the most informative spectral channels for spectral image obtained from hyperspectral image pixel of coastal area overgrown with algae is presented.

мониторинг Мирового океанадистанционное зондированиеобработка гиперспектральных снимковспектральный каналmonitoring of the Oceansremote sensingprocessing hyperspectral imageryspectral channelReferencesКозинцев В. И., Орлов В. М., Белов М. Л. Оптико-электронные системы экологического мониторинга природной среды. М.: МГТУ имени Н. Э. Баумана, 2002. 528 с.Kozintsev V. I., Orlov V. M., Belov M. L. Optoelectronic Systems for Environmental Monitoring of the Environment. Moskva, MGTU, 2002. 528 p. (in Russian).Еремеев В. А., Мордвинцев И. Н., Платонов Н. Г. Современные гиперспектральные сенсоры и методы обработки гиперспектральных данных // Исследование Земли из космоса. 2003. № 6. С. 80—90.Eremeyev V. A., Mordvintsev I. N., Platonov N. G. Modern Hyperspectral Sensors and Processing Methods of Hyperspectral Data. The Study of the Earth From Space. 2003, 6, 80—90 (in Russian).Рябова Н. В., Еськов Д. Н., Данилкин А. П. Малые искусственные спутники с оптико-электронной аппаратурой в программах дистанционного зондирования Земли // Оптический журнал. 1996. № 1. С. 4—19.Ryabova N. V., Eskov D. N., Danilkin A. P. Small satellites with optical-electronic equipment in remote sensing programs. Journal of Optical Technology. 1996, 1, 4—19 (in Russian).Мальцев Г. Н., Козинов И. А., Данилкин А. П. Космические системы и технологии многоспектрального дистанционного зондирования Земли // Информация и космос. 2010. № 1. С. 148—158.Maltsev G. N., Kozinov I. A., Danilkin A. P. Space Systems and Technology of Multispectral Remote Sensing of the Earth. Information and Space. 2010, 1, 148—158 (in Russian).Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010. 560 с.Showengerdt R. A. Remote Sensing. Models and Methods for Image Processing. Burlington, Elsever INC, 2007. 560 p. (in Russian).Бондур В. Г. Аэрокосмические методы в современной океанологии // Новые идеи в океанологии. Т. 1. Физика. Химия. Биология. М.: Наука, 2004. С. 55—117.Bondur V. G. Aerospace Methods in Modern Oceanology. New ideas in oceanography. V. 1. Physics. Chemistry. Biology. Moskva, Nauka, 2004, 55—117 (in Russian).Bondur V. G. Complex Satellite Monitoring of Coastal Water Areas // Proc. of 31 Int. Symp. on Remote Sensing of Environment. St.-Petersburg. 2005. P. 32—35.Bondur V. G. Complex Satellite Monitoring of Coastal Water Areas. Proc. of 31 Int. Symp. on Remote Sensing of Environment. St.-Petersburg, 2005, 32—35.Grace Chang et al. The new age of hyperspectral oceanography // Oceanography. 2004. P. 22—29.Grace Chang et al. The new age of hyperspectral oceanography. Oceanography. 2004, 22—29.Тарасов В. В., Якушенков Ю. Г. Многоспектральные оптико-электронные системы // Специальная техника. 2002. № 4. С. 56—62.Tarasov V. V., Yakushenkov Y. G. Multispectral Optoelectronic Systems. Special Equipment. 2002, 4, 56—62 (in Russian).Дейвис Ш. М. и др. Дистанционное зондирование: количественный подход. М.: Недра, 1983. 415 с.Davis Sh.M. et al. Remote Sensing: the Quantitative Approach. Moskva, Nedra, 1983. 415 p. (in Russian).Мальцев Г. Н., Козинов И. А., Фатеев В. Ф. Методы выбора наиболее информативных спектральных каналов при дис- танционном зондировании Земли с малых космических аппаратов // Известия вузов. Приборостроение. 2007. № 6. С. 23—31.Maltsev G. N., Kozinov I. A., Fateev V. F. Methods for Selecting the Most Informative Spectral Channels for Remote Sensing of the Earth With Small Spacecraft. Proceedings of the universities. Instrument. 2007, 6, 23—31 (in Russian).Жиглявский А. А., Красковский А. Е. Обнаружение разладки случайных процессов в задачах радиотехники. Л.: ЛГУ, 1988. 224 с.Zhigliavskii A.A., Kraskovskii A. E. Detection of the Change-Point in Random Processes in Problems of Radio Engineering. Leningrad, LGU, 1988. 224 p. (in Russian).Никифоров И. В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983. 200 с.Nikiforov I. V. Consequent Finding of the Characteristic Change of the Temporary Rows. Moskva, Nauka, 1983. 200 p. (in Russian).Бассвиль М., Вилски А., Банвенист А. Обнаружение изменения свойств сигналов и динамических систем. М.: Мир, 1989. 280 с.Basseville M., Vilski A., Banveniste A. et al. Detection of Abrupt Changes in Signals and Dynamical Systems. New York, Springer-Verlag, 1985. 278 p. (in Russian).Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. М.: Мир, 1974. 408 с.Boxing J., Jenkins G. Time Series Analysis: Prognosis and Management. Moskva, Mir, 1974. 408 p. (in Russian).Крамер Г. Математические методы статистики: пер с англ. М.: Мир, 1975. 648 с.Cramer G. Mathematical Methods of Statistics: lane with English. Moskva, Mir, 1975. 648 p. (in Russian).Козинов И. А., Мальцев Г. Н. Модифицированный алгоритм обнаружения разладки случайного процесса и его при- менение при обработке многоспектральных данных // Информационно-управляющие системы. 2012. № 3. С. 9—17.Kozinov I. A., Maltsev G. N. Modified Algorithm of the Detection of Abrupt Changes in Casual Process and Its Use for Processing of Multispectral Data. Informatsionno-upravlyayushchie sistemy. 2012, 3, 9—17 (in Russian).

The authors declare that there are no conflicts of interest present.