マルチスペクトルパターン認識

マルチスペクトル リモート センシングは、電磁スペクトルの複数の帯域領域における物体または対象領域からの反射、放射、または後方散乱エネルギーの収集と分析です(Jensen、2005)。マルチスペクトル リモート センシングのサブカテゴリには、数百の帯域が収集および分析されるハイパースペクトルと、数百の帯域が使用されるウルトラスペクトル リモート センシングがあります ( Logicon、1997)。マルチスペクトル イメージングの主な目的は、マルチスペクトル分類を使用して画像を分類できることです。これは、人間の解釈で可能な方法よりもはるかに高速な画像分析方法です。

リモート センシング システムは、通常、地球の周回軌道上にある衛星に搭載された機器を介してデータを収集します。リモート センシング スキャナーは、対象物または対象領域から放射されるエネルギーを検出します。このエネルギーはアナログ電気信号として記録され、A/D 変換によってデジタル値に変換されます。マルチスペクトル リモート センシング システムには、次の種類があります。

• ランドサットマルチスペクトルスキャナ ( MSS )
• ランドサットセマティックマッパー ( TM )
• NOAA 静止環境衛星 ( GOES )
• NOAA 高性能超高解像度放射計 ( AVHRR )
• NASA と ORBIMAGE 社、海洋観測広視野角センサー ( SeaWiFS )
• Daedalus 社、航空機マルチスペクトル スキャナー (AMS)
• NASA 航空機搭載地上応用センサー (ATLAS)

• SPOT 1、2、3高解像度可視光（HRV）センサーとSpot 4および5高解像度可視赤外線（HRVIR）および植生センサー
• インドリモートセンシングシステム（IRS）リニアイメージングセルフスキャンセンサー（LISS）
• スペースイメージング株式会社 ( IKONOS )
• デジタルグローブ株式会社 ( QuickBird )
• ORBIMAGE株式会社 ( OrbView-3 )
• イメージサットインターナショナル株式会社 ( EROS A1 )
• NASA Terra 先進宇宙搭載熱放射反射放射計 ( ASTER )
• NASA テラ多角度イメージング分光放射計 ( MISR )

• NASA ジェット推進研究所 航空機搭載可視/赤外線イメージング分光計 ( AVIRIS )
• 小型航空機搭載分光画像装置 3 (CASI 3)
• NASA テラ中分解能撮像分光計 ( MODIS )
• NASA 地球観測衛星 ( EO-1 ) 先進陸域イメージャ (ALI)、ハイペリオン、および LEISA 大気補正装置 (LAC)

• ロシアのSPIN-2 TK-350、KVR-1000
• NASAスペースシャトルと国際宇宙ステーションの画像

画像のマルチスペクトル分類にはさまざまな方法を使用できます。

• 比率尺度と間隔尺度データを使用するパラメトリックおよびノンパラメトリック統計に基づくアルゴリズムと、名目尺度データも組み込むことができる非計量的手法（Duda et al., 2001）
• 教師ありまたは教師なし分類ロジック、
• ハードまたはソフト（ファジー）セット分類ロジックを使用して、ハードまたはファジーテーマの出力製品を作成します。
• ピクセル単位またはオブジェクト指向の分類ロジック、および
• ハイブリッドアプローチ

この分類方法では、いくつかの土地被覆タイプの識別情報と位置が、現地調査、航空写真の解釈、地図分析、および個人の経験の組み合わせから事前に取得されます。アナリストは、既知の土地被覆タイプに類似した特性を持つ場所を見つけます。これらのエリアはトレーニング サイトと呼ばれます。これらのサイトの既知の特性は、画像の残りの部分の最終的な土地被覆マッピングの分類アルゴリズムをトレーニングするために使用されるためです。多変量統計パラメータ (平均、標準偏差、共分散行列、相関行列など) は、各トレーニング サイトに対して計算されます。トレーニング サイトの内外のすべてのピクセルが評価され、より類似した特性を持つクラスに割り当てられます。

教師あり分類法の最初のステップは、使用する土地被覆クラスと土地利用クラスを特定することです。土地被覆とは、サイトに存在する物質の種類を指します (例: 水、作物、森林、湿地、アスファルト、コンクリート)。土地利用とは、人間が土地被覆に加えた変更を指します (例: 農業、商業、居住地)。リモート センシング データを正しい土地利用情報や土地被覆情報に分類するには、すべてのクラスを慎重に選択して定義する必要があります。この目的を達成するには、分類学的に正しいクラスの定義を含む分類システムを使用する必要があります。厳密な分類が必要な場合は、次のクラスを使用する必要があります。

• 相互に排他的: どのクラスにも分類上の重複はありません (つまり、熱帯雨林と常緑樹林は異なるクラスです)。
• 網羅的: エリア内のすべての土地被覆が含まれています。
• 階層的: サブレベルのクラス (例: 一戸建て住宅、集合住宅) が作成され、これらのクラスを上位のカテゴリ (例: 住宅) に含めることができます。

ハード分類スキームの例をいくつか示します。

• アメリカ計画協会土地分類システム
• 米国地質調査所 リモートセンサーデータ用土地利用/土地被覆分類システム
• 米国内務省魚類野生生物局
• 米国国立植生分類システム
• 国際地球圏生物圏計画 IGBP 土地被覆分類システム

分類スキームが採用されると、画像アナリストは、画像内で、関心のある土地被覆または土地利用を代表するトレーニング サイトを選択できます。データが収集された環境が比較的均一である場合は、トレーニング データを使用できます。サイトで異なる条件が見つかった場合、リモート センシング トレーニング データをサイトに拡張することはできません。この問題を解決するには、プロジェクトの準備段階で地理的階層化を行う必要があります。すべての違いを記録する必要があります (例: 土壌の種類、水の濁度、作物の種類など)。これらの違いは画像に記録され、このデータの地理的階層化に基づいてトレーニング サイトが選択されます。最終的な分類マップは、個々の階層分類を組み合わせたものになります。

データをさまざまなトレーニング サイトに整理した後、測定ベクトルが作成されます。このベクトルには、各トレーニング クラスの各バンドの各ピクセルの輝度値が含まれます。平均、標準偏差、分散共分散行列、相関行列は、測定ベクトルから計算されます。

各トレーニング サイトからの統計が決定したら、各クラスに最も効果的なバンドを選択する必要があります。この判別の目的は、冗長な情報を提供する可能性のあるバンドを排除することです。この目的を達成するには、グラフィカルな方法と統計的な方法を使用できます。グラフィカルな方法には次のようなものがあります。

• 棒グラフスペクトルプロット
• 共スペクトル平均ベクトルプロット
• 特徴空間プロット
• 共スペクトル平行六面体または楕円プロット

教師あり分類の最後のステップは、適切なアルゴリズムを選択することです。特定のアルゴリズムの選択は、入力データと目的の出力によって異なります。パラメトリック アルゴリズムは、データが正規分布しているという事実に基づいています。データが正規分布していない場合は、ノンパラメトリック アルゴリズムを使用する必要があります。より一般的なノンパラメトリック アルゴリズムは次のとおりです。

• 1次元密度スライス
• 平行六面体
• 最小距離
• 最近隣
• エキスパートシステム分析
• 畳み込みニューラルネットワーク^[1]

教師なし分類 (クラスタリングとも呼ばれる) は、リモート センサー イメージ データをマルチスペクトル フィーチャ スペースに分割し、土地被覆情報を抽出する方法です。教師なし分類では、クラスタリングではトレーニング データが必要ないため、教師あり分類に比べてアナリストからの入力情報が少なくて済みます。このプロセスは、ピクセルのスペクトル特性を検索するための一連の数値演算で構成されます。このプロセスから、m 個のスペクトル クラスを含むマップが得られます。マップを使用して、アナリストはスペクトル クラスを関心のあるテーマ情報 (森林、農業、都市など) に割り当てたり変換したりします。一部のスペクトル クラスターは表面材料の混合クラスを表し、役に立たない場合があるため、このプロセスは簡単ではない場合があります。アナリストは、クラスターを特定の情報クラスとしてラベル付けできるように、地形のスペクトル特性を理解する必要があります。クラスタリング アルゴリズムは数百あります。概念的に最も単純なアルゴリズムの 2 つは、チェーン メソッドと ISODATA メソッドです。

この方法で使用されるアルゴリズムは、2 パス モードで動作します (マルチスペクトル データセットを 2 回通過します)。最初のパスでは、プログラムはデータセットを読み取り、クラスター (スペクトル空間内のポイントのグループ) を順番に構築します。プログラムがデータセットを読み取ると、平均ベクトルが各クラスターに関連付けられます。2 番目のパスでは、平均への最小距離分類アルゴリズムがデータセットにピクセルごとに適用されます。次に、各ピクセルは最初の手順で作成された平均ベクトルの 1 つに割り当てられます.....

マルチスペクトルパターン認識に使用される反復自己組織化データ分析技術（ISODATA）アルゴリズムは、スタンフォード研究所のジェフリー・H・ボールとデビッド・J・ホールによって開発されました。^[2]

ISODATAアルゴリズムは、k平均法クラスタリングアルゴリズムの修正版であり、実験に基づいたヒューリスティックルールが追加されている。概要は以下の通りである。^[3]

入力。データセット、ユーザー指定の構成値。

k-means アルゴリズムのクラスター ポイントをランダムに初期化します。

終了条件が満たされるまで実行

k-means アルゴリズムを数回繰り返して実行します。

クラスター内のポイントの標準偏差が高すぎる場合は、クラスター ポイントを 2 つに分割します。

2 つのクラスター ポイントの平均間の距離が低すぎる場合は、それらのクラスター ポイントを 1 つにマージします。

データ ポイントが少なすぎる場合は、クラスター ポイントを削除します。

クラスター ポイントから遠すぎるデータ ポイントを削除します。

終了のヒューリスティック条件を確認します。

戻る。クラスターが見つかりました

実装に応じて、終了のヒューリスティック条件は多数考えられます。

• ボール、ジェフリー H.、ホール、デビッド J. (1965) Isodata: データ分析とパターン分類の方法、スタンフォード研究所、メンロパーク、米国。海軍研究局、情報科学部門
• Duda, RO, Hart, PE, Stork, DG (2001)。パターン分類。ニューヨーク: John Wiley & Sons。
• Jensen, JR (2005)。『デジタル画像処理入門：リモートセンシングの視点』アッパーサドルリバー：ピアソン・プレンティス・ホール。
• Belokon, WF 他 (1997)。マルチスペクトル画像リファレンス ガイド。フェアファックス: Logicon Geodynamics, Inc.