Анализ остаточных признаков с декомпозицией по эмпирическим модам для извлечения пространственных последовательных шаблонов из серийных изображений дистанционного зондирования

Значительный рост последовательно получаемых изображений при дистанционном зондировании ведет к увеличению количества данных. Такие данные используются в таких областях как: мониторинг сельского хозяйства, развитие городских районов и наблюдение за растительными зонами. Отметим, что обычное последовательное извлечение пространственных структур эффективно не применяется особенно по отношению к последовательно получаемым изображениям в результате дистанционного зондирования. Предложен анализ остаточных признаков при разложении изображений по эмпирическим модам для повышения эффективности извлечения пространственных последовательных структур из растровых изображений дистанционного зондирования. Входные изображения извлечены с помощью минимальных и максимальных растровых структур путем вычисления среднего значения огибающих и компонентов функции разложения на внутренние моды для спектрального анализа Гильберта. При выполнении условия функции разложения на внутренние моды, производится операция вычитания функции из исходного изображения. Далее изображение разлагается на множество функций внутренних мод и на остаток. Полученные экспериментальные результаты показали, что предложенная стратегия способна непрерывно извлекать пространственные структуры из последовательно получаемых изображений дистанционного зондирования. Хотя опорные значения структур могут быть получены неточно, представленная схема гарантирует, что структуры в целом извлекаются с меньшими затратами времени.

1. Kumar T.S., Nagarajan V. Local tetra pattern based on contourlet directions. Proc. of the 6th IEEE International Conference on Communication and Signal Processing (ICCSP), 2017, pp. 754–757. https://doi.org/10.1109/ICCSP.2017.8286462

2. Zhang P., Gong M., Su L., Liu J., Li Z. Change detection based on deep feature representation and mapping transformation for multispatial-resolution remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, vol. 116, pp. 24–41. https://doi.org/10.1016/j.isprsjprs.2016.02.013

3. Wright A.P., Wright A.T., McCoy A.B., Sittig D.F. The use of sequential pattern mining to predict next prescribed medications. Journal of Biomedical Informatics, 2015, vol. 53, pp. 73–80. https://doi.org/10.1016/j.jbi.2014.09.003

4. Molijn R.A., Iannini L., Hanssen R.F., Vieira Rocha J. Sugarcane growth monitoring through spatial cluster and temporal trend analysis of radar and optical remote sensing images. Proc. of the 36th IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2016, pp. 7141–7144. https://doi.org/10.1109/IGARSS.2016.7730863

5. Tiwari P., Shukla P.K. A review on various features and techniques of crop yield prediction using geo-spatial data. International Journal of Organizational and Collective Intelligence (IJOCI), 2019, vol. 9, no. 1, pp. 37–50. https://doi.org/10.4018/IJOCI.2019010103

6. Wei J., Mi L., Hu Y., Ling J., Li Y., Chen Z. Effects of lossy compression on remote sensing image classification based on convolutional sparse coding. IEEE Geoscience and Remote Sensing Letters, 2022, vol. 19. https://doi.org/10.1109/LGRS.2020.3047789

7. Zhang C., Wei S., Ji S., Lu M. Detecting large-scale urban land cover changes from very high resolution remote sensing images using CNNbased classification. ISPRS International Journal of Geo-Information, 2019, vol. 8, no. 4, pp. 189. https://doi.org/10.3390/ijgi8040189

8. Xu X., Chen Y., Zhang J., Chen Y., Anandhan P., Manickam A. A novel approach for scene classification from remote sensing images using deep learning methods. European Journal of Remote Sensing, 2021, vol. 54, no. sup2, pp. 383–395. https://doi.org/10.1080/22797254.2020.1790995

9. He Z., Zhang S., Wu J. Significance-based discriminative sequential pattern mining. Expert Systems with Applications, 2019, vol. 122, pp. 54–64. https://doi.org/10.1016/j.eswa.2018.12.046

10. Cai G., Lee K., Lee I. Itinerary recommender system with semantic trajectory pattern mining from geo-tagged photos. Expert Systems with Applications, 2018, vol. 94, pp. 32–40. https://doi.org/10.1016/j.eswa.2017.10.049

11. Wu X., Zhang X.J.C. An efficient pixel clustering-based method for mining spatial sequential patterns from serial remote sensing images. Computers and Geosciences, 2019, vol. 124, pp. 128–139. https://doi.org/10.1016/j.cageo.2019.01.005

12. Preethi R.A., Anandharaj G. Quantized ternary pattern and singular value decomposition for the efficient mining of sequences in SRSI images. SN Applied Sciences, 2020, vol. 2, no. 10, pp. 1–14. https://doi.org/10.1007/s42452-020-03474-8

13. Hu W.-S., Li H-C., Pan L., Li W., Tao R., Du Q. Spatial–spectral feature extraction via deep ConvLSTM neural networks for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 2020, vol. 58, no. 6, pp. 4237–4250. https://doi.org/10.1109/TGRS.2019.2961947

14. Driss K., Boulila W., Leborgne A., Gançarski P. Mining frequent approximate patterns in large networks // International Journal of Imaging Systems and Technology, 2021, vol. 31, no. 3, pp. 1265–1279. https://doi.org/10.1002/ima.22533

15. Shen H., Lin Y., Tian Q., Xu K., Jiao J. A comparison of multiple classifier combinations using different voting-weights for remote sensing image classification. International Journal of Remote Sensing, 2018, vol. 39, no. 11, pp. 3705–3722. https://doi.org/10.1080/01431161.2018.1446566

16. Fournier-Viger P., Lin J.C.-W., Kiran R.U., Koh Y.S., Thomas R. A survey of sequential pattern mining. Data Science and Pattern Recognition, 2017, vol. 1, no. 1, pp. 54–77.

17. Song J., Zhang H., Li X., Gao L., Wang M., Hong R. Self-supervised video hashing with hierarchical binary auto-encoder. IEEE Transactions on Image Processing, 2018, vol. 27, no. 7, pp. 3210–3221. https://doi.org/10.1109/TIP.2018.2814344

18. Song J., Guo Y., Gao L., Li X., Hanjalic A., Shen H.T. From deterministic to generative: Multimodal stochastic RNNs for video captioning. IEEE Transactions on Neural Networks and Learning Systems, 2019, vol. 30, no. 10, pp. 3047–3058. https://doi.org/10.1109/TNNLS.2018.2851077

19. Menaka D., Padmasuresh L., Selvin Prem Kumar S. Classification of multispectral satellite images using sparse SVM classifier. Indian Journal of Science and Technology, 2015, vol. 8, no. 24, pp. 1–7. https://doi.org/10.17485/ijst/2015/v8i24/85355

20. Rajakumar A.P., Ganesan A. A modified extrema pattern with multilinear matrix decomposition based RLC scheme for efficient serial remote sensing images mining. Traitement du Signal, 2022, vol. 39, no. 1, pp. 153–163. https://doi.org/10.18280/ts.390115

21. Gopal B., Ganesan A. Real time deep learning framework to monitor social distancing using improved single shot detector based on overhead position. Earth Science Informatics, 2022, vol. 15, no. 1, pp. 585–602. https://doi.org/10.1007/s12145-021-00758-4

22. Kumar T.S., Nagarajan V. Local contourlet tetra pattern for image retrieval. Signal, Image and Video Processing, 2018, vol. 12, no. 3, pp. 591–598. https://doi.org/10.1007/s11760-017-1197-1