У каждого вида вещества на Земле имеется уникальная спектральная "подпись", определяемая не только видом молекул, но и положением химических связей, скрепляющих отдельные атомы молекулы в единое целое. Человеческий глаз видит только часть этой подписи, которую мы с вами ощущаем как цвет. Диапазон видимого света является лишь малым отрезком всего диапазона электромагнитных волн, и он, видимый свет, несет очень мало информации об объекте, его строении и химическом составе. Но в мире существуют и более совершенные инструменты, нежели глаза человека. Такие инструменты называются гиперспектральными датчиками и они способны дать достаточно большое количество информации об объекте, попавшем в их поле зрения.
Обычно такие гиперспектральные датчики устанавливаются на летательных аппаратах и искусственных спутниках для проведения подробной съемки поверхности Земли. Но данные, собранные гиперспектральными датчиками, с большим трудом поддаются математической обработке даже с помощью самых мощных компьютеров, для их обработки требуются аналитические методы распознавания образов, подобные тем, которые работают в наших с вами мозгах.
Главная проблема заключается в том, что гиперспектральные датчики работают очень и очень хорошо. Даже в тех местах, которые в обычном свете имеют одинаковый цвет, данные от этих датчиков могут отличаться на сотни и тысячи единиц. С математической точки зрения это делает каждый пиксел изображения уникальным для обрабатывающего компьютера, эта проблема известна под названием эффекта Хьюза и это до последнего времени мешало широкому использованию гиперспектральных датчиков для расширения доступных людям знаний о нашей планете.
Существующие алгоритмы обработки гиперспектральных данных могут объединять схожие по значению пикселы в группы, базируясь на данных о расстоянии между этими пикселами. В некоторых случаях, к примеру, при определении типа растительного покрова поверхности, такие алгоритмы дают достаточно неплохие результаты, но существуют такие варианты, на которых алгоритмы так называемой "кластеризации" не приносят никакого результата. Взяв за основу один из стандартных алгоритмов "кластеризации", группа исследователей из Китая и США дополнила его технологией использования образцов, согласно которым распознается характер каждого кластера пикселей.
На втором из приведенных снимков можно увидеть результаты работы нового алгоритма. Снимок является результатом космической съемки территории университета Павии в Италии. На первом этапе первая часть алгоритма разбивает все изображения на кластера, которым соответствуют участки поверхности определенного характера. Затем, при помощи всего 15 образцов программа смогла достаточно точно разобрать всю поверхность на находящиеся на ней объекты, составив более-менее подробную карту места. Неплохие результаты комбинированный метод показал на снимке сельскохозяйственных угодий, на которых высажены различные культуры. Кстати, именно на таких снимках алгоритмы обычной кластеризации отказывались нормально работать, но использование образцов позволило программе составить карту местности с точностью от 50 до 80 процентов.
Создание достаточно надежно работающего алгоритма обработки гиперспектральных данных позволит в скором будущем организовать полуавтоматический контроль если не за всей, то за некоторыми участками земной поверхности. А данные этого контроля будут чрезвычайно полезны людям самых различных специальностей, начиная от проектировщиков, строителей и заканчивая биологами, экологами и другими учеными, занимающимися отслеживанием изменений окружающей среды.
