Вплив конфігурацій локальних бінарних шаблонів та XGBoost на якість класифікації супутникових зображень із шумом і стисненням: експериментальне дослідження

Анотація

У роботі вирішується актуальна задача попіксельної класифікації мультиспектральних супутникових зображень в умовах критичного зниження якості даних, спричиненого адитивним шумом сенсорів та артефактами стиснення з втратами. Розглядається метод виділення просторових ознак на основі локальних бінарних шаблонів (LBP) з використанням різних конфігурацій (1:8, 2:16, 3:24) та їх комбінацій для підвищення точності розділення класів. Експериментальне дослідження проведено на фрагментах знімків Sentinel-2 (Харківська область), спотворених адитивним гаусівським шумом з дисперсією σ² = 100 та підданих поканальному стисненню кодером BPG. Як класифікатор використано ансамбль дерев рішень XGBoost. Результати моделювання підтвердили, що застосування мономасштабних шаблонів LBP є недостатнім для надійної сегментації гетерогенних об'єктів в умовах сильного шуму. Доведено, що формування розширеного вектора ознак шляхом конкатенації мультимасштабних конфігурацій LBP (1:8, 2:16, 3:24) забезпечує підвищення метрики F1-міра до 0.9530, що більш ніж на 1% перевищує показники базових конфігурацій. Детальний аналіз динаміки метрик у розрізі класів виявив, що клас «Вода» демонструє найвищу стабільність (F1 > 0.99) завдяки спектральній однорідності. Водночас для структурно складних класів «Урбанізація» та «Рослинність» критично важливим виявилося залучення ознак великого радіусу, що дозволило мінімізувати вплив локальних флуктуацій яскравості та стабілізувати метрику AUC на рівні > 0.99. Важливим емпіричним результатом стало виявлення позитивного впливу стиснення на точність класифікації зашумлених зображень: квантування коефіцієнтів кодером BPG спрацювало як низькочастотний фільтр, частково компенсуючи високочастотну складову гаусівського шуму. Додаткове дослідження в околицях оптимальної робочої точки показало, що метод зберігає робастність при помірних змінах (Q=31), а також продовжує демонструвати високу стабільність та збереження точності сегментації навіть при значному посиленні артефактів стиснення (Q=43), що підтверджує надійність та ефективність алгоритму в усьому дослідженому діапазоні компресійних спотворень. Встановлено, що інтеграція текстурних ознак різного масштабу дозволяє моделі XGBoost формувати стійкі вирішальні правила, при цьому оптимальний баланс між обчислювальною складністю та точністю досягається при обмеженні параметрів ансамблю (дерева=200, глибина=8), оскільки подальше ускладнення моделі не призводить до статистично значущого приросту якості розпізнавання.

Внесок авторів: Концептуалізація – М.А. Рибницький та С.С. Кривенко; методологія – М.А. Рибницький; формальний аналіз та оброблення даних – М.А. Рибницький; дослідження – М.А. Рибницький, підготовка тексту статті – М.А. Рибницький; рецензування та редагування – М.А. Рибницький, С.С. Кривенко. Всі автори прочитали та погодилися з опублікованою версією рукопису.

Фінансування: Це дослідження не отримало зовнішнього фінансування.

Доступність даних: Дані можуть бути надані авторами за обґрунтованим запитом.

Подяки: Автори висловлюють щиру подяку та вдячні рецензентам і редакторам за їхні цінні коментарі, рекомендації та увагу до роботи.

Конфлікти інтересів: Автори заявляють, що не мають конфлікту інтересів.