Блочный метод главных компонент для выделения информативных признаков при классификации гиперспектральных изображений
Автор: Пестунов И.А., Мельников П.В.
Журнал: Журнал Сибирского федерального университета. Серия: Техника и технологии @technologies-sfu
Статья в выпуске: 6 т.8, 2015 года.
Бесплатный доступ
В статье предложен метод снижения размерности пространства признаков при распознавании гиперспектральных изображений, заключающийся в разбиении спектральных каналов на блоки с высокой корреляцией с последующим применением метода главных компонент. Показано, что предлагаемый метод позволяет на порядок сократить число используемых при классификации спектральных признаков без значительного ухудшения качества распознавания.
Гиперспектральное изображение, выделение информативных признаков, метод главных компонент, обучаемая классификация, метод опорных векторов
Короткий адрес: https://sciup.org/146114998
IDR: 146114998 | DOI: 10.17516/1999-494X-2015-8-6-715-725
Список литературы Блочный метод главных компонент для выделения информативных признаков при классификации гиперспектральных изображений
- Бондур В.Г.//Исследование Земли из космоса. 2014. № 1. С. 4-16.
- Borengasser M. Hyperspectral Remote Sensing -Principles and Applications. CRC Press, 2004. 128 p.
- Раудис Р.//Статистические проблемы управления. Вильнюс: Институт математики и кибернетикиАН ЛитССР, 1984. Вып. 66. С. 9-42.
- Antonio Plaza, Jon Atli Benediktsson, Joseph W. Boardman et. al.//Remote sensing of environment. 2009. Vol. 113. S. 110-122.
- Ablin R.C. Helen Sulochana.//International Journal of Advanced Research in Computer and Communication Engineering. 2013. Vol. 2. Is. 8. P. S2986-S3003.
- Louis Du Plessis, Rui Xu, Steven Damelin et. al.//International Journal of Systems, Control and Communications 3.3. 2011. P. 232-251.
- Martinez-Uso A., Pla F. Sotoca, J.M. et al.//IEEE Transactions on Geoscience and Remote Sensing Vol. 45.12. 2007. P. 4158-4171.
- Остриков В.Н., Смирнов С.И., Михайлов В.В.//Современные проблемы дистанционного зондирования Земли из космоса: Тезисы докладов Двенадцатой Всероссийской открытойконференции. Москва: ИКИРАН, 2014. С. 68 .
- Lavanya A., Sanjeevi S.//Journal of the Indian Society of Remote Sensing. 2013. Vol. 41.2. P. 199-211.
- Bruce L.M., Koger C.H., Jiang L.//IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40. P. 2331-2338.
- Porter W.M. Enmark H.E.//SPIE Proc. 1987. Vol. 834. P. 22-31.
- Hyperspectral Remote Sensing Scenes . URL: http://www.ehu.es/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes (датаобращения: 22.06.2014).
- Многозональные аэрокосмические съемки Земли/ред. Р.З. Сагдеев. М.: Наука, 1981. 303 с.
- Красиков В.А. и др.//Аэрокосмические исследования Земли. Обработка видеоинформации наЭВМ/ред. В.Г. Золотухин. М.: Наука, 1978. С. 143-150.
- Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press, 2000. ISBN 0-521-78019-5. 198 p.
- LIBSVM -A Library for Support Vector Machines . URL: http://www.csie.ntu.edu.tw/~cjlin/libsvm/(дата обращения: 22.06.2014).
- Bernard Kévin et al.//IEEE Transactions on Image Processing. 2012. Vol. 21.4. P. 2008-2021.
- Support Vector Machine . URL: http://www.exelisvis.com/docs/SupportVectorMachine.html.
- Пестунов И.А., Мельников П.В., Дубровская О.А. и др.//ИнтерэкспоГЕО-Сибирь-2014: X Междунар. науч. конгр., 8-18 апреля 2014 г., Новосибирск: Междунар. науч. конф. «Экономическое развитие Сибири и Дальнего Востока. Экономика природопользования, землеустройство, лесоустройство, управление недвижимостью»: сб. материалов в 2 т. Т. 2. Новосибирск: СГГА, 2014. С. 357-366.
- Joseph. B. Kruskal//Proc. AMS. 1956. Vol. 7, N. 1. P. 48-50.
- Fukunaga K. Introduction to Statistical Pattern Recognition. 2nd Ed. N.Y.: Academic Press, 1990. 590 p.
