Инд. авторы:	Пестунов И.А., Мельников П.В.
Заглавие:	Метод снижения размерности пространства признаков при классификации гиперспектральных изображений
Библ. ссылка:	Пестунов И.А., Мельников П.В. Метод снижения размерности пространства признаков при классификации гиперспектральных изображений // Региональные проблемы дистанционного зондирования: материалы международной научной конференции / научный редактор Е.А. Ваганов; ответственный за выпуск А.В. Машукова. - 2014. - Красноярск: Сиб. федерал. ун-т. - С.208-215.
Внешние системы:	РИНЦ: 22525394;
Реферат:	rus: В работе предлагается подход к снижению размерности пространства признаков при распознавании гиперспектральных изображений, основанный на использовании метода главных компонент. Экспериментально показано, что предлагаемая методика позволяет на порядок сократить число используемых при классификации спектральных признаков без значительного ухудшения качества распознавания.
Ключевые слова:	метод опорных векторов; обучаемая классификация; гиперспектральное изображение; метод главных компонент; выделение информативных признаков;
Издано:	2014
Физ. характеристика:	с.208-215
Конференция:	Название: Региональные проблемы дистанционного зондирования Земли Город: Красноярск Страна: Россия Даты проведения: 2014-09-23 - 2014-09-26 Ссылка: http://rprs.sfu-kras.ru/node/43
Цитирование:	1. Borengasser M. Hyperspectral Remote Sensing -Principles and Applications. CRC Press, 2004. 128 p. 2. Plaza A. et al. Recent advances in techniques for hyperspectral image processing//Remote sensing of environment. 2009. Vol. 113. S110-S122. 3. Ablin R. et al. A Survey of Hyperspectral Image Classification in Remote Sensing//International Journal of Advanced Research in Computer and Communication Engineering. 2013. Vol. 2, Is. 8. Pp. 2986-3003. 4. Du L.P. et al. Reducing dimensionality of hyperspectral data with diffusion maps and clustering with k-means and Fuzzy ART//International Journal of Systems, Control and Communications 3.3. 2011. Pp. 232-251. 5. Bruce L.M., Koger C.H., Jiang L. Dimensionality reduction of hyperspectral data using discrete wavelet transform feature extraction//IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40. Pp. 2331-2338. 6. Porter W.M. Enmark H.E. System overview of the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)//SPIE Proc. 1987. Vol. 834. Pp. 22-31. 7. Hyperspectral Remote Sensing Scenes [Электронный ресурс]. URL: http://www.ehu.es/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes (дата обращения: 22.06.2014). 8. The benefits of the eight spectral bands of WorldView-2. [Электронный ресурс]. URL: http://www.digitalglobe.com/sites/default/files/DG-8SPECTRAL-WP_0.pdf (дата обращения: 22.06.2014). 9. Кронберг П. Дистанционное изучение Земли: Основы и методы дистанционных исследований в геологии: Пер. с нем. М.: Мир, 1988. 343 с. 10. Многозональные аэрокосмические съемки Земли/под ред. Сагдеева Р.З. М.: Наука, 1981. 303 с. 11. Карасиков В.А. и др. Алгоритмы тематической обработки и их экспериментальное исследование//Аэрокосмические исследования Земли. Обработка видеоинформации на ЭВМ/Под ред. В.Г. Золотухина. М.: Наука, 1978. С. 143-150. 12. 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. 13. LIBSVM -A Library for Support Vector Machines [Электронный ресурс]. URL: http://www.csie.ntu.edu.tw/~cjlin/libsvm/(дата обращения: 22.06.2014). 14. Bernard Kévin et al. Spectral-spatial classification of hyperspectral data based on a stochastic minimum spanning forest approach//Image Processing, IEEE Transactions on 21.4. 2012. Pp. 2008-2021. 15. Fukunaga K. Introduction to Statistical Pattern Recognition. 2nd Ed. N.Y.: Academic Press, 1990. 590 p.