Инд. авторы:	Пестунов И.А., Мельников П.В.
Заглавие:	Метод главных компонент и его модификации в задачах классификации гиперспектральных данных
Библ. ссылка:	Пестунов И.А., Мельников П.В. Метод главных компонент и его модификации в задачах классификации гиперспектральных данных // Интерэкспо Гео-Сибирь. - 2015. - Т.4. - № 2. - С.45-50. - ISSN 2618-981X.
Внешние системы:	РИНЦ: 23371013;
Реферат:	eng: Three methods of feature extraction for hyperspectral image classification are compared in this work: principal component analysis (PCA), block principal component analysis (BPCA) and minimum noise fraction (MNF). It is shown that BPCA and MNF produce better classification results than PCA. rus: В работе представлены результаты экспериментального сравнения классического метода главных компонент (МГК), блочного метода главный компонент (БМГК) и метода MNF (Minimum Noise Fraction) для выделения информативных признаков при классификации гиперспектральных данных. Показано, что признаки, полученные методом MNF и БМГК, обеспечивают более высокое качество распознавания по сравнению с признаками, полученными МГК.
Ключевые слова:	classification; Feature extraction; метод главных компонент; гиперспектральные изображения; классификация; выделение признаков; Principal Component analysis; Hyperspectral images;
Издано:	2015
Физ. характеристика:	с.45-50
Цитирование:	1. Бондур В.Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации // Исследование Земли из космоса. - 2014. - № 1. - С. 4-16. 2. Раудис Р. Влияние объема выборки на качество классификации (обзор) // Сб.: Статистические проблемы управления. - Вильнюс: Институт математики и кибернетики АН ЛитССР, 1984. - Вып. 66. - С. 9-42. 3. Fodor I. A Survey Of Dimension Reduction Techniques // Technical Report UCRL-ID-148494. - Oakland: University of California. - 2002. - 26 p. 4. Пестунов И.А., Мельников П.В. Блочный метод главных компонент для выделения информативных признаков при классификации гиперспектральных изображений // Журнал Сибирского федерального университета. Серия «Техника и технологии» (в печати). 5. Vermillion S. C., Sader S. A. Use of the Minimum Noise Fraction (MNF) Transform to Analyze Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) Data of Northern Forest Types // AVIRIS Workshop. - JPL Publication. - 1999. - 7 p. 6. Потатуркин О.И. Борзов С.М. Обработка гиперспектральных спутниковых изображений при исследовании антропогенных и природных объектов [Электронный ресурс]. - Режим доступа: http://conf.ict.nsc.ru/dicr2014/ru/reportview/248576. 7. Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods / Cambridge University Press, 2000. - 198 p. 8. Кузнецов А.В., Мясников В.В. Сравнение алгоритмов управляемой поэлементной классификации гиперспектральных изображений // Компьютерная оптика. - Самара: СГАУ. - 2014. - Том № 38-1. - C. 494-502.