Инд. авторы:	Мельников П.В.
Заглавие:	Сокращение размерности пространства признаков для классификации гиперспектральных изображений
Библ. ссылка:	Мельников П.В. Сокращение размерности пространства признаков для классификации гиперспектральных изображений // XV Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям. Тюмень, 29-31 октября 2014 года: Программа. Тезисы докладов. Алфавитный указатель участников / Институт вычислительных технологий СО РАН. - 2014. - Тюмень: ИВТ СО РАН. - С.70-71.
Реферат:	rus: В настоящее время в связи с интенсивным развитием средств и технологий дистанционного зондирования все большую актуальность приобретает задача распознавания гиперспектральных изображений. Главными особенностями таких изображений являются большое количество спектральных каналов, которое может достигать нескольких сотен, и малая ширина каждого канала (порядка 3-5 нанометров) [1]. Значительное увеличение числа каналов в гиперспектральном изображении приводит к тому, что большинство существующих алгоритмов обработки мультиспектральных изображений становятся непригодными для гиперспектральных изображений. Ограничения могут быть связаны как с теоретической невозможностью работы с данными большой размерности, так и с неприемлемым увеличением времени работы или объема используемой памяти. Одним из подходов к решению этой проблемы является выделение информативных подсистем признаков, которые позволят использовать алгоритмы, хорошо зарекомендовавшие себя при обработке традиционных мультиспектральных изображений [2]. Поэтому задача выбора минимальной информативной подсистемы признаков является актуальной [3]. В данной работе предлагается процедура генерации минимальных систем информативных признаков и снижения размерности пространства признаков при распознавании гиперспектральных изображений. Предложенный подход основан на применении метода главных компонент к блокам коррелированных каналов и выборе информативных компонент путем анализа собственных чисел матрицы ковариации. Алгоритм позволяет на порядок сократить количество используемых при распознавании признаков без существенного ухудшения качества классификации.
Издано:	2014
Физ. характеристика:	с.70-71
Конференция:	Название: XV Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям Аббревиатура: YM2014 Город: Тюмень Страна: Россия Даты проведения: 2014-10-29 - 2014-10-31 Ссылка: http://konf.ict.nsc.ru/ym2014/ru
Цитирование:	1. Borengasser M. Hyperspectral Remote Sensing – Principles and Applications. CRC Press, 2004. 128 p. 2. 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. 3. 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.