Инд. авторы:	Пестунов И.А., Мельников П.В.
Заглавие:	Блочный метод главных компонент для выделения информативных признаков при классификации гиперспектральных изображений
Библ. ссылка:	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. - 2015. - Т.8. - № 6. - С.715-725. - ISSN 1999-494X. - EISSN 2313-6057.
Внешние системы:	DOI: 10.17516/1999-494X-2015-8-6-715-725; РИНЦ: 24365305;
Реферат:	rus: 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. eng: This paper proposes a method to reduce the dimensionality of feature space for recognition of hyperspectral images. The method consists of dividing the spectral channels into blocks with high in-block correlation and the subsequent application of principal component analysis. It is shown that the proposed method allows to reduce the number of channels used in the classification by an order of magnitude with no signifi cant degradation of recognition quality.
Ключевые слова:	informative feature extraction; Principal Component analysis; Supervised classification; support vector machine; гиперспектральное изображение; Hyperspectral image; метод опорных векторов; обучаемая классификация; метод главных компонент; выделение информативных признаков;
Издано:	2015
Физ. характеристика:	с.715-725
Цитирование:	1. Бондур В.Г. // Исследование Земли из космоса. 2014. № 1. С. 4-16. 2. Borengasser M. Hyperspectral Remote Sensing - Principles and Applications. CRC Press, 2004. 128 p. 3. Раудис Р. // Статистические проблемы управления. Вильнюс: Институт математики и кибернетикиАН ЛитССР, 1984. Вып. 66. С. 9-42. 4. Antonio Plaza, Jon Atli Benediktsson, Joseph W. Boardman et. al. // Remote sensing of environment. 2009. Vol. 113. S. 110-122. 5. Ablin R.C. Helen Sulochana. // International Journal of Advanced Research in Computer and Communication Engineering. 2013. Vol. 2. Is. 8. P. S2986-S3003. 6. Louis Du Plessis, Rui Xu, Steven Damelin et. al. // International Journal of Systems, Control and Communications 3.3. 2011. P. 232-251. 7. Martinez-Uso A., Pla F. Sotoca, J.M. et al. // IEEE Transactions on Geoscience and Remote Sensing Vol. 45.12. 2007. P. 4158-4171. 8. 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 [http://smiswww.iki.rssi.ru/d33_conf/thesisshow. aspx?page=91&thesis=4482]. 9. Lavanya A., Sanjeevi S. // Journal of the Indian Society of Remote Sensing. 2013. Vol. 41.2. P. 199-211. 10. Bruce L.M., Koger C.H., Jiang L. // IEEE Transactions on Geoscience and Remote Sensing. 2002. Vol. 40. P. 2331-2338. 11. Porter W.M. Enmark H.E. // SPIE Proc. 1987. Vol. 834. P. 22-31. 12. Hyperspectral Remote Sensing Scenes [Электронный ресурс]. URL: http://www.ehu.es/ ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes (датаобращения: 22.06.2014). 13. Многозональные аэрокосмические съемки Земли / ред. Р.З. Сагдеев. М.: Наука, 1981. 303 с. 14. Красиков В.А. и др. // Аэрокосмические исследования Земли. Обработка видеоинформации наЭВМ / ред. В.Г. Золотухин. М.: Наука, 1978. С. 143-150. 15. 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. 16. LIBSVM - A Library for Support Vector Machines [Электронный ресурс]. URL: http:// www.csie.ntu.edu.tw/~cjlin/libsvm/ (дата обращения: 22.06.2014). 17. Bernard Kévin et al. // IEEE Transactions on Image Processing. 2012. Vol. 21.4. P. 2008- 2021. 18. Support Vector Machine [Электронный ресурс]. URL: http://www.exelisvis.com/docs/ SupportVectorMachine.html. 19. 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. 20. Joseph. B. Kruskal // Proc. AMS. 1956. Vol. 7, N. 1. P. 48-50. 21. Fukunaga K. Introduction to Statistical Pattern Recognition. 2nd Ed. N.Y.: Academic Press, 1990. 590 p.