Нелинейное снижение размерности гиперспектральных данных на основе принципа сохранения дивергенции спектральной информации

Abstract

В работе предлагается нелинейный метод снижения размерности гиперспектральных данных, основанный на принципе сохранения дивергенции спектральной информации (SID). При этом дивергенция спектральной информации используется в качестве меры спектрального рассогласования как в исходном, так и в редуцированном пространстве. В рамках экспериментальных исследований, выполненных на открытых наборах гиперспектральных данных, решалась задача попиксельной классификации гиперспектральных изображений. Разработанный метод расширяет существующий инструментарий анализа гиперспектральных данных, позволяющий выполнять снижение размерности гиперспектральных данных на основе принципа сохранения заданных мер спектрального рассогласования. The paper proposes a nonlinear dimensionality reduction technique for hyperspectral data based on the principle of preserving the spectral information divergence (SID). In this technique, the spectral information divergence is used as a spectral dissimilarity measure in both the original and reduced space. In the experimental studies performed using open hyperspectral images, the problem of per pixel classification of hyperspectral images was solved. The developed method extends the existing hyperspectral data analysis toolkit, which allows to reduce the dimensionality of hyperspectral data based on the principle of preserving specified spectral dissimilarity measures.