ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. №2. С. 9-17

Применение рандомизированного метода главных компонент для сжатия данных гиперспектральной съемки

С.И. Смирнов1 , В.В. Михайлов1 , В.Н. Остриков1 
1 Санкт-Петербургский филиал ОАО «Конструкторское бюро «Луч», Санкт-Петербург, Россия
Работа посвящена исследованию вопросов, связанных со сжатием данных гиперспектральной съемки. Среди ряда известных выбран метод главных компонент, что обусловлено возможностью проведения последующей спектральной идентификации непосредственно в пространстве сжатия с экономией времени на обработку за счет его значительно меньшей размерности. Кроме того, универсальность снижения вычислительных затрат на основе использования именно такого метода обоснована необходимостью решать, на основе получаемых данных, широкий круг задач спектральной идентификации. Вместе с тем, классическая реализация метода главных компонент имеет достаточно высокую вычислительную сложность, в ходе которой наибольшее количество операций в силу обычно высокого пространственного разрешения современных приборов тратится на вычисление ковариационной матрицы. В работе исследуются методы снижения объема ее определения за счет применения рандомизации.
В литературе существует несколько подходов реализации такой рандомизации. В части работ предлагают использовать случайную выборку из пикселей гиперкуба, в других – проецировать осредненный куб в пространство меньшей размерности с применением преобразования Джонсона - Линденштрауса. В работе исследованы оба подхода на предмет применимости к данным гиперспектральной съемки, полученным с авиационных носителей. Оба метода опробованы на нескольких реальных гиперкубах. Приведены результаты сравнения используемых подходов.
Ключевые слова: МГК, сжатие, гиперспектральные данные, рандомизация,преобразование Джонсона-Линденштрауса
Полный текст

Список литературы:

  1. Остриков В.Н., Плахотников О.В., Кириенко А.В. Обработка гиперспектральных данных, получаемых с авиационных и космических носителей // Современные проблемы дистанционного зондирования земли из космоса. 2013. Т. 10. № 2. С. 243-252.
  2. Остриков В.Н., Смирнов С.И., Михайлов В.В. Алгоритм двухэтапной классификации гиперспектральных данных в пространстве коэффициентов спектральной яркости по результатам авиационной съемки // Современные проблемы дистанционного зондирования земли из космоса. 2013. Т. 10. № 3. С. 75-84.
  3. Drineas P., Kannan R., Mahoney M.V. Fast Monte Carlo algorithms for matrices II: Computing a low-rank approximation to a matrix // SIAM J. Comput. 2006. Vol. 36. No. 1. P. 158–183.
  4. Jollife I.T. Principal component analysis. Second edition // Springer. NY. 2002.
  5. Halko N., Martinsson P. G., Tropp J. A. Finding structure with randomness: Probabilistic algorithms for constructing approximate matrix decompositions // SIAM Review. 2011. Vol. 53. No. 2. P. 217–288.
  6. Zhang J., Erway J., Hu X., Zhang Q., Plemmons R. Randomized SVD Methods in Hyperspectral Imaging // Journal of Electrical and Computer Engineering. 2012. Vol. 2012.