CC BY
122
ИСПОЛЬЗОВАНИЕ МЕТОДА НЕЗАВИСИМЫХ КОМПОНЕНТ (ICA) ДЛЯ УМЕНЬШЕНИЯ РАЗМЕРНОСТИ ГИПЕРСПЕКТРАЛЬНЫХ СНИМКОВ
Александра Александровна Гук
Сибирская государственная геодезическая академия, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры физической геодезии и дистанционного зондирования, тел. (916)9441747, e-mail: [email protected]
В статье рассматривается возможность использования метода независимых компонент для снижения размерности космических снимков. Исследован метод уменьшение размерности для гиперспектральных снимков, а также возможности совместного использования алгоритмов ICA и PCA.
Ключевые слова: метод независимых компонент, метод главных компонент, гиперспектральные космические снимки.
INDEPENPENT COMPONENT ANALISYS FOR REDUCTION OF HYPERSPECTRAL IMAGES DIMENTION
Alexandra A. Guk
Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plachotnogo St., PhD-student, department of photogrammetry and remote sensing, tel. (916)944-17-47, e-mail: [email protected]
Independent component analysis for reduction of space images dimension is considered in the article. A method of dimension reduction for hyper spectral images and possibility of using ICA and PCA together are investigated.
Key words: independent component analysis, principal component analysis, hyper spectral satellite imagery.
В связи с огромным количеством различных видов съемочных систем, а также сенсоров, установленных на этих съемочных системах, зачастую может возникать необходимость в оценке целесообразности приобретения космических снимков с заданными характеристиками (определенный сенсор, время съемки, количество каналов, пространственное разрешение и т.д.) по уже имеющимся данным другого разрешения или сенсора. В данной статье рассматривается возможность уменьшения размерность гиперспектральных космических снимков для такой оценки, а также для дальнейшего использования в целях автоматического распознавания объектов на снимке.
Широко известен алгоритм главных компонент, применяющийся для уменьшения размерности цифровых изображений и использования меньшего количества данных, исключения шума и избыточной информации при обработке космических снимков. Однако существует алгоритм, который позволяет уменьшить размерность не только мультиспектральных, но и гиперспектральных снимков. При использовании метода главных компонент
1
для гиперспектральных снимков могут возникать трудности при вычислении собственных векторов спектральных каналов. Однако использование метода независимых компонент позволяет существенно снизить размерность исходного снимка, что означает необходимость вычисления собственных векторов не для полного набора каналов (например, 224 канала для сенсора АУБ^или до 255 каналов для Ресурс-П и др.), а для значительно меньшего количества каналов, в зависимости от использованного алгоритма вычисления независимых компонент.
Алгоритм предполагает два этапа:
1. Вычисление независимых компонент для исходного гиперспектрального снимка со снижением размерности.
2. Применение метода главных компонент на основе полученных статистических данных и выходного мультиспектрального изображения.
В эксперименте, который описывается в данной статье, были использованы гиперспектральные снимки AVRIS
(AirbomeVisiblelnfraredlmagmgSpectrometer), имеющий 224 каналовв спектральном диапазоне 0.4-2.5нм; обработка производилась в программном комплексе ENVI с предварительной атмосферной коррекцией исходного изображения.
В программном комплексе ENVIсуществует возможность получения независимых компонент изображения с помощью трех различных способоввычисления контрастирующей функции:
• LogCosh - ;
G2çlO = -ехР(-^72). 9г№ = иехР ( -
• Kurtosis - \
. Gauss,ап = =
где Gn(u) - контрастирующая функция.
Эксперимент показал, что при использовании любого из данных методов удается сосредоточить значимую информацию в нескольких первых каналах, для снимка AVRIS-от пяти до восьми компонент соответственно, в зависимости от выбранной контрастирующей функции, а также от количества выходных каналов. Эмпирическим путем было определено, что при количестве выходных каналов больше шести, последующие каналы не несут в себе значимой информации, тогда как при четырех-пяти выходных каналах основная информация снимка сосредотачивается в трех первых каналах.
Как видно из рис. 1, на котором показана 1, 6 и 12 компоненты преобразованного изображения, 12я компонента уже не несет в себе значимой информации, а содержит в основном только шум.
При этом для вычисления независимых компонент, содержащих информацию только об интересующих типах областей, комплекс ENVI позволяет производить преобразования на выбранную область интересов, что позволяет сосредоточить работу алгоритма и ускорить преобразование.
Также в системе существует возможность обратного преобразования по методу независимых компонент с использованием набора только значимых компонент.
Дальнейшие исследования направлены на изучение совместного использования метода независимых и главных компонент для уменьшения размерности гиперспектральных космических снимков, а также для последующего распознавания заданных классов объектов на этих изображениях.
Рис 1. Независимые компоненты, полученные с помощью вычисления контрастирующей функции по формуле Kшtosis
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гук А. П., Евстратова Л. Г., Алферова А. С. Комплексный анализ космических снимков для выявления изменений при мониторинге территорий // ГЕО-Сибирь-2009. V Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 20-24 апреля 2009 г.). -Новосибирск: СГГА, 2009. Т. 4, ч. 2. - С. 181-185.
2. Гук А. А. Исследование яркостных свойств и формы крон деревьев по материалам цифровой съемки ADS-40 // Интерэкспо ГЕ0-Сибирь-2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 1. - С. 101-105.
3. Разработка методик автоматизированного дешифрирования аэрокосмических снимков. Дешифровочные признаки изображений объектов на многоспектральных космических снимках / М. А. Алтынцев, С. А. Арбузов, А. А. Гук, А. П. Гук, А. С. Гордиенко и др. // Геодезия и картография. - 2013. - № 7. - С. 31-40.
4. Хайкин С. Нейронные сети: полный курс. - М.: Вильямс, 2005. 1104 с.
5. Hyvarinen A., Karhunen J., OjaEr. Independent Component Analysis. - N.Y.: John Wiley & Sons, Inc., 1998. 481 р.
6. Pearlmutter, B. A., Parra, L. C. Maximum Likelihood Blind Source Separation: A Context-Sensitive Generalization of ICA. In Advances in Neural Information Processing Systems // The MIT Press, Cambridge, MA. 1997. P. 613-619.
© А. А. Гук, 2014
