Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Làm biến đổi dữ liệu gợi cảm hứng sinh học cho hình ảnh đa phổ
Tóm tắt
Dữ liệu siêu phổ cho phép xây dựng các mô hình thống kê vững chắc hơn để lấy mẫu các thuộc tính vật liệu so với đại diện màu sắc ba sắc cơ bản tiêu chuẩn. Tuy nhiên, do độ chiều lớn và độ phức tạp của dữ liệu siêu phổ, việc trích xuất các đặc trưng vững chắc (các mô tả hình ảnh) không phải là một vấn đề đơn giản. Do đó, để tạo điều kiện thuận lợi cho việc trích xuất đặc trưng hiệu quả, các kỹ thuật bài thích thường được áp dụng để giảm chiều dữ liệu siêu phổ nhằm tạo ra các mô tả hình ảnh cô đọng và có tính phân biệt cao. Các phương pháp hiện tại để bài thích dữ liệu như phân tích thành phần chính (PCA), phân tích phân biệt tuyến tính (LDA), phân rã wavelet (WD) hoặc các phương pháp chọn dải yêu cầu các quy trình đào tạo phức tạp và chủ quan, thêm vào đó, thông tin quang phổ nén không liên quan trực tiếp đến các đặc tính vật lý (quang phổ) liên quan đến các vật liệu được phân tích. Mục tiêu chính của bài báo này là giới thiệu và đánh giá một phương pháp bài thích dữ liệu mới sử dụng một cách tiếp cận gần gũi với thị giác con người. Sơ đồ bài thích dữ liệu được đề xuất đã được sử dụng để tối ưu hóa việc giảm thiểu lượng thông tin dư thừa có trong các dải siêu phổ có tương quan cao và đã được đánh giá toàn diện trong bối cảnh phân loại vật liệu phi sắt kim.
Từ khóa
#dữ liệu siêu phổ #trích xuất đặc trưng #bài thích dữ liệu #phân loại vật liệu phi sắt kim #thị giác con ngườiTài liệu tham khảo
Grahn H, Geladi P, (eds): Techniques and Applications of Hyperspectral Image Analysis. Wiley, Chichester; 2007.
Wahab DA, Hussain A, Scavino E, Mustafa M, Basri H: Development of a prototype automated sorting system for plastic recycling. Am J Appl Sci 2006, 3: 1924-1928.
Chang CI: Hyperspectral Imaging: Techniques for Spectral Detection and Classification. Kluwer Academic Publishers Group, New York; 2003. ISBN:0-306-47483-5
Tso B, Olsen RC: Scene Classification Using Combined Spectral, Textural and Contextual Information. Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery X (SPIE) 2004.
Specim Spectral Imaging Ltd[http://www.specim.fi/]
Slater D, Healey G: Material classification for 3D objects in aerial hyperspectral images. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'99) 1999, 2: 2262-2267.
Healey G, Slater D: Models and methods for automated material identification in hyperspectral imagery acquired under unknown illumination and atmospheric conditions. IEEE Trans Geosci Remote Sens 1999, 37: 2706-2717. 10.1109/36.803418
Keshava N: Distance metrics and band selection in hyperspectral processing with application to material classification and spectral libraries. IEEE Trans Geosci Remote Sens 42: 1552-1565.
Imai FH, Rosen MR, Berns RS: Comparative Study of Metrics for Spectral Match Quality. Proc of the First European Conference on Colour in Graphics, Imaging and Vision (CGIV) 2002, 492-496.
Kruse FA, Lefkoff AB, Boardman JB, Heidebrecht KB, Shapiro AT, Barloon PJ, Goetz AF: the spectral image processing system (SIPS)--interactive visualization and analysis of imaging spectrometer data. Remote Sens Environ 1933, 44: 145-163.
Hernández-Andrés J, Romero J, Lee LR: Colorimetric and spectroradiometric characteristics of narrow-field-of-view clear skylight in Granada, Spain. J Opt Soc Am A 2001, 18: 412-420. 10.1364/JOSAA.18.000412
Pai-Hui H: Feature extraction of hyperspectral images using wavelet and matching pursuit. ISPRS J Photogram Remote Sens 2007, 62: 78-92. 10.1016/j.isprsjprs.2006.12.004
Hughes GF: On the mean accuracy of statistical pattern recognizers. IEEE Trans Inf Theory 1968, 14: 55-63. 10.1109/TIT.1968.1054102
Manolakis D, Marden D: Dimensionality reduction of hyperspectral imaging data using local principal component transforms. Algorithms and Technologies for Multispectral, Hyperspectral and Ultraspectral Imagery X (SPIE) 2004.
Feather BK, Fulkerson SA, Jones JH, Reed RA, Simmons M, Swann D, Taylor WE, Bernstein LS: Compression technique for plume hyperspectral images. Algorithms and Technologies for Multispectral, Hyperspectral and Ultraspectral Imagery XI (SPIE) 2005.
Tatzer P, Wolf M, Panner T: Industrial application for inline material sorting using hyperspectral imaging in the NIR range. Real-Time Imaging. Spectr Imaging II 2005, 11: 99-107.
Rajpoot KM, Rajpoot NM: Wavelet based segmentation of hyperspectral colon tissue imagery. In 7th International Multi Topic Conference (INMIC 2003). Islamabad, Pakistan; 2003:38-43.
Kempeneers P, De Backer S, Debruyn W, Coppin P, Scheunders P: Generic wavelet-based hyperspectral classification applied to vegetation stress detection. IEEE Trans Geosci Remote Sens 2005, 43: 610-614.
Wang J, Chang CI: Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis. IEEE Trans Geosci Remote Sens 2006, 44: 1586-1600.
Lee CH, Landgrebe DA: Decision boundary feature extraction for non-parametic classification. IEEE Trans Syst Man Cybernet 1993, 23: 433-444. 10.1109/21.229456
Perkins S, Edlund K, Esch-Mosher D, Eads D, Harvey N, Brumby S: Genie pro: robust image classification using shape, texture and spectral information. Algorithms and Technologies for Multispectral, Hyperspectral and Ultraspectral Imagery XI (SPIE.) 2005.
Kwon H, Der SZ, Nasrabadi NM, Moon H: Use of hyperspectral imagery for material classification in outdoor scenes. SPIE Proceedings Series, Algorithms, Devices, and Systems for Optical Information Processing III, Denver, USA 1999, 3804: 104-115.
Guo B, Damper RI, Gunn SR, Nelson JD: A fast separability based feature-selection method for high-remotely sensed image classification. Pattern Recog 2008, 41: 1653-1662. 10.1016/j.patcog.2007.11.007
Clark RN, Swayze GA: Mapping minerals, amorphous materials, environmental materials, vegetation, water, ice and snow, and other materials: the USGS tricorder algorithm. In Summaries of the Fifth Annual JPL Airborne Earth Science Workshop. Edited by: Green RO. JPL Publication 95-1; 1995:39-40.
Nakariyakul S, Casasent DP: Adaptive branch and bound algorithm for selecting optimal features. Pattern Recog Lett 2007, 28: 1415-1427. 10.1016/j.patrec.2007.02.015
Yu S, De Backer S, Scheunders P: Genetic feature selection combined with composite fuzzy nearest neighbor classifiers for hyperspectral satellite imagery. Pattern Recog Lett 2002, 23: 183-190. 10.1016/S0167-8655(01)00118-0
Bacauskiene M, Verikas A: Selecting salient features for classification based on neural network committees. Pattern Recog Lett 2004, 25: 1879-1891. 10.1016/j.patrec.2004.08.018
Zadeh LA: Fuzzy sets. Inf. Control. 1965, 8: 338-353.
Sangwine SJ, Horne REN: The Colour Image Processing Handbook. Springer, New York; 1998. ISBN 0412806207
Stockman A, MacLeod DI, Johnson NE: Spectral sensitivities of the human cones. J Opt Soc Am A 1993, 10: 2491-2521. 10.1364/JOSAA.10.002491
Stockman A, Sharpe LT: The spectral sensitivities of the middle and long- wavelength-sensitive cones derived from measurements in observers of known genotype. Vision Res 2000, 40: 1711-1737. 10.1016/S0042-6989(00)00021-3
Garrote E: Algorithms for Colour Image Processing Based on Neurological Models. In PhD Thesis. University of the Basque Country, Spain; 2011.
Montoliu R, Pla F, Klaren AC: Illumination intensity, object geometry and highlights invariance in multispectral imaging. Lecture Notes in Computer Science, (Heidelberg, Germany) 2005, 3522: 36-43. 10.1007/11492429_5
Stockman H, Gevers T: Detection and classification of hyper-spectral edges. Proc of the 10th British Machine Vision Conference 1999, 643-651.