Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Xác định Độ Dimensional của Dữ Liệu Trong Hình Ảnh Siêu Phân Giải—PNAPCA
Tóm tắt
Biến đổi phân số tiếng ồn tối thiểu (MNF) hoặc phân tích thành phần chính điều chỉnh tiếng ồn (NAPCA) thường được sử dụng để xác định độ dimensional nội tại cho các hình ảnh cảm biến từ xa. Tuy nhiên, các phương pháp này chủ yếu bị giới hạn ở việc tiếng ồn phải được ước lượng chính xác từ dữ liệu hoặc trước đó. Việc ước lượng không chính xác tiếng ồn sẽ làm giảm nghiêm trọng tính hợp lệ của độ dimensional đã tính toán. Trong công trình này, chúng tôi áp dụng NAPCA cho một không gian dữ liệu được phân vùng để giải quyết sự không chính xác của ước lượng tiếng ồn và ước lượng chính xác độ dimensional của dữ liệu. Phương pháp này được gọi là PNAPCA. Tương phản với các phương pháp dựa trên PCA mà xem xét mối quan hệ giữa một tập hợp các biến, PNAPCA tập trung vào mối quan hệ giữa hai không gian con khác biệt được phân vùng từ không gian dữ liệu của hình ảnh gốc thông qua một biến đổi đồng thời. Việc phân vùng này khiến khoảng cách giữa nhóm giá trị riêng cho tín hiệu cộng với tiếng ồn và chỉ tiếng ồn lớn hơn tất cả các phương pháp dựa trên PCA khác. Số lượng thành phần có thể được xác định bằng việc thử nghiệm biên liên hợp-kết hợp được thiết kế (UIMT). Ngoài ra, hiệu suất của PNAPCA được đánh giá qua hai thí nghiệm sử dụng các tập dữ liệu cảm biến hình ảnh mô phỏng và thực tế thu được từ Kính viễn vọng Cảm biến Hạ thấp Hồng ngoại (AVIRIS). Kết quả thực nghiệm cho thấy phương pháp đề xuất có thể xác định hiệu quả độ dimensional nội tại của các hình ảnh cảm biến từ xa.
Từ khóa
#PNAPCA #MNF #NAPCA #độ dimensional #hình ảnh siêu phân giải #cảm biến từ xaTài liệu tham khảo
T.W. Anderson, An Introduction to Multivariate Statistical Analysis, New York: JohnWiley and sons, 1984.
M. Wax and T. Kailaith, “Detection of Signals by Information Theoretic Criteria,” IEEE Trans. Acoustics, Speech, Signal Processing, vol. 33, no. 2, April 1985, pp. 387–392.
H. Akaike, “A New Look at the Statistical Model Identification,” IEEE Trans. Automatic Control, vol. 19, no. 6, 1974, pp. 716–723.
J. Rissanen, “Modelling by Shortest Data Description,” Automatica, vol. 14, 1978, pp. 465–471.
A. A. Green, M. Berman, P. Switzer and M. Craig, “A Transformation for Ordering Multispectral Data in Terms of Image Quality with Implications for Noise Removal,” IEEE Trans. Geoscience and Remote Sensing, vol. 26, no. 1, Jan. 1988, pp. 65–74.
J. B. Lee, A. S. Woodyatt and M. Berman, “Enhancement of High Spectral Resolution Remote Sensing Data by a Noise-Adjusted Principal Components Transform,” IEEE Trans. on Geoscience and Remote Sensing, vol. 28, May 1990, pp. 295–304.
R. E. Roger, “A Fast Way to Compute the Noise-Adjusted Principal Components Transform Matrix,” IEEE Trans. on Geoscience and Remote Sensing, vol. 32, 1990, pp. 1194–1196.
T. M. Tu, H. C. Shyu and C. H. Lee, “A Visual Disk Approach for Determining Data Dimensionality in Hyperspectral Imagery,” submitted to IEEE Trans. on Geoscience and Remote Sensing.
H. T. Wu, J. F. Yang and F. K. Chen, “Source Number Estimation Using Transformed Gerschgorin Radii,” IEEE Trans. on Signal Processing, vol. 43, June 1995, pp. 1325–1333.
B. Adams, and M. O. Smith, “Spectral Mixture Modeling: A New Analysis of Rock and Soil Types at the Viking Lander 1 Site,” J. Geophys. Res., vol. 91, July 1986, pp. 8098–8112.
K. Fukanaga, Introduction to Statistical Pattern Recognition, 2nd Edition, New York: Academic Press, 1990.
ENVI User's Guide, version 2.6, Research Systems Inc., Jan. 1997.
G. A. Swayze, R. N. Clark, S. Sutley, and A. Gallagher, “Ground-Truthing AVIRIS Mineral Mapping at Cuprite, Nevada,” Summaries of the Third Annual JPL Airborne Geosciences Workshop, Volume 1: AVIRIS Workshop, JPL Publication 92-14, 1992.
W. H. Farrand, “Analysis of Altered Volcanic Pyroclasts using AVIRIS data,” Proceedings of the Third AVIRIS workshop, JPL Publication 91-28, 1991.
C. Harsanyi and C-I Chang, “Hyperspectral Image Classification and Dimensionality Reduction: An Orthogonal Subspace Projection Approach,” IEEE Trans. Geoscience and Remote Sensing, vol. 32, no. 4, July 1994, pp. 779–785.
T. M. Tu, C. H. Chen and C-I Chang, “A Noise Subspace Projection Approach to Target Signature Detection and Extraction in Unknown Background for Hyperspectral Images,” IEEE Trans. on Geosci. and Remote Sensing, Vol. 36, No. 1, 1998, pp. 171–1181.