УДК 519.245; 519.674

Б. Г. Кухаренко

Алгоритмы анализа компонент гиперспектральных изображений

Рассматриваются алгоритмы анализа гиперспектральных изображений, которые на основе линейной модели смешивания разделяют спектральные векторы — пиксели гиперспектрального изображения — на наборы составляющих их спектральных сигнатур минералов в соответствии с их относительными распространенностями — компонентами гиперспектрального изображения.
Ключевые слова: гиперспектральные изображения, спектральные сигнатуры минералов, линейная модель смешивания, относительные распространенности, оценка подпространства сигнала, методы выпуклой геометрии, статистические оценки, байесовский вывод, разреженная регрессия

Kukharenko B. G. Algorithms of Hyperspectral Image Component Analysis
The paper addresses hyperspectral image analysis based on linear mixing model, which decomposes pixel spectra into a collection of constituent endmember spectral signatures in accordance with corresponding abundance fractions, which are hyperspectral image components.
Keywords: hyperspectral images, linear mixing model, endmember spectral signatures, signal subspace estimation, geometrical methods, statistical estimates, Bayesian inference, sparse regression

СОДЕРЖАНИЕ

Введение

1. Модель линейной смеси
1.1.Симплексы относительных распространенностей и спектральных векторов
1.2.Задача анализа компонент гиперспектрального изображения

2. Алгоритмы идентификации подпространства сигнала для гиперспектральных изображениий 2.1.Методы сокращения размерности гиперспектральных изображений
2.2.Оценка подпространства сигнала для гиперспектрального изображения по минимуму ошибки (HySime)

3. Методы линейного анализа компонент гиперспектральных изображений на основе геометрии
3.1.Методы на основе геометрии: алгоритмы, основанные на предположении о чистых спектральных векторах
3.2.Методы на основе геометрии: алгоритмы на основе симплекса минимального объема 3.3.Численный эксперимент для моделированных наборов гиперспектральных данных

4. Статистические методы анализа компонент гиперспектральных изображений.
Байесовы методы оценки матрицы смешивания и матрицы относительных распространенностей 
4.1.Анализ зависимых компонент (DECA)

5. Анализ компонент гиперспектрального изображения на основе разреженной регрессии

Список литературы