zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-1072Research ArticleАННОТАЦИИ АНГЛОЯЗЫЧНЫХ СТАТЕЙABSTRACTS ENGLISH-LANGUAGE ARTICLESПрименение преобразования неотрицательной разре женной матрицы при гиперспектральном анализеApplication of Non-Negative Sparse Matrix Transformation in Hyperspectral AnalysisDengZ.DengZ.

Чанчунь

Changchun

FuY.FuY.

Чанчунь

Changchun

linda_fy@cust.edu.cnZhaoS.ZhaoS.

Чанчунь

Changchun

GaoY.GaoY.

Чанчунь

Changchun

CuiJ.CuiJ.

Чанчунь

Changchun

Чанчуньский университет науки и технологийChangchun University of Science and Technology, School of Optoelectronic Engineering202226052022893436436Copyright © Deng Z., Fu Y., Zhao S., Gao Y., Cui J., 20222022Deng Z., Fu Y., Zhao S., Gao Y., Cui J.Deng Z., Fu Y., Zhao S., Gao Y., Cui J.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/1072

Для снижения размерности при обработке гиперспектральных изображений предложен усовершенствованный метод преобразования неотрицательной разреженной матрицы (n-SMT), основанный на оценке ковариации максимального правдоподобия и норме Фробениуса. Неотрицательность разреженной матрицы сокращает время расчета и повышает эффективность. Для проверки алгоритма n-SMT образцы листьев элеутерококка колючего, пораженных заболеванием, классифицированы для идентификации различных частей листьев после уменьшения размерности. Наряду с n-SMT для всех образцов применен алгоритм вычисления минимальной доли шума. Сравнивается время работы двух алгоритмов и проверяется точность классификации с помощью алгоритма n-SMT.

A variety of pictures in hyperspectral fields requires a reduction in dimensionality, which often needs unique algorithms such as principal component analysis and minimum noise fraction (MNF). This article investigates the improved method of non-negative sparse matrix transformation based on the maximum likelihood covariance estimation and the Frobenius norm to better achieve dimensionality reduction. Non-negativity is presented based on the sparse matrix, which reduces the calculation time and improves efficiency. In order to verify the non-negative sparse matrix transforms (n-SMT) algorithm, samples eroded by disease were selected in the experiment and classified to identify the different parts of leaves after dimension reduction. Besides the n-SMT method, the MNF algorithm is also applied to all the samples. This article compares the two algorithms’ operating time and verifies the accuracy of classification after the n-SMT algorithm.

неотрицательная разреженная матрицаматричное преобразованиегиперспектральное изображениеобработка изображенийnon-negative sparse matrixmatrix transformationhyperspectral imageimage processingReferencesX. Jia, B. C. Kuo, M. M. Crawford, Proc. IEEE, 101, No. 3, 676–697 (2013).X. Jia, B. C. Kuo, M. M. Crawford, Proc. IEEE, 101, No. 3, 676–697 (2013).D. Landgrebe, IEEE Signal Proc. Magazine, 19, No. 1, 17–28 (2002).D. Landgrebe, IEEE Signal Proc. Magazine, 19, No. 1, 17–28 (2002).W. Jing, C. I. Chang, IEEE Trans. Geosci. Remote, 44, No. 6, 1586–1600 (2006).W. Jing, C. I. Chang, IEEE Trans. Geosci. Remote, 44, No. 6, 1586–1600 (2006).M. Fauvel, Y. Tarabalka, J. A. Benediktsson, J. Chanussot, J. Tilton, Proc. IEEE, 101, No. 3, 652–675 (2013).M. Fauvel, Y. Tarabalka, J. A. Benediktsson, J. Chanussot, J. Tilton, Proc. IEEE, 101, No. 3, 652–675 (2013).C. A. Manogue, T. Dray, Mod. Phys. Lett. A, 14, No. 2, 99–103 (2013).C. A. Manogue, T. Dray, Mod. Phys. Lett. A, 14, No. 2, 99–103 (2013).D. Zhang, Y. Le Y, Int. Conf. Comput. Intelligence & Industrial Application (2010).D. Zhang, Y. Le Y, Int. Conf. Comput. Intelligence & Industrial Application (2010).L. R. Bachega, C. A. Bouman, Int. Conf. Image Proc. IEEE (2010).L. R. Bachega, C. A. Bouman, Int. Conf. Image Proc. IEEE (2010).A. L. Bertozzi, A. Flenner, Multiscale Model Sim., 10, No. 3, 1090–1118 (2012).A. L. Bertozzi, A. Flenner, Multiscale Model Sim., 10, No. 3, 1090–1118 (2012).J. Theiler, G. Cao, et al., IEEE J. Sel. Top. Signal Process, 5, No. 3, 424–437 (2011).J. Theiler, G. Cao, et al., IEEE J. Sel. Top. Signal Process, 5, No. 3, 424–437 (2011).G. Cao, L. Bachega, et al., IEEE Trans. Image Process, 20, No. 3, 625–640 (2011).G. Cao, L. Bachega, et al., IEEE Trans. Image Process, 20, No. 3, 625–640 (2011).N. Kochan, G. Y. Tütüncü, G. Giner, Expert Syst. Appl., 167, No. 3, 114200 (2020).N. Kochan, G. Y. Tütüncü, G. Giner, Expert Syst. Appl., 167, No. 3, 114200 (2020).J. Fan, L. Yuan, An. Stat., 39, No. 6, 3320–3356 (2011).J. Fan, L. Yuan, An. Stat., 39, No. 6, 3320–3356 (2011).D. D. Lee, H. S. Seung, et al., Nature, 401, 788–791 (1999).D. D. Lee, H. S. Seung, et al., Nature, 401, 788–791 (1999).P. O. Hoyer J Mach. Learn Res., 5, No. 9, 1457–1469 (2004).P. O. Hoyer J Mach. Learn Res., 5, No. 9, 1457–1469 (2004).A. Copar, M. Zitnik, B. Zupan, Biodata Min., 10, No. 1, 41 (2017).A. Copar, M. Zitnik, B. Zupan, Biodata Min., 10, No. 1, 41 (2017).Y. L. Xie, P. K. Hopke, P. Paatero, J. Chem., 12, No. 6, 357–364 (2015).Y. L. Xie, P. K. Hopke, P. Paatero, J. Chem., 12, No. 6, 357–364 (2015).H. Zhi, X. Yu, G. Wang, Z. Wang, Fifth Int. Conf. Fuzzy System and Knowledge Discovery, FKSD 2008, IEEE, 4, 10–20, Jinan, Shandong, China (2008)H. Zhi, X. Yu, G. Wang, Z. Wang, Fifth Int. Conf. Fuzzy System and Knowledge Discovery, FKSD 2008, IEEE, 4, 10–20, Jinan, Shandong, China (2008)D. Bo, M. M. Lin, M. T. Chu, Numer. Algorithms, 65, No. 2, 251–274 (2014).D. Bo, M. M. Lin, M. T. Chu, Numer. Algorithms, 65, No. 2, 251–274 (2014).Y. Chen, A. Wiesel, A. O. I. Hero, IEEE Trans. Signal Process, 59, No. 9, 4097–4107 (2011).Y. Chen, A. Wiesel, A. O. I. Hero, IEEE Trans. Signal Process, 59, No. 9, 4097–4107 (2011).M. Pal, G. Foody, IEEE Trans. Geosci. Remote, 48, No. 5, 2297–2307 (2010).M. Pal, G. Foody, IEEE Trans. Geosci. Remote, 48, No. 5, 2297–2307 (2010).Z. Emre, E. Tülin, M. E. Karslgil, 13th European Signal Processing Conference IEEE (2015).Z. Emre, E. Tülin, M. E. Karslgil, 13th European Signal Processing Conference IEEE (2015).Y. Bazi, F. Melgani, IEEE Trans. Geosci. Remote, 44, No. 11, 3374–3385 (2003).Y. Bazi, F. Melgani, IEEE Trans. Geosci. Remote, 44, No. 11, 3374–3385 (2003).K. Hajian-Tilaki, Caspian J. Int. Med., 4, No. 2, 627–635 (2013).K. Hajian-Tilaki, Caspian J. Int. Med., 4, No. 2, 627–635 (2013).S. D. Walter, State Med., 24, No. 13, 2025–2040 (2005).S. D. Walter, State Med., 24, No. 13, 2025–2040 (2005).

The authors declare that there are no conflicts of interest present.