Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Hemispherical Gaussians for Accurate Light Integration Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Embedding Spatial Context into Spectral Angle Based Nonlinear Mapping for Hyperspectral Image Analysis

verfasst von : Evgeny Myasnikov

Erschienen in: Computer Vision and Graphics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Due to the high dimensionality and redundancy of hyperspectral images, an important step in analyzing such images is to reduce the dimensionality. In this paper, we propose and study the dimensionality reduction technique, which is based on the approximation of spectral angle mapper (SAM) measures by Euclidean distances. The key feature of the proposed method is the integration of spatial information into the dissimilarity measure. The experiments performed on the open hyperspectral datasets showed that the developed method can be used in the analysis of hyperspectral images.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Improving RGB Descriptors Using Depth Cues
Nächstes Kapitel Color Object Retrieval Using Local Features Based on Opponent-Process Theory
Literatur
1.
Lunga, D., Prasad, S., Crawford, M., Ersoy, O.: Manifold-learning-based feature extraction for classification of hyperspectral data. IEEE Sig. Process. Mag. 31(1), 55–66 (2014)CrossRef
2.
Richards, J.A., Jia, X., Ricken, D.E., Gessner, W.: Remote Sensing Digital Image Analysis: An Introduction. Springer, Heidelberg (1999)CrossRef
3.
Wang, J., Chang, C.-I.: Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis. IEEE Trans. Geosci. Remote Sens. 44(6), 1586–1600 (2006)CrossRef
4.
Roweis, S.T., Saul, L.K.: Nonlinear dimensionality reduction by locally linear embedding. Science 290, 2323–2326 (2000)CrossRef
5.
Belkin, M., Niyogi, P.: Laplacian eigenmaps and spectral techniques for embedding and clustering. Adv. Neural Inf. Process. Syst. 14, 586–691 (2001)
6.
Zhang, Z., Zha, H.: Principal manifolds and nonlinear dimension reduction via local tangent space alignment. SIAM J. Sci. Comput. 26(1), 313–338 (2005)CrossRef
7.
Tenenbaum, J.B., de Silva, V., Langford, J.C.: A global geometric framework for nonlinear dimensionality reduction. Science 290, 2319–2323 (2000)CrossRef
8.
Demartines, P., Hérault, J.: Curvilinear component analysis: a self-organizing neural network for nonlinear mapping of data sets. IEEE Trans. Neural Netw. 8(1), 148–154 (1997)CrossRef
9.
Sammon Jr., J.W.: A nonlinear mapping for data structure analysis. IEEE Trans. Comput. C–18(5), 401–409 (1969)CrossRef
10.
Bachmann, C.M., Ainsworth, T.L., Fusina, R.A.: Improved manifold coordinate representations of large-scale hyperspectral scenes. IEEE Trans. Geosci. Remote Sens. 44(10), 2786–2803 (2006)CrossRef
11.
Journaux, L., Foucherot, I., Gouton, P.: Nonlinear reduction of multispectral images by curvilinear component analysis: application and optimization. In: International Conference on CSIMTA 2004 (2004)
12.
Lennon, M., Mercier, G., Mouchot, M., Hubert-Moy, L.: Curvilinear component analysis for nonlinear dimensionality reduction of hyperspectral images. Proc. SPIE 4541, 157–168 (2002)CrossRef
13.
Kim, D.H., Finkel, L.H.: Hyperspectral image processing using locally linear embedding. In: First International IEEE EMBS Conference on Neural Engineering, pp. 316–319 (2003)
14.
Shen-En, Q., Guangyi, C.: A new nonlinear dimensionality reduction method with application to hyperspectral image analysis. In: IEEE International Geoscience and Remote Sensing Symposium, pp. 270–273 (2007)
15.
Yan, L., Roy, D.P.: Improved time series land cover classification by missing observation- adaptive nonlinear dimensionality reduction. Remote Sens. Environ. 158, 478–491 (2015)CrossRef
16.
Sun, W., et al.: Nonlinear dimensionality reduction via the ENH-LTSA method for hyperspectral image classification. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 7(2), 375–388 (2014). Artcle No. 6419851CrossRef
17.
Hong, D.F., Yokoya, N., Zhu, X.X.: Local manifold learning with robust neighbors selection for hyperspectral dimensionality reduction. In: International Geoscience and Remote Sensing Symposium (IGARSS), pp. 40–43, November 2016. Article No. 7729001
18.
19.
Kruse, F.A., et al.: The Spectral Image Processing System (SIPS) interactive visualization and analysis of imaging spectrometer data. Remote Sens. Environ. 44, 145–163 (1993)CrossRef
20.
Bachmann, C.M., Ainsworth, T.L., Fusina, R.A.: Exploiting manifold geometry in hyperspectral imagery. IEEE Trans. Geosci. Remote Sens. 43(3), 441–454 (2005)CrossRef
21.
Yan, L., Niu, X.: Spectral-angle-based Laplacian Eigenmaps for nonlinear dimensionality reduction of hyperspectral imagery. Photogramm. Eng. Remote Sens. 80(9), 849–861 (2014)CrossRef
22.
23.
Wang, L., Shi, C., Diao, C., Ji, W., Yin, D.: A survey of methods incorporating spatial information in image classification and spectral unmixing. Int. J. Remote Sens. 37(16), 3870–3910 (2016)CrossRef
24.
Borhani, M., Ghassemian, H.: Kernel multivariate spectral-spatial analysis of hyperspectral data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 8(6), 2418–2426 (2015). Article No. 7056457CrossRef
25.
Sun, W., Liu, C., Li, W.: Hyperspectral imagery classification using the combination of improved Laplacian eigenmaps and improved k-nearest neighbor classifier. Wuhan Daxue Xuebao (Xinxi Kexue Ban)/Geomatics Inf. Sci. Wuhan Univ. 40(9), 1151–1156 (2015)
26.
27.
Metadaten
Titel
Embedding Spatial Context into Spectral Angle Based Nonlinear Mapping for Hyperspectral Image Analysis
verfasst von
Evgeny Myasnikov
Copyright-Jahr
2018
Buch
Computer Vision and Graphics

Print ISBN: 978-3-030-00691-4

Electronic ISBN: 978-3-030-00692-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-030-00692-1_23