Resumen

La selección de bandas es un método directo y eficaz de reducción de dimensiones y uno de los puntos calientes de la investigación en teledetección hiperespectral. Sin embargo, la mayoría de los métodos ignoran el orden y la correlación de las bandas seleccionadas y construyen subconjuntos de bandas sólo en función del número de centros de agrupación deseados por secuenciación de bandas. Para resolver este problema, este artículo propone un método de selección de bandas basado en la agrupación adaptativa de vecindarios y la correlación de estructuras locales (ANG-LSC). Se adopta un método de subespacio adaptativo para segmentar cubos de imágenes hiperespectrales en el espacio con el fin de evitar la obtención de subconjuntos altamente correlacionados. A continuación, se utiliza el producto de la densidad local y el factor de distancia para clasificar cada banda y seleccionar el número de centro de clúster deseado. Por último, mediante el análisis de la entropía de la información y la correlación de las bandas de los distintos clusters, se seleccionan las bandas más representativas de cada cluster. Para evaluar la eficacia del método propuesto, se realizan experimentos comparativos con los métodos más avanzados en tres conjuntos de datos hiperespectrales públicos. Los resultados experimentales demuestran la superioridad y robustez de ANG-LSC.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:método efectivo de reducción de dimensión, agrupamiento adaptativo de vecindarios, método de subespacio adaptativo, método de selección de banda, número de centro de cluster, cubos de imagen hiperespectral, correlación de estructura local, conjuntos de datos hiperespectrales públicos, ang, lsc
• Keywords:effective dimension reduction method, adaptive neighborhood grouping, adaptive subspace method, band selection method, cluster center number, hyperspectral image cubes, local structure correlation, public hyperspectral datasets, ang, lsc