Analiza czynnikowa zdjęć wielospektralnych

• Autorzy: Czapski P. , Kotlarz J. , Kubiak K. , Tkaczyk M.

Warianty tytułu

EN

Principal component analysis of multispectral images

• Języki publikacji: PL

Abstrakty

PL

Analiza zdjęć wielospektralnych sprowadza się często do modelowania matematycznego opartego o wielowymiarowe przestrzenie metryczne, w których umieszcza się pozyskane za pomocą sensorów dane. Tego typu bardzo intuicyjne, łatwe do zaaplikowania w algorytmice analizy obrazu postępowanie może skutkować zupełnie niepotrzebnym wzrostem niezbędnej do analiz zdjęć mocy obliczeniowej. Jedną z ogólnie przyjętych grup metod analizy zbiorów danych tego typu są metody analizy czynnikowej. Wpracy tej prezentujemy dwie z nich: Principal Component Analysis (PCA) oraz Simplex Shrink-Wrapping (SSW). Użyte jednocześnie obniżają znacząco wymiar zadanej przestrzeni metrycznej pozwalając odnaleźć w danych wielospektralnych charakterystyczne składowe, czyli przeprowadzić cały proces detekcji fotografowanych obiektów. W roku 2014 w Pracowni Przetwarzania Danych Instytutu Lotnictwa oraz Zakładzie Ochrony Lasu Instytutu Badawczego Leśnictwa metodykę tą równie skutecznie przyjęto dla analizy dwóch niezwykle różnych serii zdjęć wielospektralnych: detekcji głównych składowych powierzchni Marsa (na podstawie zdjęć wielospektralnych pozyskanych w ramach misji EPOXI, NASA) oraz oszacowania bioróżnorodności jednej z leśnych powierzchni badawczych projektu HESOFF.

EN

Mostly, analysis of multispectral images employs mathematical modeling based on multidimensional metric spaces that includes collected by the sensors data. Such an intuitive approach easily applicable to image analysis applications can result in unnecessary computing power increase required by this analysis. One of the groups of generally accepted methods of analysis of data sets are factor analysis methods. Two such factor analysis methods are presented in this paper, i.e. Principal Component Analysis (PCA ) and Simplex Shrink - Wrapping (SSW). If they are used together dimensions of a metric space can be reduced significantly allowing characteristic components to be found in multispectral data, i.e. to carry out the whole detection process of investigated images. In 2014 such methodology was adopted by Data Processing Department of the Institute of Aviation and Division of Forest Protection of Forest Research Institute for the analysis of the two very different series of multispectral images: detection of major components of the Mars surface (based on multispectral images obtained from the epoxy mission, NASA) and biodiversity estimation of one of the investigated in the HESOFF project forest complexes.

Słowa kluczowe

PL

PCA; metody statystyczne; bioróżnorodność; krzywe blasku; redukcja danych

EN

PCA; statistical methods; biodiversity; light curves; data reduction

• Wydawca: Wydawnictwa Naukowe Instytutu Lotnictwa
• Czasopismo: Prace Instytutu Lotnictwa
• Rocznik: 2014
• Tom: Nr 1 (234) March 2014
• Strony: 143--150
• Opis fizyczny: Bibliogr. 4 poz., rys., wykr., wzory

Twórcy

autor

Czapski P.

• Instytut Lotnictwa, Zakład Teledetekcji Centrum Technologii Kosmicznych

autor

Kotlarz J.

• Instytut Lotnictwa, Zakład Teledetekcji Centrum Technologii Kosmicznych

autor

Kubiak K.

• Instytut Badawczy Leśnictwa, Zakład Ochrony Lasu

autor

Tkaczyk M.

• Instytut Badawczy Leśnictwa, Zakład Ochrony Lasu

Bibliografia

• [1] Cowan N. B. et al., „DETERMINING REFLECTANCE SPECTRA OF SURFACES AND CLOUDS ON EXOPLANETS”, Astropysical Journal, 01/2013
• [2] Cowan N. B., et al. 2009, Astropysical Journal, 700, 915
• [3] W. J. Krzanowski, „Principles of Multivariate Analysis: A User’s Perspective”, Oxford University Press, 2000
• [4] Daniel R. Fuhrmann, „Simplex shrink-wrap algorithm”, Proc. SPIE 3718, Automatic Target Recognition IX, 501 (August 24, 1999); DOI:10.1117/12.359990; http://dx.doi.org/10.1117/12.359990