Методы нелинейного снижения размерности гиперспектральных изображений и их применение

В настоящее время гиперспектральные изображения все более широко используются в самых различных областях деятельности человека: сельском хозяйстве, медицине, химии и др. С одной стороны, использование гиперспектральных изображений предоставляет новые возможности, позволяя извлекать информацию о материалах (компонентах), представленных на изображении. С другой стороны, их использование сопряжено с трудностями при решении задач хранения, передачи, обработки и распознавания, обусловленными высокой спектральной размерностью таких изображений. В связи с этим важнейшим этапом при использовании гиперспектральных изображений является устранение избыточности таких изображений при сохранении важной спектральной информации. Для решения указанной проблемы в настоящем проекте выполнена разработка подходов, математических методов и вычислительных алгоритмов снижения размерности гиперспектральных изображений: 1. Предложен подход к построению методов снижения размерности, основанный на принципе сохранения выбранной меры спектрального рассогласования. Разработан нелинейный метод снижения размерности гиперспектральных данных, действующий по принципу сохранения дивергенции спектральной информации. 2. Предложен подход к построению методов снижения размерности на основе новой меры спектрально-пространственного рассогласования отсчетов гиперспектральных изображений, а также разработан соответствующий метод снижения размерности гиперспектральных изображений. 3. Предложен метод снижения размерности гиперспектральных изображений, основанный на предположении о линейной модели смешивания спектральных сигнатур и анализе локально-однородных областей. 4. Разработан метод снижения размерности гиперспектральных данных на основе автоассоциативной нейронной сети с использованием предварительного обучения кодера и декодера, а также нейросетевой метод анализа спектральной смеси по представлениям гиперспектральных изображений в редуцированной (сниженной) размерности . 5. Выполнен анализ альтернативных линейных и нелинейных методов снижения размерности. Выполнен анализ качества решения важнейших задач обработки и анализа гиперспектральных изображений. 6. Разработаны параллельные реализации предложенных методов на языке HIP для GPU AMD Radeon, с использованием технологии CUDA для GPU NVIDIA, а также многопоточная реализация для современных CPU. За срок выполнения проекта опубликовано 24 работы (4 работы должны быть проиндексированы WoS и Scopus, 16 – только Scopus, 4 – РИНЦ). Участники проекта выступили с 14 докладами по теме проекта на 11 международных конференциях, в том числе на четырех зарубежных конференциях.