BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  22,103,368
  • Công bố khoa học và công nghệ Việt Nam

2

Kỹ thuật điện và điện tử

Đặng Trọng Hợp, Mai Đình Sinh(1)

Thuật toán phân cụm mờ cộng tác và giảm chiều dữ liệu cho bài toán phân cụm ảnh vệ tinh siêu phổ

Collaborative clustering algorithm with reducing dimentionality for hyperspectra satelline images

Khoa học và Công nghệ (Đại học Công nghiệp Hà Nội)

2022

1

53-58

1859-3585

Phân cụm mờ cộng tác, Giảm chiều dữ liệu, Bài toán, Phân cụm ảnh,

Hyperspectral image, fuzzy clustering, collaborative clustering, feature reduction.

Ảnh vệ tinh siêu phổ (Hyperspectral Satelline Images - HSI) gần đây đã nhận được sự quan tâm của nhiều nhà nghiên cứu và được ứng dụng trong nhiều lĩnh vực khác nhau. Phân cụm là một bài toán cơ bản trong xử lý ảnh siêu phổ, đồng thời nó cũng là một trong những bước khó nhất bởi vì hảnh siêu phổ có hàng trăm kênh và đòi hỏi tính toán với hiệu năng cao. Trong bài báo này, chúng tôi đưa ra giải pháp phân cụm ảnh siêu phổ bằng cách sử dụng thuật toán phân cụm mờ cộng tác sau khi đã thực hiện giảm chiều dữ liệu ảnh siêu phổ với phép chiếu ngẫu nhiên dựa trên định lý Johnson Lindenstrauss (Thuật toán C2JL). Các kết quả thử nghiệm với tập dữ liệu ảnh vệ tinh siêu phổ và các chỉ số đánh giá cho thấy phương pháp đề xuất cho kết quả tốt hơn các phương pháp đã có.

Hyperspectral satelline images (HSI) have received popularityand shown their usefulness in various earth observation applications in recent years. Segmentation is the basic problems in HSI processing but it also is one of the most difficult taks because HSI have hundreds of channels and high-performance computing is crucial. In this paper, we proposed solution for HSI segmentation by using collaborative clustering with reducing image dimentionality by random projection based on Johnson Lindenstrauss lemma (C2JL algorithm) which also preserves the relative distance between data points. The experiments which were done on 2 HSI data sets with 5 validity indexes shows that proposed methods give the better performance.
 

TTKHCNQG, CVt 70

Xem toàn văn
  • [1] Jin Zhou, Chiman Kwan, Bulent Ayhan, Michael T. Eismann (2017), A Novel Cluster Kernel RX Algorithm for Anomaly and Change Detection Using Hyperspectral Images,IEEE Transactions on Geoscience and Remote sensing
  • [2] F. Krahmer, R. Ward (2016), A Unified Framework for Linear Dimensionality Reduction in L1,Results in Mathematics, vol. 70, no. 1-2, pp. 209- 231.
  • [3] A. Dimitris (2003), Database-friendly random projections: JohnsonLindenstrauss with binary coins,Journal of Computer and System Sciences, pp. 271–678.
  • [4] W. Johnson, J. Lindenstraus (1984), Extensions of Lipshotz mapping into Hilbert space,Contemporary Mathematics, Texas
  • [5] Bing Tu, Xiaofei Zhang, Xudong Kang, Jinping Wang, Jón Atli Benediktsson (2019), Spatial Density Peak Clustering for Hyperspectral Image Classification With Noisy Labels,IEEE Transactions on Geoscience and Remote sensing
  • [6] Kévin Bernard, Yuliya Tarabalka, Jesús Angulo, Jocelyn Chanussot, Jón Atli Benediktsson (2012), Spectral-Spatial Classification of Hyperspectral Data Based on a Stochastic Minimum Spanning Forest Approach,IEEE Transactions on image processing, Vol 21.
  • [7] Pedram Ghamisi, Abder-Rahman Ali, Micael S. Couceiro, Jón Atli Benediktsson (2015), A Novel Evolutionary Swarm Fuzzy Clustering Approach for Hyperspectral Imagery,IEEE Journal of Se-lected Topics in Applied Earth Observations and Remote Sensing, Vol 8.
  • [8] J. Senthilnath, Sushant Kulkarni, J. A. Benediktsson, X. S. Yang (2016), A Novel Approach for Multispectral Satellite Image Classification Based on the Bat Algorithm,IEEE Geoscience and Remote Sensing Letters.
  • [9] A. A, B. E., J. A. J, A. . G. B. H (2016), Comparison of Dimensionality Reduction Techniques for Clustering and Visualization of Load Profiles,IEEE PES Transmission & Distribution Conference and Exposition, Jalisco.
  • [10] M. Imani, H. Ghassemian (2014), Band Clustering-Based Feature Extraction for Classification of Hyperspectral Images Using Limited Training Samples,IEEE Geoscience and Remote Sensing Letters, Vol. 11.
  • [11] Sen Jia, Guihua Tang, Jiasong Zhu, Qingquan Li (2016), A Novel RankingBased Clustering Approach for Hyperspectral Band Se-lection,IEEE Transactions on Geoscience and Remote Sensing, Vol 54.
  • [12] Yuan Yuan, Jianzhe Lin, Qi Wang, (2016), Dual-Clustering-Based Hyperspectral Band Se-lection by Contextual Analysis,IEEE Transactions on Geoscience and Remote Sensing, Vol. 54.
  • [13] Z. Deng, S. Member, Y. Jiang, F. Chung (2016), Transfer Prototype-Based Fuzzy Clustering,Trans. FUZZY Syst., vol. 24, no. 5, pp. 1210–1232
  • [14] Y. Liu, F. Yu (2016), Collaborative Fuzzy Clustering Method for Large Scale Interval Data,Control Decis. Conf., pp. 3906–3911
  • [15] Z. Han, J. Zhao, Q. Liu, W. Wang (2016), Granular-computing based hybrid collaborative fuzzy clustering for long-term prediction of multiple gas holders levels.,Inf. Sci. (Ny)., vol. 330, pp. 175–185.
  • [16] Jin Zhou, C. L. Philip Chen, Long Chen, Han-Xiong Li (2014), Collaborative Fuzzy Clustering Algorithm in Distributed Network Environments. I,IEEE Trans. on Fuzzy Systems, pp. 1-14.
  • [17] Yizhang Jiang, Fu-Lai Chung, Shitong Wang, Zhaohong Deng, Jun Wang, Pengjiang Qian (2014), Collaborative Fuzzy Clustering F-rom Multiple Weighted Views,IEEE Trans.on Cybernetics, pp. 1-13.
  • [18] Luiz F. S. Coletta, Lucas Vendramin, Eduardo Raul Hruschka, Ricardo J. G. B. Campello, Witold Pedrycz (2012), Collaborative Fuzzy Clustering Algorithms: Some Refinements and Design Guidelines,IEEE Transaction on Fuzzy Systems, Vol. 20, No. 3, pp. 444-462.
  • [19] Witold Pedrycz (2008), Collaborative clustering with the use of Fuzzy CMeans and its quantification,Fuzzy Sets and Systems, pp. 2399 -2427
  • [20] Witold Pedrycz (2008), Collaborative fuzzy clustering,Pattern Recognition Letters 23, pp.1675–1686.
  • [21] Witold Pedrycz (2007), Collaborative and knowledge based Fuzzy Clustering,International Journal of Innovative Computing, Information and Control ICIC International, ISSN 1349-4198 Volume 3, pp. 1-12
  • [22] J. C. Bezdek (), Pattern recognition with fuzzy objective function algorithms,
  • [23] Dunn (1973), A fuzzy relative of the isodata process and its use in detecting compact well-separated clusters,J. Cybern., pp. 32–57.
  • [24] J. B. MacQueen (1967), Some Methods for classification and Analysis of Multivariate Observations,Proc. 5th Berkeley Symp. Math. Stat. Probab