Sur l'impact de la réduction de dimension PCA pour la détection hyperspectrale de cibles difficiles

En raison des contraintes à la fois du capteur et du terrain, la réduction de dimension est une étape de prétraitement courante effectuée sur de nombreux ensembles de données d'imagerie hyperspectrale. Cependant, cette transformation n'est pas nécessairement réalisée avec la tâche ultime d'exploitation des données à l'esprit, par exemple, la détection de cibles ou la classification de la couverture terrestre. En effet, d'un point de vue théorique, il est possible qu'une opération avec perte, telle que la réduction de dimension, puisse avoir un impact négatif sur les performances de détection. Cette notion est examinée expérimentalement à l'aide de données d'imagerie hyperspectrale du monde réel. La transformation populaire des composants principaux, également connue sous le nom d'analyse en composants principaux (PCA), est utilisée pour explorer l'impact que la réduction de dimension a sur la détection adaptative de cibles difficiles tant dans les régimes réflexif qu'émissif. En utilisant sept algorithmes à la pointe de la technologie, il est démontré que dans de nombreux cas, la PCA peut avoir un impact minimal sur la valeur statistique de détection pour une cible qui est spectralement similaire à l'arrière-plan contre lequel elle est recherchée.