将纹理信息融入高维图像的降维

从天文学、文化遗产到系统生物学等众多领域，高维成像正变得日益重要。此类高维数据的可视化探索通常通过降维来促进。然而，常见的降维方法在构建低维嵌入时并未包含图像中存在的空间信息，如局部纹理特征。因此，对此类数据的探索通常分为侧重属性空间的步骤和侧重空间信息的步骤，反之亦然。在本文中，我们提出了一种将空间邻域信息融入基于距离的降维方法（如 t-Distributed Stochastic Neighbor Embedding (t-SNE)）的方法。我们通过修改与每个像素关联的高维属性向量之间的距离度量来实现这一点，使其考虑该像素的空间邻域。基于对比较图像块不同方法的分类，我们探索了多种不同方法。我们从理论和实验角度对这些方法进行了比较。最后，我们通过在合成数据和两个真实世界用例上的定性和定量评估，说明了所提方法的价值。