基于归一化协同的高光谱图像降维与分类新方法
计算机视觉与模式识别
2022-10-26 v1
摘要
在过去十年中，高光谱图像吸引了全球研究者越来越多的关注。与经典 RGB 和多光谱图像相比，它们提供关于观测区域更详细的信息，并允许准确的目标检测与精确的物体判别。尽管高光谱技术潜力巨大，海量数据的分析与利用仍是一项挑战性任务。无关、冗余及噪声图像的存在降低了分类精度。因此，降维是选取最小且有效图像子集的必需步骤。本文提出一种新的滤波方法——归一化互协同（NMS），以检测在类预测中比原始高光谱立方体数据更具互补性的相关波段。该算法包含两步：通过归一化协同信息进行图像选择，以及像素分类。所提方法基于所选波段的最大归一化协同信息、最小冗余度以及与地面真值的最大互信息的组合来衡量其判别能力。使用支持向量机（SVM）与 k 近邻（KNN）分类器进行了对比研究，以评估所提方法相对于现有波段选择方法的性能。在 NASA 提出的三个基准高光谱图像“Aviris Indiana Pine”、“Salinas”和“Pavia University”上的实验结果表明，相较于文献方法，所提方法具有鲁棒性、有效性及判别能力。关键词：高光谱图像；目标检测；像素分类；降维；波段选择；信息论；互信息；归一化协同
引用
@article{arxiv.2210.13901,
title = {A Novel Approach for Dimensionality Reduction and Classification of Hyperspectral Images based on Normalized Synergy},
author = {Asma Elmaizi and Hasna Nhaila and Elkebir Sarhrouni and Ahmed Hammouch and Nacir Chafik},
journal= {arXiv preprint arXiv:2210.13901},
year = {2022}
}