面向无人机高光谱数据的自适应聚类用于高效表型分割
计算机视觉与模式识别
2025-01-20 v1 图像与视频处理
摘要
无人机与高光谱成像（HSI）的结合为通过捕获详细的光谱信息，为环境和农业应用提供了预测看不见的特征（如叶片生化性质）的潜力。然而，HSI 数据密集的特性为遥控设备带来了挑战，这些设备受限于计算资源和存储空间。本文引入一种在线高光谱简单线性迭代聚类算法（Online Hyperspectral Simple Linear Iterative Clustering, OHSLIC）框架，用于实时树木表型分割。OHSLIC 通过自适应增量聚类和轻量级神经网络降低固有噪声和计算需求，使用叶片含量（如叶绿素、类胡萝卜素和花青素）对树木进行表型化。使用包含真实叶子参数和光与物质相互作用的自定义模拟器创建了高光谱数据集。结果表明，OHSLIC 在像素或窗口方法的回归精度和分割性能方面均优于后者，同时显著降低了推理时间。该方法的自适应聚类实现了计算效率与精度之间的动态权衡，为 HSI 应用的可扩展边缘设备部署铺平了道路。
引用
@article{arxiv.2501.10199,
title = {Adaptive Clustering for Efficient Phenotype Segmentation of UAV Hyperspectral Data},
author = {Ciem Cornelissen and Sam Leroux and Pieter Simoens},
journal= {arXiv preprint arXiv:2501.10199},
year = {2025}
}
备注
accepted WACV 2025 GeoCV workshop