高光谱图像分类进展：基于统计学习方法的地球监测
计算机视觉与模式识别
2015-04-13 v1
摘要
高光谱图像展现出与自然灰度或彩色摄影图像相似的统计特性。然而，由于像素维度极高且通常可用于学习的标记样本数量很少，高光谱图像的分类更具挑战性。这些特殊性导致了特定的信号处理问题，主要表现为不确定性和复杂流形。统计学习框架在过去十年中日益普及。新方法被提出以考虑图像的空间同质性，通过主动学习纳入用户交互，利用半监督学习挖掘流形结构，提取并编码不变性，或使分类器和图像表示适应未见但相似的场景。本教程通过示例回顾了高光谱遥感图像分类的主要进展。
引用
@article{arxiv.1310.5107,
title = {Advances in Hyperspectral Image Classification: Earth monitoring with statistical learning methods},
author = {Gustavo Camps-Valls and Devis Tuia and Lorenzo Bruzzone and Jón Atli Benediktsson},
journal= {arXiv preprint arXiv:1310.5107},
year = {2015}
}
备注
IEEE Signal Processing Magazine, 2013