基于空间-光谱流形学习的高光谱影像降维
计算机视觉与模式识别
2018-12-27 v1 机器学习
摘要
图嵌入（GE）方法已广泛应用于高光谱影像（HSI）的降维。然而，GE 的一个主要挑战是如何为图构建选择合适的邻域并挖掘 HSI 数据的空间信息。本文提出一种无监督降维算法，称为空间-光谱流形重构保持嵌入（SSMRPE），用于 HSI 分类。首先，采用加权均值滤波（WMF）对图像进行预处理，以减轻背景噪声的影响。根据 HSI 的空间一致性特性，SSMRPE 方法利用一种新的空间-光谱联合距离（SSCD）来融合空间结构与光谱信息，以选取 HSI 像素的有效空间-光谱邻域。然后，它挖掘每个点与其邻域之间的空间关系来调整重构权重，从而提高流形重构的效率。因此，所提方法能够提取判别特征并进而提升 HSI 的分类性能。在 PaviaU 和 Salinas 高光谱数据集上的实验结果表明，与一些 SOTA 方法相比，SSMRPE 能取得更好的分类精度。
引用
@article{arxiv.1812.09530,
title = {Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning},
author = {Hong Huang and Guangyao Shi and Haibo He and Yule Duan and Fulin Luo},
journal= {arXiv preprint arXiv:1812.09530},
year = {2018}
}
备注
under review in IEEE Transactions On Cybernetics