狄利克雷过程高斯混合模型在含噪高光谱图像分割中的评估
计算机视觉与模式识别
2022-03-08 v1
摘要
图像分割是遥感图像解译的基础步骤。聚类或分割方法通常先于分类任务，并用作人工标注的辅助工具。最常见的算法，如k-means、mean-shift和MRS，需要额外的手动步骤来确定尺度参数。若参数未正确调优且偏离最优值，分割结果将受到严重影响。此外，最优尺度的搜索是一项代价高昂的任务，因为它需要全面的超参数搜索。本文提出并评估了一种使用狄利克雷过程高斯混合模型（Dirichlet Process Gaussian Mixture Model）的高光谱图像分割方法。我们的模型能够自调节参数，直至在给定数据集中找到最优的尺度值与簇数。结果证明了我们的方法在绕过手动搜索最优参数负担的同时，发现高光谱图像中物体的潜力。此外，我们的模型在含噪数据集上也产生相似结果，而先前研究通常需要降噪与光谱平滑的预处理任务。
引用
@article{arxiv.2203.02820,
title = {Evaluation of Dirichlet Process Gaussian Mixtures for Segmentation on Noisy Hyperspectral Images},
author = {Kiran Mantripragada and Faisal Z. Qureshi},
journal= {arXiv preprint arXiv:2203.02820},
year = {2022}
}