不变属性剖面：一种用于高光谱图像分类的空频联合特征提取器
计算机视觉与模式识别
2019-12-20 v1
摘要
迄今为止，已开发出大量先进技术以增强和提取高光谱图像处理与分析中的空间语义信息。然而，局部语义变化，如场景构成、物体间相对位置、由光照、大气效应和物质混合引起的光谱变异，在空间信息建模中较少被研究。因此，从不同空间场景或位置识别相同材料可能较为困难。本文提出一种解决方案，通过称为不变属性剖面（IAPs）的方法，从高光谱影像（HSI）的空间和频域局部提取不变特征来应对该问题。IAPs利用各向同性滤波器组或卷积核在HSI上及笛卡尔坐标系中的空间聚合技术（如超像素分割）提取空间不变特征。此外，它们通过傅里叶极坐标下构建的连续定向梯度直方图来建模不变行为（如平移、旋转）。这产生了一种空频不变特征的组合表示，可应用于HSI分类。在三个有前景的高光谱数据集（Houston2013和Houston2018）上进行的大量实验表明，与几种最先进的剖面相关技术相比，所提IAP方法具有优越性和有效性。代码将可从网站获取：https://sites.google.com/view/danfeng-hong/data-code。
引用
@article{arxiv.1912.08847,
title = {Invariant Attribute Profiles: A Spatial-Frequency Joint Feature Extractor for Hyperspectral Image Classification},
author = {Danfeng Hong and Xin Wu and Pedram Ghamisi and Jocelyn Chanussot and Naoto Yokoya and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:1912.08847},
year = {2019}
}