基于多特征非线性典型相关分析与t-SNE的土地覆盖图像半监督分割
计算机视觉与模式识别
2024-01-23 v1 人工智能
摘要
图像分割是一项聚类任务，其中每个像素被分配一个聚类标签。遥感数据通常由多个光谱波段图像组成，其中存在语义上有意义的土地覆盖子区域，并在可用时与诸如激光雷达（LIDAR）等其他源数据共同配准。这表明，为了考虑像素之间的空间相关性，与每个像素关联的特征向量可以是一个向量化的张量，表示多个波段和适当的局部图像块。类似地，基于像素局部图像块的多种纹理特征也有助于编码局部统计信息和空间变化，而无需对大量真实标签进行逐像素标注，然后训练监督模型，这有时是不切实际的。在本工作中，通过仅标注少量像素，提出了一种新的半监督分割方法。首先，对所有像素，在高维特征空间中创建一个图像数据矩阵。然后，t-SNE将高维数据投影到三维嵌入空间。通过使用以标记数据样本为中心的径向基函数作为输入特征，与输出类别标签配对，引入了一种改进的典型相关分析算法，称为RBF-CCA，该算法通过少量标记数据集学习相关的投影矩阵。对全图获得的典型变量应用k均值聚类算法。所提出的半监督RBF-CCA算法已在多幅遥感多光谱图像上实现，展示了优异的分割结果。
引用
@article{arxiv.2401.12164,
title = {Semi-supervised segmentation of land cover images using nonlinear canonical correlation analysis with multiple features and t-SNE},
author = {Hong Wei and James Xiao and Yichao Zhang and Xia Hong},
journal= {arXiv preprint arXiv:2401.12164},
year = {2024}
}