面向高光谱图像分类降维的空间-光谱正则化局部缩放割
计算机视觉与模式识别
2018-12-20 v1 机器学习
机器学习
摘要
降维(DR)方法因能提供判别信息并减轻高光谱图像(HSI)分类的计算负担而受到广泛关注。然而，由于训练样本有限且光谱维度高，DR方法面临诸多挑战。为此，提出一种基于图的空间-光谱正则化局部缩放割(SSRLSC)用于HSI数据降维。该方法的核心理念是利用光谱与空间域的信息，以获得优于单纯光谱域方法的分类精度。在SSRLSC中，首先使用引导滤波对HSI数据像素进行平滑与同质化以保像素一致性；随后分别通过正则化局部缩放割(RLSC)与邻域像素局部缩放割(NPLSC)生成光谱域与空间域的类间与类内相异矩阵；最后通过优化更新的空间-光谱类间与总类相异度获得投影矩阵。所提DR算法的有效性通过两个常用真实世界HSI数据集得以说明。
引用
@article{arxiv.1812.08047,
title = {Spatial-Spectral Regularized Local Scaling Cut for Dimensionality Reduction in Hyperspectral Image Classification},
author = {Ramanarayan Mohanty and S L Happy and Aurobinda Routray},
journal= {arXiv preprint arXiv:1812.08047},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1811.08223