SuperPCA：一种用于高光谱影像无监督特征提取的超像素级PCA方法
计算机视觉与模式识别
2018-09-18 v2
摘要
作为一种无监督降维方法，主成分分析（PCA）已被广泛认为是高光谱图像（HSI）处理与分析任务中高效且有效的预处理步骤。它将每个波段作为整体并在全局提取最具代表性的波段。然而，不同的同质区域对应不同的地物，其光谱特征各异。对整个HSI通过统一的投影进行降维显然是不合适的。本文提出一种简单但非常有效的超像素级PCA方法，称为SuperPCA，以学习HSI的固有低维特征。与经典PCA模型相比，SuperPCA具有四个主要特性。（1）与基于整幅图像的传统PCA方法不同，SuperPCA考虑了不同同质区域间的多样性，即不同区域应具有不同的投影。（2）大多数传统特征提取模型无法直接利用HSI的空间信息，而SuperPCA能够通过超像素分割将空间上下文信息纳入无监督降维中。（3）由于超像素分割所得区域具有同质性，SuperPCA即使在噪声下也能提取潜在的低维特征。（4）尽管SuperPCA是一种无监督方法，但与有监督方法相比它能取得具有竞争力的性能。所得特征具有判别性、紧凑性和抗噪性，从而改善了HSI分类性能。在三个公开数据集上的实验表明，对于HSI分类，SuperPCA模型显著优于传统的基于PCA的降维基线。Matlab源代码可在 https://github.com/junjun-jiang/SuperPCA 获取。
引用
@article{arxiv.1806.09807,
title = {SuperPCA: A Superpixelwise PCA Approach for Unsupervised Feature Extraction of Hyperspectral Imagery},
author = {Junjun Jiang and Jiayi Ma and Chen Chen and Zhongyuan Wang and Zhihua Cai and Lizhe Wang},
journal= {arXiv preprint arXiv:1806.09807},
year = {2018}
}
备注
13 pages, 10 figures, Accepted by IEEE TGRS