光谱维度缩减对高光谱像元分类的影响：一项案例研究
计算机视觉与模式识别
2022-10-12 v2 机器学习
图像与视频处理
摘要
本文对高光谱像元维度缩减在像元分类任务上的影响进行了系统研究。我们使用五种维度缩减方法——PCA、KPCA、ICA、AE 和 DAE——来压缩 301 维高光谱像元。压缩后的像元随后被用于执行像元分类。像元分类精度连同压缩方法、压缩率和重建误差，为研究某一压缩方法对像元分类任务的适用性提供了新视角。我们使用了三个高分辨率高光谱图像数据集，代表由多伦多大学遥感与空间生态系统建模实验室采集的三种常见景观类型（即城市、过渡性郊区和森林）。我们发现 PCA、KPCA 和 ICA 具有更强的信号重建能力；然而当压缩率超过 90% 时，这些方法显示出较低的分类得分。AE 和 DAE 方法在 95% 压缩率下表现出更好的分类精度，但当压缩率接近 97% 时其性能下降。我们的结果表明，在设计高光谱像元分类流程时，压缩方法与压缩率均为重要考量因素。
引用
@article{arxiv.2104.00788,
title = {The Effects of Spectral Dimensionality Reduction on Hyperspectral Pixel Classification: A Case Study},
author = {Kiran Mantripragada and Phuong D. Dao and Yuhong He and Faisal Z. Qureshi},
journal= {arXiv preprint arXiv:2104.00788},
year = {2022}
}
备注
15 pages