基于多字典稀疏表示的高光谱图像无监督波段选择
计算机视觉与模式识别
2018-02-21 v1
摘要
高光谱图像比普通多光谱图像具有远多的光谱波段。丰富的波段信息为大量应用提供了更有利的条件。然而，光谱波段维数的显著增加可能导致维数灾难，特别是对于分类应用。此外，由于水吸收、传感器噪声及其他影响因素，原始图像立方体中存在着大量冗余信息。波段选择是一种直接有效的方法，用于去除冗余信息并降低光谱维数，从而减少计算复杂度并避免维数灾难。本文提出了一种基于稀疏表示思想的波段选择新学习框架。具体而言，首先每个波段由其他波段的线性组合近似表示，然后原始波段图像可由多字典学习机制表示。由此，可通过稀疏优化获得所有波段的一组权重。最后，若某些特定波段在原始图像表示中的权重高于其他波段，则将其选中。在三个广泛使用的高光谱数据集上的实验结果表明，与其他先进的波段选择方法相比，我们所提算法在高光谱图像分类中取得了更好的性能。
引用
@article{arxiv.1802.06983,
title = {Unsupervised Band Selection of Hyperspectral Images via Multi-dictionary Sparse Representation},
author = {Fei Li and Pingping Zhang and Huchuan Lu},
journal= {arXiv preprint arXiv:1802.06983},
year = {2018}
}
备注
Submitted to IEEE Transactions on Circuits and Systems for Video Technology, including 13 figures and 2 tables