基于无监督扩散与体积最大化的高光谱图像聚类
计算机视觉与模式识别
2023-02-21 v3 机器学习
应用统计
摘要
由飞机或卫星拍摄的高光谱图像包含来自数百个光谱波段的信息，其中隐藏着可利用的潜在低维结构，可用于对植被和其他材料进行分类。处理高光谱图像的一个缺点是，由于光谱分辨率与空间分辨率之间固有的权衡，其空间尺度相对粗糙，这意味着单个像素可能对应于包含多种材料的空间区域。本文提出扩散与体积最大化图像聚类（D-VIC）算法，用于无监督材料聚类以解决该问题。D-VIC 在其标注过程中直接引入像素纯度，从而对对应于仅含单一材料的空间区域的像素赋予更大权重。在包括土地利用图和高度混合的森林健康调查（以白蜡树枯死病为背景）在内的一系列高光谱图像上的大量实验表明，D-VIC 优于可比的 SOTA 方法，这意味着它非常适合用于光谱混合高光谱数据集的无监督材料聚类。
引用
@article{arxiv.2203.09992,
title = {Unsupervised Diffusion and Volume Maximization-Based Clustering of Hyperspectral Images},
author = {Sam L. Polk and Kangning Cui and Aland H. Y. Chan and David A. Coomes and Robert J. Plemmons and James M. Murphy},
journal= {arXiv preprint arXiv:2203.09992},
year = {2023}
}
备注
28 pages, 11 figures