高光谱图像（HSI）+深度学习 分类

背景

知乎背景描述
高光谱的图像具有光谱信息和空间维度信息。光谱维度信息具有信息冗余（需要对原始光谱信息进行降维分布），空间信息可利用传统的CNN卷积。

目前的高光谱图像数据集

知乎高光谱数据集
CSDN高光谱数据集
1：Washington DC Mal,Indian Pine等
https://engineering.purdue.edu/~biehl/MultiSpec/hyperspectral.html

2：Indian Pines, Salinas,Pavia Centre and University, Cuprite 等
http://www.ehu.eus/ccwintco/index.php?title=Hyperspectral_Remote_Sensing_Scenes

3：hydice的urban 等
http://www.erdc.usace.army.mil/Media/Fact-Sheets/Fact-Sheet-Article-View/Article/610433/hypercube/#

4:cave 数据集：
http://www1.cs.columbia.edu/CAVE/databases/multispectral/

5: icvl 数据集：
http://icvl.cs.bgu.ac.il/hyperspectral/

6：nus 数据集：
http://www.comp.nus.edu.sg/~whitebal/spectral_reconstruction/index.html

#传统高光谱图像的降维方法
一、无监督光谱降维方法
1、主成分分析PCA
2、局部线性嵌入
3、保邻嵌入
二、有监督 光谱降维方法
1、线性判别分析(lineardiscriminantanalysis)（LDA）
LDA探索最佳投影以最大限度地扩大类间距离，同时最小化类内距离。
2、非参数加权特征提取（NWFH）
NWFE引入了在决策边界附近带有训练样本的非参数分散矩阵
3、局部Fish判别分析((local Fisher discriminantanalysis) （LFDA）
LFDA通过分配更大的权重给更紧密连接的样本来扩展LDA
4、局部判别嵌入(local discriminant embeding)（LDE）
LDE通过避开不同类的相邻数据点来寻求最佳投影以最大化类间离散矩阵

   在HSI中，特别是在高空间分辨率的HSI中，光谱信息在类内(如有阴影的屋顶)和类间的相似性或混淆性(如道路和屋顶在光谱域内是相似的)方面表现出很大的差异。

基于高光谱图像的深度学习方法

1、参考文献：Spectral–Spatial Feature Extraction for Hyperspectral Image Classification: A Dimension Reduction and Deep Learning Approach

他提出的基于ssfc的HSI分类算法结构如图1所示。它可以分为两个主要部分。在第一步中，分别提取光谱和空间特征。对于光谱方法，通常推荐DR方法来降低光谱维数;具体来说，本研究选择BLDE算法来寻找HSI图像的低维表示。利用CNN框架自动提取与空间相关的深层次特征。然后，利用基于cnn的空间特征叠加基于blde基的光谱特征，得到所提出的光谱空间特征。最后将叠加后的特征输入LR分类器，得到分类结果。