基于空间-光谱的高光谱图像降维(Huang et al., 1812.09530)

论文链接

现有降维(Dimensionality Reduction, DR)方法总结

  • 主成分分析(Principal Component Analysis, PCA)
  • 线性判别分析(Linear Discriminant Analysis, LDA)维基
  • 局部线性嵌入(Local Linear Embedding, LLE)
  • 等距特征映射(ISOmetric feature MAPping, ISOMAP)
  • 拉普拉斯本征映射(Laplacian Eigenmap, LE)
  • t-分布随机邻域嵌入(t-distribution Stochastic Neighbor Embedding, t-SNE)
  • 局部保持投影(Locality Preserving Projections, LPP)
  • 邻域保持嵌入(Neighborhood Preserving Embedding, NPE)
  • 参数化监督t-SNE
  • 图嵌入(Graph Embedding, GE)——尝试统一多种不同的降维方法

上述方法的问题是只考虑了光谱信息,没有考虑像元间的空间关联

  • 空间相干NPE(Spatial Coherence NPE, SC-NPE)
  • 局部像元NPE(Local Pixel NPE, LP-NPE)
  • 判别空间-光谱边缘(Discriminate Spectral-Spatial Margins, DSSM) 链接

上述方法或是只利用空间信息来表征相似度,或是在一个特定的空间窗口中考虑空间关系,而没有从邻接图的角度进行考量。

本文方法:空间-光谱流形重构保持嵌入(Spatial-Spectral Manifold Reconstruction Preserving Embedding, SSMRPE)

原文图1

主要步骤:

  • 利用空间加权平均滤波(Spatial Weighted Mean Filter, SWMF)进行数据预处理,实现降噪和平滑
  • 利用空间-光谱结合距离(Spatial-Spectral Combined Distance, SSCD)来确定空间-光谱域的邻域范围
  • 利用空间-光谱邻接图来揭示高光谱数据的流形结构,在此基础上调节空间邻域的重构权重,进而提取判别特征。

测试数据集:

  • PaviaU
  • Salinas

你可能感兴趣的:(基于空间-光谱的高光谱图像降维(Huang et al., 1812.09530))