.png){kind=icon}
返回
Dimensionality reduction in hyperspectral imaging using standard deviation-based band selection for efficient classification
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-21738-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱成像产生包含空间和光谱信息的海量数据。降维方法可以在减小数据尺寸的同时保留关键光谱特征，并可分为特征提取或波段选择方法。本研究展示了标准差作为波段选择方法，结合简单的卷积神经网络，对具有高光谱相似性的器官组织进行分类的有效性。为评估分类性能，该方法应用于11组不同器官样本，每组包含100个数据集。使用标准差是一种有效的降维方法，可在保持特征光谱特征的同时有效降低数据量高达97.3%，相较于未经任何处理的99.30%，实现了97.21%的分类精度。即便与基于互信息和香农熵的波段选择方法相比，标准差也表现出更优的稳定性和效率，同时保持了同等高的分类精度。结果表明，降维对于高光谱成像分类任务具有潜力，这些任务需要处理大规模数据集和快速处理速度，且不牺牲精度。
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Comparison of dimensionality reduction methods on hyperspectral images for the identification of heathlands and mires.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Advances in Hyperspectral Image and Signal Processing A comprehensive overview of the state of the art高光谱图像和信号处理的进展综述
PREAI
分享收藏Recent Developments in Hyperspectral Imaging for Assessment of Food Quality and Safety高光谱成像技术在食品质量安全评价中的研究进展SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏Revolutionizing hyperspectral image classification for limited labeled data: unifying autoencoder-enhanced GANs with convolutional neural networks and zero-shot learning革命化有限标注数据下的高光谱图像分类：统一自动编码器增强的生成对抗网络、卷积神经网络和零样本学习
PREAI
分享收藏Strategies for dimensionality reduction in hyperspectral remote sensing: A comprehensive overview高光谱遥感降维策略综述OAAI
OAAI分享收藏Dimensionality reduction of hyperspectral data using discrete wavelet transform feature extraction基于离散小波变换特征提取的高光谱数据降维
PREAI
分享收藏
查看更多内容