.png){kind=icon}
返回
Multiscale superpixel depth feature extraction for hyperspectral image classification
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-90228-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，超像素分割已被广泛应用于遥感高光谱图像（HSI）分类。然而，高光谱图像中地物覆盖的结构通常差异巨大，这使得单尺度超像素分割难以完全拟合地物覆盖的边界。此外，超像素形状的不规则性也给深度特征提取带来了挑战。为克服这些问题，本文提出了一种用于高光谱图像分类的多尺度超像素深度特征提取（MSDFE）方法，该方法通过采用多尺度超像素分割、构建超像素统计特征以及进行深度特征提取，有效探索并整合了地物覆盖的空间-光谱信息。具体而言，为挖掘高光谱图像丰富的空间信息，首先对高光谱图像应用多尺度超像素分割。在获得不同尺度的超像素后，为这些具有不同空间形状的超像素构建统一形式的二维统计特征。基于这些二维统计特征，利用卷积神经网络学习更深的特征并进行分类。最后，采用自适应策略融合多尺度分类结果。在三个真实高光谱数据集上的实验表明，所提出的MSDFE方法优于几种当前最先进的方法。
Keyword:
Multiscale superpixel
Hyperspectral image classification
Statistical feature
Adaptive fusion strategy
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
暂无机构信息
引用论文
Hyperspectral Image Denoising and Anomaly Detection Based on Low-Rank and Sparse Representations
OAAI
OAAI分享收藏Sparse Representation-Based Hyperspectral Image Classification Using Multiscale Superpixels and Guided Filter基于多尺度超像素和引导滤波的稀疏表示高光谱图像分类
PREAI
分享收藏Multi-Scale Superpixel-Guided Structural Profiles for Hyperspectral Image Classification.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Superpixel-based 3D deep neural networks for hyperspectral image classificationPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏
查看更多内容