.png){kind=icon}
返回
Superpixel-Level Joint-Sparse and Graph-Regularized Framework for Hyperspectral Image Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs18162699.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像分类（HSIC）仍然具有挑战性，因为高维光谱特征必须与空间上连贯的地表覆盖结构一起解释，尤其是在标注样本有限的情况下。本文提出了一种基于超像素的光谱-空间HSIC方法SJSGR，该方法结合了联合稀疏表示与图拉普拉斯正则化。首先将HSI划分为同质性超像素区域，使得具有相似光谱特征的相邻像素能够被联合表示而非独立表示。针对每个超像素，在训练字典与超像素样本之间构建了一种感知相似性的权重矩阵，鼓励系数矩阵选择更多标签一致且具有代表性的训练原子。为进一步保留局部流形结构，将图拉普拉斯正则化纳入优化目标，促使超像素内相邻像素的表示系数保持平滑与连贯。最终形成的统一模型整合了光谱相关性、空间一致性和局部几何结构，并通过乘子交替方向法（ADMM）求解。分类通过将每个超像素分配给重建误差最小的类别完成。在三个真实HSI数据集（印第安松林、帕维亚大学和方庐）上进行了实验，将所提出的框架与几种稀疏表示和基于图的HSIC方法进行比较。这些数据集的实验结果表明了所提出方法的能力，在标注样本占比分别为10%、1%和1%时，总体精度分别达到98.12%、98.04%和98.26%。除了在这些低训练样本分布下比对比方法获得近1%更高的总体精度外，SJSGR在训练样本数量更少的情况下也提供了更好的分类性能。研究结果提示，结合局部流形正则化的超像素引导稀疏表示是有效光谱-空间HSIC的一个有前景的方向。
Keyword:
superpixel
sparse
graph
hyperspectral
classification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
