.png){kind=icon}
返回
Unsupervised Hyperspectral Band Selection Using Spectral–Spatial Iterative Greedy Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/s25185638.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱波段选择（BS）是一种用于减少高光谱遥感图像（HSIs）分类应用中数据维度的关键技术。近年来，基于搜索的BS方法因其能够在保留原始数据关键信息的同时选择最佳波段子集的能力而受到越来越多的关注。然而，现有的基于搜索的BS方法未能有效利用数据中固有的空间和光谱先验信息，从而限制了其性能。为解决此问题，本研究提出了一种名为光谱-空间迭代贪婪算法（SSIGA）的新型无监督BS方法。具体而言，为便于利用光谱信息进行高效局部搜索，SSIGA采用具有平衡聚类大小约束的K-means聚类方法对所有波段进行聚类，并为每个聚类构建K最近邻图。基于最近邻图，SSIGA能够有效探索局部搜索中的邻域解。此外，为利用HSIs的空间和光谱信息高效评估SSIGA给出的解的可判别性和信息冗余度，我们为SSIGA设计了一个有效的目标函数。该目标函数的值通过计算目标HSI上超像素分割结果中解中每个波段的Fisher得分，以及计算解中波段的信息熵和互信息来获得。在三个公开可用的真实HSI数据集上的实验结果表明，SSIG算法相较于几种最先进方法实现了更优的性能。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
.png){kind=icon}
Dimensionality Reduction and Classification of Hyperspectral Images Using Ensemble Discriminative Local Metric Learning基于集成判别局部度量学习的高光谱图像降维与分类
PREAI
分享收藏
Unsupervised Hyperspectral Band Selection by Fuzzy Clustering With Particle Swarm Optimization基于粒子群优化模糊聚类的无监督高光谱波段选择
PREAI
分享收藏
查看更多内容