先进的高光谱图像分析:超像素式多尺度自适应T-HOSVD用于3D特征提取
Qiansen Dai1, Chencong Ma2, Qizhong Zhang2
1School of Artificial Intelligence, Hangzhou Dianzi University, Hangzhou 310018, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
本研究介绍了超像素式多尺度自适应T-HOSVD (SmaT-HOSVD) 用于高光谱图像分析. 这种新的方法增强了3D特征提取,在减少数据的情况下实现了高精度.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 数据科学数据科学数据科学
背景情况:
- 超光谱图像 (HSI) 具有3D结构,需要先进的特征提取方法.
- 张量分析,特别是截断的高阶SVD (T-HOSVD),用于HSI特征提取.
- 挑战包括确定最佳张量顺序和处理数据分布灵敏度.
研究的目的:
- 引入一种无监督的方法来进行HSI 3D特征提取.
- 解决HSI分析中现有的T-HOSVD方法的局限性.
- 提高HSI分类的准确性和效率.
主要方法:
- 开发了超像素式多尺度自适应T-HOSVD (SmaT-HOSVD).
- 利用超像素细分用于局部特征提取和空间上下文增强.
- 在超像素块上在多个尺度上应用自适应的T-HOSVD以实现特征融合.
- 集成的最佳等级估计和多尺度的融合策略.
主要成果:
- SmaT-HOSVD有效地提取3D特征,捕获光谱和空间信息.
- 实现了高整体准确率:93.31% (印度松树),97.21% (帕维亚大学),99.25% (萨利纳斯),培训数据最小.
- 证明了卓越的计算效率.
结论:
- SmaT-HOSVD为HSI 3D特征提取提供了一种强大而高效的方法.
- 该方法通过适应性和多尺度策略减轻对数据变化的敏感性.
- 未来的工作包括探索SmaT-HOSVD用于深海HSI分类.
