一个新的频段选择框架,用于超光谱遥感图像分类.
B L N Phaneendra Kumar1, Radhesyam Vaddi2, Prabukumar Manoharan3
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Vaddeswaram, India.
Scientific reports
|December 31, 2024
概括
本研究引入了使用带选择和空间特征的高光谱图像 (HSI) 的新维度减少框架. 该方法显著提高了分类器的准确性,在关键数据集上达到99%以上.
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:
- 缩小尺寸 (DR) 对于高光谱图像 (HSI) 分析至关重要,以提高分类器的准确性和管理数据冗余.
- 对于带选择 (BS) 的传统集群方法与相对于特征空间维度的有限数据点作斗争.
研究的目的:
- 为HSI提出一个新的DR框架,将频段选择与空间特征整合在一起.
- 通过采用双重分区和排序来解决传统BS方法的局限性,以实现有效的信息挖掘.
主要方法:
- 一个DR框架将带选择 (BS) 通过双分区和排名与基于半球反射率的空间过器相结合.
- 使用卷积神经网络 (CNN) 进行分类,在减少频段子集上具有三维卷积.
主要成果:
- 实现了高分类准确率:印度松树上99.92%,萨利纳斯树上99.94%,KSC树上97.23%.
- 在数据集中展示了具有较低平均光谱分歧值 (42.4,63.75,41.2) 的有效频段选择.
- 在定量和定性评估中超越了最先进的技术.
结论:
- 拟议的DR框架显著提高了HSI分类的准确性.
- 对于频段选择的双分区和排名方法在挖掘关键信息方面是有效的.
- 该方法显示了各种需要高分类性能的HSI应用的潜力.


