SuperPCA: A Superpixelwise PCA Approach for Unsupervised Feature Extraction of Hyperspectral Imagery
Junjun Jiang , Member, IEEE, Jiayi Ma , Member, IEEE, Chen Chen, Member, IEEE, Zhongyuan Wang, Member, IEEE, Zhihua Cai, and Lizhe Wang , Senior Member, IEEE
论文引用:
Jiang J, Ma J, Chen C, et al. SuperPCA: A superpixelwise PCA approach for unsupervised feature extraction of hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4581-4593.
SuperPCA:基于超像素和主成分分析法的高光谱图像无监督特征提取方法
SuperPCA虽然仅使用了传统的SVM分类器,但取得的效果比大多数基于深度学习的方法更好。特别是在小样本条件下,效果更为明显。
单尺度SuperPCA
如下图:首先对高光谱图像主成分图,得到超像素块,将每个超像素块对应的原始高光谱图像数据取出(图中红黄蓝等部分),对每部分超像素块内部的数据进行PCA,保证输出相同的维度
d
d
d,将处理后的数据重新组合为数据块。
由于超像素内的样本点更有可能是同类样本,不同超像素的样本点更有可能是不同样本,因此,SuperPCA实现了在类内的主成分分析,可以增加类内一致性与类间差异性,有助于后续分类器取得更好的效果。
![](https://i-blog.csdnimg.cn/blog_migrate/f8e8a7e0e9643f34337c0e5d24f52657.png#pic_center)
多尺度MSuperPCA
整体流程如下图所示。对主成分图进行多尺度超像素分割(ERS)后,使用SuperPCA的方法对不同尺度进行处理,使用SVM分类器进行分类,将分类结果进行决策融合。
![](https://i-blog.csdnimg.cn/blog_migrate/b8fec389dc59308ec4a2b09211d8be31.png#pic_center)
分类效果
对每个数据集,作者对每类5、10、20、30、200个训练样本的数据量进行了实验。
![](https://i-blog.csdnimg.cn/blog_migrate/1447f11e09cfb91b169f71b6127111cd.png)