高光谱图像分类论文学习——SuperPCA！

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$d$，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。

基于超像素的PCA

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。

MSuperPCA流程图

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。

分类结果图