高光谱遥感图像子空间检测与分类分析

1、原文

An Analysis on the Subspace Detection and Classification of Hyperspectral Remote Sensing Images.

https://ieeexplore.ieee.org/document/9544930  

2、摘要

高光谱图像分类是一项具有挑战性的任务，因为它包含大量数据，并且所需的光谱特征并不总是可用。因此，分类过程面临维度灾难问题。然而，它在成功分类后的许多应用中非常有用，因为它包含许多关于地面物体的有用信息。这种复杂性可以通过在图像分类之前减少不相关的特征来克服。从大型输入数据集中，可以通过主成分分析（PCA）提取所需的信息。因此，针对上述问题，本文采用PCA来降低输入维数并提高分类精度。为了评估所提出方法的有效性，使用了真实的高光谱数据，并且该数据也用于进行实验分析。使用不同的分类器评估所选子空间以执行实验结果。从结果可以说，在真实的高光谱数据上，所提出的方法可以达到大约99%的训练准确率和97%的测试或分类准确率。

3、正文

---------------------------------------------------------------------

-------------------------------------------------------------------

----------------------------------------------------------------

----------------------------------------------------------------------------

4、结论

本研究的目的是研究图像分类任务的降维方法。主要目标是克服分类困难，例如维度灾难。高数据量为研究带来了许多挑战和范围。例如，捕获的数据高度相关，并且包含大量冗余信息。有些图像没有占用足够的信息进行处理。此外，并非所有图像波段对于分类任务都同样重要。随着输入数据集的增加，分类精度也开始下降，这被称为维度灾难。所以任务是从输入数据集中只提取相关特征。因此，在本研究中，我们通过主成分分析(PCA)提取了特征。PCA在许多文献中用于特征提取，但PCA有一些局限性，因为它是无监督的，依赖于全局方差并忽略了较低的方差分量。因此，将来我们会将两种或多种特征提取技术结合在一起以获得更好的性能。

5、参考文献