基于低秩结构提取的高光谱图像压缩表示

BillScot2

摘 要：为实现高效、精准的高光谱图像分类，该文利用低秩矩阵恢复从原始数据中提取低维特征，实现高光谱图
$ l0 X8 A3 r6 }/ t& G% |像的压缩表示。针对高光谱应用的特殊性，该文算法基于结构相似性度量(Structural Similarity Index Measurement,
1 i( z) _+ P' z1 d" gSSIM)对矩阵恢复过程提出了信噪分离约束，有助于选择更优的模型参数，增强表示的准确性。实验证明，相比现
3 _7 l8 v9 ?% W2 f/ p有相关方法，该文算法能够有效去除高光谱图像中的噪声，表示结果更为鲁棒；在仅使用低维特征时，仍能达到较
高的分类精度。
关键词：高光谱图像分类；压缩表示；低秩矩阵恢复
: f$ `  y3 q6 R, ^1 引言
& d2 y0 k+ P% S$ H: R$ J高光谱图像分类是信号处理、机器学习和计算
机视觉等多学科交叉的研究热点之一，在生态研究、
2 d6 T1 Z6 S8 s3 j3 y9 h" }地质探测、军事侦查等方面均有重要应用[1,2]。在遥
* p" C- P& D/ W# H2 |5 z' }感领域，这种分类是指为空间位置上的每个像素分
( E& f- D& B. I! k5 z0 f) O: t配一个标签，表明该像素的地物类别，其结果可用
0 F: {% D: U, k- R. P5 ]于目标探测或感兴趣区域的提取。高光谱图像为地


# D0 a6 G: b! L& S' L) P
2 w9 u2 E5 x+ G$ j, h, T, y1 ]

附件下载:

游客，如果您要查看本帖隐藏内容请回复

* o$ D, ~0 B: F* M% T- y8 Z2 ]

crime

谢谢分享