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
0 p+ v5 X$ w: P( m' Z$ l; R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,
SSIM)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
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
( F  u% A. U9 k3 a, E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
1 引言
高光谱图像分类是信号处理、机器学习和计算
: i5 H5 \" @- Z* ~3 V机视觉等多学科交叉的研究热点之一，在生态研究、
地质探测、军事侦查等方面均有重要应用[1,2]。在遥
感领域，这种分类是指为空间位置上的每个像素分
( \' K0 K$ ]7 ?+ p- S% C' }配一个标签，表明该像素的地物类别，其结果可用
2 t5 y* Y; }- h4 u/ m& F# v于目标探测或感兴趣区域的提取。高光谱图像为地


- t& e2 Q% C& G7 c" W% V
( ^1 h& D1 c* S4 E. S
+ r1 W+ o5 S: \3 ^. G
5 q- b6 [' M% q( J$ L) s  y附件下载:

游客，如果您要查看本帖隐藏内容请回复

  i. k4 Y9 N1 g( [0 b1 |- P

crime

谢谢分享