×
杨丽娜；苏海龙；钟，程；孟祖强；罗慧武；李锡春；唐、袁燕；卢，杨

基于小波变换平滑排序的高光谱图像分类。 （英语） Zbl 1434.62140号

国际J.Wavelets多分辨率。信息处理。 17，第6号，文章ID 1950050，18 p.（2019）.
摘要：为了有效提高高光谱图像分类的准确性，通常将空间信息与光谱信息进行融合，以提高分类性能。本文提出了一种新的分类方法，称为基于小波变换的平滑排序（WTSO）。WTSO由三个主要部分组成：用于特征提取的小波变换、基于谱空间的相似性测量、基于平滑排序的1D嵌入以及使用插值方案构建最终分类器。具体来说，首先应用小波变换将HSI信号分解为近似系数（AC）和细节系数（DC）。然后，为了测量成对样本的相似水平，在AC上定义了一个新的度量，其中空间信息作为先验知识。接下来，根据测量结果，应用平滑排序，使样本在一维空间中对齐（称为一维嵌入）。最后，由于重排序样本是光滑的，因此可以使用简单的一维插值方法恢复测试样本的标签。在最后一步中，为了减少偏差和提高精度，使用多个一维嵌入构造最终分类器。在WTSO中使用小波变换还可以降低HSI数据的高维性。通过将高维样本转换为一维有序序列，WTSO可以降低计算成本，同时对测试样本进行分类。注意，在WTSO中，基于平滑排序的一维嵌入和插值是以迭代方式执行的。并且它们将在有限的步骤后终止。该方法在两个真实的HSI数据集上进行了实验验证：IndianPines和Pavia大学，取得了令人满意的结果。

引用于20文件

MSC公司：

62华氏35 多元分析中的图像分析
62H30型 分类和区分；聚类分析（统计方面）
94A08型 信息与通信理论中的图像处理（压缩、重建等）
68吨10 模式识别、语音识别

关键词：

小波变换；平滑排序；HSI分类；平滑插值；特征提取
PDF格式BibTeX公司 XML格式引用
\textit｛L.Yang｝等人，Int.J.Wavelets多分辨率。信息处理。17，第6号，文章ID 1950050，第18页（2019；Zbl 1434.62140）
全文： 内政部

参考文献：

[1] Bandos，T.V.、Bruzzone，L.和Camps-Valls，G.，用正则化线性判别分析对高光谱图像进行分类，IEEE Trans。地质科学。遥感47（3）（2009）862-873。
[2] J.Bruna和S.Mallat，《散射算子分类》，预印本（2010），arXiv:1011.3023。
[3] Camps-Valls，G.、Tuia，D.、Bruzzone，L.和Benediktsson，J.，《高光谱图像分类进展：使用统计学习方法的地球监测》，IEEE信号处理。Mag.31（10）（2013）45-54。
[4] Cao，X.，Xu，L.，Meng，D.，Zhao，Q.和Xu，Z.，高光谱图像分类的三维离散小波变换和马尔可夫随机场集成，神经计算226（2017）90-100。
[5] Chen，P.，Jiao，L.，Fang，L.、Gou，S.、Zhao，J.和Zhao（Z.），使用稀疏图学习对高光谱图像进行降维，IEEE J.Sel。应用主题。地球观测站。遥感器10（3）（2017）1165-1181。
[6] Chui，C.K.和Wang，J.，用于非线性降维的随机各向异性变换，GEM-Int.J.Geomath.1（1）（2010）23-50·兹比尔1204.68271
[7] Cui，M.和Prasad，S.，用于鲁棒高光谱图像分类的类别相关稀疏表示分类器，IEEE Trans。地质科学。《遥感》53（5）（2015）2683-2695。
[8] Deng，H.，Ma，C.，Shen，L.和Yang，C.，基于稀疏表示的多重一维嵌入上使用自学习插值的半监督学习，国际小波，多分辨率。信息处理17（3）（2019）1950013·Zbl 1410.68314号
[9] Fang，L.，Cheng，W.，Li，S.和Benediktsson，J.A.，基于多特征的自适应稀疏表示的高光谱图像分类，IEEE Trans。仪器。《测量》66（7）（2017）1646-1657。
[10] Idan，R.、Michael，E.和Israel，C.，使用补丁的平滑排序进行图像处理，IEEE Trans。图像处理。22（7）（2013）2764-2774·兹比尔1373.94339
[11] Kuo，B.C.和Li，C.H.，用于分类的核非参数加权特征提取，IEEE Trans。地质科学。遥感42（5）（2004）1096-1105。
[12] Li，C.，Ma，Y.，Huang，J.，Mei，X.和Ma，J..，使用鲁棒低阶张量恢复的高光谱图像去噪，J.Opt。《美国社会杂志》A32（9）（2015）1604-1612。
[13] Li，W.，Prasad，S.，Fowler，J.E.和Bruce，L.M.，高光谱图像分析中的局部保持维数缩减和分类，IEEE Trans。地质科学。遥感50（4）（2012）1185-1198。
[14] Li，H.，Xiao，G.，Xia，T.，Tang，Y.Y.和Li，L.，使用功能数据分析的高光谱图像分类，IEEE Trans。Cybern.44（9）（2014）1544-1555。
[15] Li，J.，Zhang，H.，Huang，Y.和Zhang，L.，通过局部自适应字典的非局部联合协作表示进行高光谱图像分类，IEEE Trans。地质科学。遥感52（6）（2014）3707-3719。
[16] Lin，H.，Li，J.，Liu，C.和Li，S.，光谱空间高光谱图像分类的最新进展：概述和新指南，IEEE Trans。地质科学。遥感.PP（99）（2018）1-19。
[17] Liu，J.，Wu，Z.，Wei，Z.、Liang，X.和Le，S.，高光谱图像分类的空间谱核稀疏表示，IEEE J.Sel。应用主题。地球观测站。遥感6（6）（2013）2462-2471。
[18] Luo，H.，Tang，Y.Y.，Wang，Y.，王，J.，Biuk-Aghai，R.P.，Pan，J.、Liu，R.和Yang，L.，使用一维嵌入框架中的度量学习进行高光谱图像分类，IEEE J.Sel。应用主题。地球观测站。遥感器10（2017）1987-2001。
[19] 罗，H.，袁，Y.T.，王，Y.，王，J.，杨，L.，李，C.和胡，T.，基于光谱空间一维流形嵌入的高光谱图像分类，IEEE Trans。地质科学。遥感器。54（9）（2016）5319-5340。
[20] Mercier，G.和Lennon，M.，《利用基于光谱的核进行高光谱图像分类的支持向量机》，收录于Proc。2003年IEEE国际地球科学和遥感研讨会，2003年。IGARSS’03，第1卷，IEEE，2003年，第288-290页。
[21] Mou，L.，Ghamisi，P.和Zhu，X.X.，基于深度残差转换经济网络的高光谱图像分类无监督光谱空间特征学习，IEEE Trans。地质科学。遥感器56（1）（2018）391-406。
[22] Nayak，D.R.、Dash，R.和Majhi，B.，使用二维离散小波变换和adaboost与随机森林进行脑MR图像分类，神经计算177（2016）188-197。
[23] Newman，M.E.、MClaren，K.P.和Wilson，B.S.，《比较分类技术对景观水平评估的影响：基于像素与基于对象的分类》，《国际遥感杂志》32（14）（2011）4055-4073。
[24] Pan，L.，Li，H.C.，Meng，H.，Li.，W.，Du，Q.，Emery，W.J.，Pan，L，Li。遥感快报。PP（99）（2017）1-5。
[25] Peng，J.和Qian，D.，基于最大相关熵准则的高光谱图像分类鲁棒联合稀疏表示，IEEE Trans。地质科学。遥感器55（12）（2017）7152-7164。
[26] Plaza，A.、Benediktsson，J.A.、Boardman，J.W.、Brazile，J.、Bruzzone，L.、Camps-Valls，G.、Chanussot，J.，Fauvel，M.、Gamba，P.和Gualtieri，A.，《高光谱图像处理技术的最新进展》，《遥感环境》113（1）（2009）S110-S122。
[27] Qian，Y.，Ye，M.和Zhou，J.，基于结构稀疏逻辑回归和三维小波纹理特征的高光谱图像分类，IEEE Trans。地质科学。遥感51（4）（2013）2276-2291。
[28] Ram，I.、Elad，M.和Cohen，I.，广义基于树的小波变换，IEEE Trans。《信号处理》59（9）（2011）4199-4209·Zbl 1392.94419号
[29] Ram，I.、Elad，M.和Cohen，I.，图和高维数据云上的冗余小波，IEEE信号处理。Lett.19（5）（2012）291-294。
[30] Ram，I.、Elad，M.和Cohen，I.，通过平滑补丁排序使用nl均值的图像去噪，见2013年IEEE国际会议声学、语音和信号处理（ICASSP），IEEE，2013，第1350-1354页。
[31] Serpico，S.B.和Moser，G.，为分类目的从高光谱图像中提取光谱通道，IEEE Trans。地质科学。遥感45（2）（2007）484-495。
[32] Shen，L.和Jia，S.，基于像素的高光谱图像分类的三维gabor小波，IEEE Trans。地质科学。《遥感》49（12）（2011）5039-5046。
[33] Tang，Y.，Yang，L.和Yuan，H.，基于三维散射小波变换的高光谱图像分类，IEEE Trans。地质科学。遥感53（5）（2015）2467-2480。
[34] Tang，Y.，Yuan，H.和Li，L.，高光谱图像分类的基于流形的稀疏表示，IEEE Trans。地质科学。遥感52（12）（2014）7606-7618。
[35] Wang，J.，使用基于多个1d嵌入的标签增强的集合的半监督学习，Int.J.Wavelets，Multiresolut。Inf.Process。14（2）（2016）1640001·Zbl 1334.68194号
[36] Wang，J.，《使用基于多重一维嵌入的自适应插值的半监督学习》，《国际小波》，《多分辨率》。Inf.Process.14（2）（2016）1640002·Zbl 1333.68236号
[37] Wang，Y.和Cui，S.，使用平稳小波变换的高光谱图像特征分类，2014年国际会议小波分析和模式识别，IEEE，2014年，第104-108页。
[38] Yang，L.、Su，H.、Zhong，C.、Bai，L.，Wei，P.、Dang，X.和Luo，H.，基于不同亲和力度量的高光谱图像分类，2018年国际会议小波分析与模式识别（ICWAPR），IEEE，2018年，第203-208页。
[39] Yi，C.，Nasrabadi，N.M.和Tran，T.D.，使用基于字典的稀疏表示进行高光谱图像分类，IEEE Trans。地质科学。遥感49（10）（2011）3973-3985。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。