低秩表示与邻域保留正则化在高光谱图像特征提取中的应用
182 浏览量
更新于2024-08-26
收藏 1.49MB PDF 举报
"这篇研究论文提出了一种名为低秩表示与邻域保留正则化(LRR_NP)的高光谱图像(HSI)特征提取方法,旨在解决HSI在高维空间中的分类问题。LRR_NP方法结合了局部空间相似性和光谱空间的低秩子空间结构,以提高特征的区分性。通过实验证明,这种方法在HSI数据集上的分类性能优于现有的无监督和监督方法。"
在高光谱成像领域,图像通常拥有数百个光谱通道,导致高维度的数据特性,这被称为高维诅咒。这种高维度使得数据处理变得复杂且效率低下,因此,降低维度和特征提取成为解决这一问题的关键步骤。本文作者提出了一种新的有限元方法——LRR_NP,它基于低秩表示理论并结合了邻域保留正则化。
低秩表示(LRR)是一种矩阵分解技术,它假设HSI数据可以被分解为多个低秩子空间的集合,这些子空间反映了图像的基础结构。在LRR框架下,HSI的光谱信息可以被有效地压缩,同时保留主要的结构信息。然而,仅依赖低秩表示可能忽略局部空间的相似性,这对于HSI分类至关重要。
为了解决这一问题,LRR_NP引入了邻域保留正则化(NP)项。这个正则项考虑了空间相邻像素在特征空间中的相关性,即假设相邻像素具有相似的特征。通过在LRR框架内加入NP正则化,可以进一步增强局部空间结构的保持,从而更好地捕获HSI的局部信息。
在实际应用中,作者在真实HSI数据集上进行了分类实验,以验证LRR_NP方法的有效性。实验结果显示,LRR_NP提取的特征在区分不同类别方面表现优越,优于无监督学习(如PCA、LDA等)和监督学习(如SVM、深度学习模型等)的最新方法。这表明LRR_NP能够更有效地提取对分类任务有帮助的特征,提高了HSI的分类精度。
这篇研究论文为高光谱图像的特征提取提供了一个创新的解决方案,通过融合低秩表示和邻域保留正则化,不仅降低了数据维度,还保持了重要的空间和光谱信息,对于HSI的分析和应用具有重要的意义。
2021-03-03 上传
2021-09-18 上传
2023-11-28 上传
2023-06-10 上传
2023-08-31 上传
2023-08-05 上传
2023-07-25 上传
2023-05-04 上传
2023-07-22 上传
weixin_38664427
- 粉丝: 3
- 资源: 924
最新资源
- 达梦数据库DM8手册大全:安装、管理与优化指南
- Python Matplotlib库文件发布:适用于macOS的最新版本
- QPixmap小demo教程:图片处理功能实现
- YOLOv8与深度学习在玉米叶病识别中的应用笔记
- 扫码购物商城小程序源码设计与应用
- 划词小窗搜索插件:个性化搜索引擎与快速启动
- C#语言结合OpenVINO实现YOLO模型部署及同步推理
- AutoTorch最新包文件下载指南
- 小程序源码‘有调’功能实现与设计课程作品解析
- Redis 7.2.3离线安装包快速指南
- AutoTorch-0.0.2b版本安装教程与文件概述
- 蚁群算法在MATLAB上的实现与应用
- Quicker Connector: 浏览器自动化插件升级指南
- 京东白条小程序源码解析与实践
- JAVA公交搜索系统:前端到后端的完整解决方案
- C语言实现50行代码爱心电子相册教程