高光谱图像基础知识

1.高光谱图像常用的算法:

SVM

multinomial logistic regression (MLR) 多项式逻辑回归

sparse MLR(SMLR


2. Hughes 现象

使用最大似然分类算法对高光谱图像分类的时候,随着波段的增加,要求训练样本急剧增加。 训练样本数目有限时,随着参与运算波段数目的增加,分类精度“先增后降”的现象。


3. 高光谱图像表示:

一张高光谱图像X,有N个像素点,每个像素点有L个特征(频段)

X ≡ (x_{1}, x_{2}, . . . , x_{N} ) ∈R^{L×N }

Y是图像X的label,也是一个图片 Y ≡ (y_{1}, y_{2}, . . . , y_{N} ) ∈K^{N }

每个yi是一个矢量,表示K类中的某一类 y_{i}=[y_{i}^{(1)},y_{i}^{(2)},...y_{i}^{(K)}] ,其中  y_{i}^{(j)}\in\left\{ 0,1 \right\}


4. 数据集:

The Indian Pines image

通过Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) sensor获得。AVIRIS传感器在光谱范围0.2到2.4μm内产生220个波段。在实验中,通过去除20个吸水带,将带数减少到200个。10 nm的光谱分辨率和20米空间分辨率像素,空间维度是145×145。ground truth包含16个陆地覆盖类和10 366个标记像素。最小类的像素个数为20,最大类的像素个数为2468.

The University of Pavia image

通过Reflective Optics System Imaging Spectrometer(ROSIS)获得。传感器产生115光谱波段范围从0.43到0.86μm,每像素的空间分辨率为1.3米。图像场景大小为610×340像素,移除12个noisiest频段后,剩下103个bands。有9个ground truth classes。

The center of Pavia image

通过ROSIS获得,每个图片1096×492像素。移除13个noisiest频段后,剩下102个bands。有9个ground truth classes。


5 评估标准:

overall accuracy (OA) 正确分类的测试样本数 / 总测试样本数

average accuracy (AA) 每个类的正确率的平均

kappa statistic (k) weighting the measured accuracies,它合并了混淆矩阵的对角线和非对角线项,是一种鲁棒的一致性度量。

编辑于 2018-08-29

文章被以下专栏收录