研究目的
提出一种新颖的正则化非负矩阵分解方法，用于高光谱图像的光谱-空间维数约简，在不增加额外参数的情况下保留几何结构信息并利用互补特征。
研究成果
所提出的NMFAGR方法通过同步学习低维表示与图结构实现有效降维，在无需额外参数的情况下自动加权特征，并在基准数据集上以更高分类精度超越现有方法，展现出其在高光谱图像处理中的优越性。
研究不足
该方法的效果可能取决于高光谱数据的质量和特征的选择；它需要计算资源进行优化，且对其他数据集或特征的泛化能力尚未充分研究。
1：实验设计与方法选择：
本研究采用一种结合图学习与特征加权的新型自适应图正则化非负矩阵分解方法（NMFAGR）进行降维，使用基于最优梯度法（OGM）的优化算法。
2：样本选择与数据来源：
使用三个公开高光谱数据集——Indian Pines、University of Pavia和Pavia Centre，样本按类别划分训练集与测试集（每类选取10个训练样本）。
3：实验设备与材料清单：
未提及专用设备；计算工具为搭载Intel i7-6700处理器和16GB内存的个人电脑上运行的MATLAB R2017a。
4：实验流程与操作步骤：
从高光谱图像中提取光谱、纹理及形态特征；应用降维方法；采用SVM分类器进行分类；与前沿方法（PCA、NPE、LPP、MFC、MONMF）进行对比。
5：数据分析方法：
通过总体精度（OA）和Kappa系数评估性能；分析参数敏感性与计算耗时。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
MATLAB
R2017a
MathWorks
Software used for implementing and running the dimension reduction algorithms and data analysis.
-
Processor
i7-6700
Intel
Central processing unit for computational tasks in the experiments.
-
RAM
Memory for data processing and algorithm execution.
-
Operating System
Windows 7
Microsoft
Platform for running the software and experiments.
-
AVIRIS sensor
Used to collect the Indian Pines hyperspectral data set.
-
ROSIS sensor
Reflective Optics System Imaging Spectrometer
Used to collect the University of Pavia and Pavia Centre hyperspectral data sets.
-
登录查看剩余4件设备及参数对照表
查看全部
