研究目的
分析采用不同张量分解方法处理的高光谱图像行为,重点研究预处理技术对重建误差、分类精度和像素反射光谱的影响。
研究成果
分析证实,预处理(尤其是LS-FFT去噪)能显著降低高光谱图像的重建误差并提高分类精度。MLSVD与LMLRA方法的选择取决于数据集:MLSVD在Indian Pines和Pavia University数据集上表现更优,而LMLRA更适合Salinas Scene数据集。这些分解方法既能有效降噪和压缩,又不会丢失关键信息。
研究不足
本研究仅限于特定的张量分解方法(MLSVD和LMLRA)及预处理技术(数据归一化和LS-FFT去噪)。分解方法的选择取决于数据集,且计算时间差异已被记录(MLSVD比LMLRA更快)。未来工作可探索其他张量分解方法,并扩展至其他三维数据类型。
1:实验设计与方法选择:
本研究将高光谱图像建模为三阶张量,采用多线性奇异值分解(MLSVD)和低多线性秩逼近(LMLRA)进行压缩与重建。预处理技术包括数据归一化和LS-FFT去噪。分析方法涉及相对重建误差、SVM分类及像素反射光谱分析。
2:样本选择与数据来源:
使用标准高光谱数据集——Indian Pines(145×145×220像素,224波段,NASA AVIRIS传感器)、Salinas Scene(512×217×224像素,224波段,NASA AVIRIS传感器)和Pavia University(610×340×103像素,103波段,ROSIS传感器)。
3:实验设备与材料清单:
高光谱传感器(如NASA AVIRIS、Hyperion成像光谱仪、ROSIS传感器)及张量分解与分析的计算工具。
4:实验流程与操作步骤:
对原始、归一化及LS-FFT去噪后的高光谱数据,基于最小化相对重建误差原则,采用MLSVD和LMLRA压缩至固定尺寸。随后重建数据并分析重建误差、SVM分类精度及像素反射光谱。
5:数据分析方法:
通过Frobenius范数计算相对重建误差;SVM用于像素级分类,多分类采用一对一或一对多策略;绘制像素反射光谱以可视化光谱特征。
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