研究目的
比较去噪对使用深度网络和核方法进行高光谱图像分类的效果。
研究成果
去噪显著提高了所有分类器(VCNN、SVM、GURLS)对高光谱图像的分类准确率。光谱LS去噪通常优于空间LS,这可能是由于频域处理的优势。SVM在分类器中取得了最高的准确率。通过更好的超参数调优可以提升VCNN的性能。未来工作可探索用于光谱去噪的高级变换方法及改进的参数选择方案。
研究不足
VCNN的性能高度依赖于超参数调优,这一过程可能较为繁琐。去噪控制参数λ基于视觉判读和信噪比固定设定,但未必适用于所有情况。GURLS在高维帕维亚大学数据集上表现不佳。去噪仅针对已识别的噪声波段实施,可能遗漏部分噪声。采用傅里叶变换之外的先进变换方法可提升光谱最小二乘去噪效果。
1:实验设计与方法选择:
本研究比较了VCNN、SVM和GURLS分类器在经过与未经过去噪处理的高光谱图像上的性能表现,去噪采用光谱和空间最小二乘技术实现。仅对通过波段间块状相关性(IBBC)方法识别的噪声波段进行去噪处理以减少计算耗时。
2:样本选择与数据来源:
使用三个标准高光谱数据集——Indian Pines、Salinas A和Pavia University。针对各数据集根据像素数量选取特定类别,随机抽取80%数据用于训练,20%用于测试。
3:实验设备与材料清单:
Indian Pines和Salinas A的高光谱图像来自AVIRIS传感器,Pavia University的传感器未明确说明。软件工具包括用于VCNN实现的TensorFlow、用于SVM的LIBSVM以及用于GURLS分类器的GURLS库。
4:实验流程与操作步骤:
工作流程包含使用IBBC识别噪声波段,通过光谱或空间LS技术(控制参数λ基于信噪比和视觉判读固定)进行去噪处理,将三维HSI向量化为二维,将原始或去噪数据输入分类器进行训练测试。性能评估基于总体精度与类别精度。
5:数据分析方法:
计算各分类器与去噪方法的精度指标。对VCNN超参数(如学习率、迭代次数)进行调优以优化性能。
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