黑龙江大学自然科学学报

2021, v.38(02) 228-237

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于子空间划分和自我表示学习的高光谱波段选择
Hyperspectral band selection based on subspace partition and self-representation learning

王鑫;汪国强;

摘要(Abstract):

基于高光谱图像的应用,在不降低性能的前提下,选择具有信息和代表性的波段是大数据环境下一项具有挑战性的任务。许多波段选择方法忽略波段的有序性,只考虑波段的冗余性,这会导致有价值的波段丢失,而保留无用的波段。针对此问题,提出了一种自适应子空间划分和自我表示学习的高光谱波段选择方法(Adaptive subspace partition-Self-representcd learning, ASP-SRL),该方法最大限度地利用类间距离与类内距离之比,将高光谱图像立方体分割为多个子立方体。子立方体采用自表示学习算法处理,在处理完所有子立方体以后,采用记忆向量q进行波段选择。与三个公开高光谱影像数据集和最新的波段选择方法Multi-dictijonary sparse representation (MDSR)、Scalable one-pass self-representation learning (SOP-SRL)、Adaptive subspace partition strategy (ASPS)相比,所提出方法在OA、AA和Kappa三个指标上都优于其他算法。

关键词(KeyWords): 自适应子空间;波段选择;自表示学习;高光谱图像

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金资助项目(51607059);; 黑龙江省自然科学基金资助项目(QC2017059)

作者(Author): 王鑫;汪国强;

Email:

DOI: 10.13482/j.issn1001-7011.2020.12.048

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享