A graph cut approach to 3D tree delineation, using integrated airborne LiDAR and hyperspectral imagery
University of Cambridge（剑桥大学）；Fondazione E. Mach（埃马努埃莱·马赫基金会）；University of Oxford（牛津大学）；The University of Queensland（昆士兰大学）；Natural England（英国自然署）
在遥感图像中识别单个树木在森林生态学和管理中具有重要的应用。已经提出了几种用于树木描绘的算法，主要是基于定位来自光探测和测距（LiDAR）数据或照片的光栅冠层高度模型（CHM）中的局部最大值或倒置盆地。然而，这些算法往往会导致不准确的估计林分特征，由于有限的信息内容的栅格CHM。在这里，我们开发了一种3D树木描绘方法，该方法使用图形切割来从完整的3D LiDAR点云描绘树木，并且还使用任何可用的光学图像（在我们的情况下是高光谱图像）。首先，传统的方法被用来定位在CHM的局部极大值，并产生一个初始的地图的树木。其次，从LiDAR点云构建图形，与高光谱数据融合。为了提高计算效率，使用鲁棒PCA减少了高光谱图像的特征空间。第三，将多类规范化切割应用于图，使用树的初始图来约束聚类的数量及其位置。最后，递归归一化切割被用来细分，如果必要的话，每个聚类识别的初始分析。我们称这种方法为Multiclass Cut followed by Recursive Cut（MCRC）。MCRC的有效性进行了测试，使用三个数据集：i）NewFor，ii）在意大利阿尔卑斯山的针叶林，和iii）在英国的落叶林地。MCRC的性能通常优于其他划定方法，并通过包括高分辨率光学图像得到进一步改进。由于MCRC以3D方式描绘整个LiDAR点云，因此可以测量单个树冠特征。通过充分利用现有的数据，图割有可能大大提高树木描绘…
2017-01-24 cs.CV
Class Prior-Free Positive-Unlabeled Learning with Taylor Variational Loss for Hyperspectral Remote Sensing Imagery
Wuhan University（武汉大学）
针对高光谱遥感影像中正-未标记学习面临未标记数据主导优化导致过拟合的问题，提出泰勒变分损失和自校准优化策略，在7个基准数据集上验证了有效性。
2023-08-29 cs.CV
C$^3$DG: Conditional Domain Generalization for Hyperspectral Imagery Classification with Convergence and Constrained-risk Theories
Nankai University（南开大学）；Beihang University（北京航空航天大学）
本文提出C$^3$DG方法，通过条件修正推理模块CRIB仅利用光谱信息解决高光谱图像中不同类别光谱相似的问题，并给出收敛性与风险上界理论，在三个基准数据集上验证了其优越性。
2024-07-04 cs.CV
Hybrid Noise Removal in Hyperspectral Imagery With a Spatial-Spectral Gradient Network
School of Geodesy and Geomatics, Wuhan University（武汉大学测绘学院）；Collaborative Innovation Center of Geospatial Technology（地球空间信息技术协同创新中心）
高光谱图像中混合噪声的存在严重影响了高光谱图像的数据质量，降低了高光谱图像的解译精度，并限制了高光谱图像的后续应用。本文提出了一种空间-谱梯度网络（SSGN）用于高分辨率图像的混合噪声去除。该方法采用空间-谱梯度学习策略，充分考虑稀疏噪声的空间结构方向性和谱间差异性，并结合额外的互补信息，更好地提取HSI的内在和深层特征。SSGN基于完全级联的多尺度卷积网络，可以使用同一模型同时处理不同HSIs或频谱中的不同类型的噪声。在这项研究中进行的模拟和真实数据的实验证实，建议SSGN执行更好地在混合噪声去除比其他国家的最先进的HSI去噪算法，在评价指标，视觉评估和时间消耗。
2019-04-01 cs.CV
HyperFree: A Channel-adaptive and Tuning-free Foundation Model for Hyperspectral Remote Sensing Imagery
Wuhan University（武汉大学）；Seoul National University（首尔大学）
提出免调优高光谱基础模型HyperFree，利用权重字典和语义感知掩码处理多变通道，单提示性能媲美专门模型五样本，覆盖5任务11数据集。
2025-03-27 cs.CV
An automatic bad band preremoval algorithm for hyperspectral imagery
对于大多数高光谱遥感应用，去除坏波段，如水吸收波段，是一个必要的预处理步骤。目前，常用的方法是通过目视检查，这是非常耗时的，很容易忽略一些噪声带。在这项研究中，我们发现目标检测算法和损坏的频带去除之间的内在联系。作为一个例子，对于匹配滤波器（MF），这是最广泛使用的目标检测方法的高光谱数据，我们提出了一个自动的MF为基础的坏带识别算法。MF检测器是滤波器向量，并且所得到的滤波器输出是由MF系数加权的所有频带的和。因此，我们只能通过使用MF滤波器向量本身来识别坏频带，其条目的绝对值占每个频带对于目标检测的重要性。对于感兴趣的特定目标，具有小MF权重的频带对应于有噪声或坏的频带。基于这一事实，我们开发了一种自动坏带预去除算法，利用MF权重的平均绝对值为场景内的多个目标。实验结果表明，该方法能够有效地识别出通常被人工选择为不良波段的吸水率和其他低信噪比波段。
2016-10-19 cs.CV
Non-parametric Image Registration of Airborne LiDAR, Hyperspectral and Photographic Imagery of Forests
University of Cambridge（剑桥大学）
目前人们对利用多传感器航空遥感监测森林的结构和生物多样性很感兴趣。本文讨论了非参数图像配准技术的应用，以精确地对齐从多模态成像，这是成功地识别个别树木使用对象识别方法的关键图像。非参数图像配准，特别是优化包含数据保真度和正则化项的目标函数的技术，为图像配准提供了灵活的算法。以西班牙南部的林地调查为例，我们表明，非参数图像配准可以成功地融合数据集时，很少有先验知识的数据集是相互关联的（即在没有地面控制点）。通过一系列实验验证了非参数配准方法在航空遥感图像配准中的有效性。精确的数据融合是机载图像中目标精确识别的前提，因此非参数图像配准可以为分析流程做出有价值的贡献。
2014-07-28 cs.CV
SpecSwin3D: Generating Hyperspectral Imagery from Multispectral Data via Transformer Networks
Department of Geography, University of Wisconsin-Madison（威斯康星大学麦迪逊分校地理系）
针对多光谱到高光谱生成中空间与光谱保真难以兼得的问题，提出基于Transformer的SpecSwin3D模型，采用级联训练和优化波段序列，在PSNR等指标上显著优于基线，并验证了在下游任务中的实用性。
2025-09-07 cs.AI cs.CV
Methane-Plume Segmentation From Hyperspectral Satellite Imagery Via Multimodal Deep Learning
Department of Computer Science, Universidad Industrial de Santander（计算机科学系，圣安德烈斯工业大学）
提出一种多模态深度学习模型，集成特征引导的甲烷增强机制，在MPDataset上取得优于现有方法的性能，实现高精度与高效率的甲烷羽流分割。
2026-06-26 cs.CV
A CNN-based Spatial Feature Fusion Algorithm for Hyperspectral Imagery Classification
Tianjin University（天津大学）
训练样本的不足是人工神经网络（ANN）应用于高光谱图像分类的主要障碍之一。为了融合空间和光谱信息，通常使用像素块来训练模型，这可能进一步聚合该问题。在现有的工作中，引入了一个由中心损失监督的人工神经网络模型（ANNC）。仅用光谱信息训练，ANNC产生适合于后续分类任务的有区别的光谱特征。本文提出了一种基于神经网络的空间特征融合（CSFF）算法，该算法可以将空间信息智能地融合到由ANNC提取的光谱特征中。作为CSFF的关键部分，引入了基于CNN的判别模型来判断两个配对像素是否属于同一类。在测试阶段，通过将判别模型应用于由测试像素及其邻居生成的像素对，估计局部结构并表示为定制的卷积核。通过估计的核与邻域内的对应谱特征之间的卷积运算来获得谱空间特征。最后，通过对得到的光谱-空间特征进行分类，预测测试像素的标签。在不增加训练样本的数量或在训练阶段不涉及像素块的情况下，CSFF框架通过在三个著名的高光谱图像上的实验中降低$20\%-50\%$分类失败来实现最先进的。
2018-08-07 cs.CV
Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery
Southwest China Institute of Electronic Technology（西南中国电子技术研究所）
提出STVMLU方法，结合TV约束与L1/2稀疏约束的多层矩阵分解，利用ADMM优化，提升高光谱解混精度。
2025-08-05 cs.CV cs.LG eess.IV
LEt-SNE: A Hybrid Approach To Data Embedding and Visualization of Hyperspectral Imagery
Mercedes-Benz Research and Development India Pvt. Ltd.（梅赛德斯-奔驰印度私人有限公司研发中心）；Centre of Studies in Resources Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校资源工程研究中心）
从无人机或卫星捕获的高光谱图像（以及一般的遥感）由于其捕获的大空间范围和波长而具有非常大的体积。由于分析这些图像需要大量的计算时间和功率，各种降维技术已被用于特征约简。其中一些流行的技术摇摇欲坠时，应用于高光谱图像由于著名的灾难的维度。在本文中，我们提出了一种新的方法，LEt-SNE，它结合了基于图的算法，如t-SNE和拉普拉斯特征映射到一个模型参数化的浅前馈网络。我们引入了一个新的术语，压缩因子，使我们的方法能够对抗维数灾难。该算法适用于流形可视化和有标记或无标记数据的样本聚类。我们证明了我们的方法是有竞争力的，目前国家的最先进的方法在公共领域的高光谱遥感数据集。
2020-02-08 cs.CV cs.LG eess.IV
A Joint Morphological Profiles and Patch Tensor Change Detection for Hyperspectral Imagery
School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院）
多时相高光谱图像可以用来检测变化信息，逐渐引起了研究者的关注。然而，传统的变化检测算法没有深入挖掘空间和光谱变化特征的相关性，导致检测精度不高。为了更好地挖掘变化特征的光谱和空间信息，提出了一种联合形态学和块张量变化检测（JMPT）方法。首先，采用基于块的张量策略，利用空间结构的相似性，将不重叠的局部块图像整形为新的张量立方体，然后采用三阶Tucker分解和图像重建策略，获得更鲁棒的多时相高光谱数据集.同时，多形态轮廓，包括最大树和最小树被用来提取不同的属性的多时相图像。最后，这些结果被融合到一般的最终变化检测图。在两个真实高光谱数据集上的实验表明，该检测器具有更好的检测性能。
2022-01-20 cs.CV stat.ME
A spectral-spatial fusion anomaly detection method for hyperspectral imagery
Beijing Institute of Technology（北京理工大学）；Space star technology co., LTD（航天恒星科技有限公司）
在高光谱中，高质量的光谱信号传达了细微的光谱差异，以区分相似的材料，从而为异常检测提供了独特的优势。因此，可以有效地从异质背景像素中筛选出异常像素的精细光谱。由于相同的材料在空间和光谱维度上具有相似的特性，通过结合空间和光谱信息可以显著提高检测性能。提出了一种高光谱图像的光谱空间融合异常检测方法。首先，将原始光谱信号映射到由中值和均值组成的局部线性背景空间中，在此背景空间中采用显著性权重和特征增强策略，得到光谱域的初始检测图。此外，为了充分利用检测像素周围局部背景的相似性信息，设计了一种新的检测器，在空域中提取斑块图像的局部相似性空间特征。最后，通过自适应地结合光谱和空间检测图来检测异常。实验结果表明，我们提出的方法具有优越的检测性能比传统的方法。
2022-02-24 cs.CV eess.IV
Map-guided Hyperspectral Image Superpixel Segmentation Using Proportion Maps
University of Missouri（密苏里大学）；University of Florida（佛罗里达大学）
提出了一种基于地图引导的高光谱图像超像素分割方法。所提出的方法开发了SLIC超像素分割算法的高光谱适当版本，利用地图信息来指导分割，并结合半监督部分成员潜在狄利克雷分配（sPM-LDA）来获得最终的超像素分割。该方法被应用到两个真实的高光谱数据集和定量聚类有效性指标表明，该方法优于现有的高光谱超像素分割方法。
2017-01-06 cs.CV
Automatic inspection of cultural monuments using deep and tensor-based learning on hyperspectral imagery
National Technical University of Athens（雅典国立技术大学）；University of Malta（马耳他大学）
在文化遗产中，通常使用高光谱图像，因为它们提供了有关材料光学特性的扩展信息。因此，从要应用的机器学习技术的角度来看，这种高维数据的处理变得具有挑战性。在本文中，我们提出了一个基于Rank- $R$张量的学习模型，以识别和分类文化遗产古迹的材料缺陷。与传统的深度学习方法相比，所提出的基于高阶张量的学习表现出更高的准确性和对过拟合的鲁棒性。联合国教科文组织保护区的真实世界数据的实验结果表明，与传统的深度学习模型相比，该计划的优越性。
2022-07-05 cs.CV cs.LG
Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning
Chongqing University（重庆大学）；University of Rhode Island（罗德岛大学）；Wuhan University（武汉大学）
图嵌入方法在高光谱图像降维中得到了广泛的应用。然而，如何选择合适的邻域进行图的构建和挖掘HSI数据的空间信息是GE面临的一个主要挑战。本文提出了一种用于HSI分类的无监督降维算法空间-谱流形重构保持嵌入（SSMRPE）。首先，采用加权均值滤波器（WMF）对图像进行预处理，以降低背景噪声的影响。SSMRPE方法根据HSI的空间一致性特性，利用一种新的空间-光谱联合距离（SSCD）融合HSI的空间结构和光谱信息，选择有效的HSI空间-光谱邻域。然后，探索每个点与其邻居之间的空间关系，以调整重建权重，以提高流形重建的效率。因此，该方法可以提取判别特征，从而提高HSI的分类性能。在PaviaU和Salinas高光谱数据集上的实验结果表明，与一些最先进的方法相比，SSMRPE可以实现更好的分类精度。
2018-12-22 cs.CV cs.LG
HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search
Wuhan University（武汉大学）；JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）
本文提出HKNAS，利用超核直接生成结构参数并设计仅含卷积的分层搜索空间，以降低高光谱图像分类的架构搜索成本并提升性能。
2023-04-23 cs.CV
SpectralEarth-FM: Bringing Hyperspectral Imagery into Multimodal Earth Observation Pretraining
Chair of Data Science in Earth Observation（地球观测数据科学主任）；Technical University of Munich（慕尼黑技术大学）；Remote Sensing Technology Institute（遥感技术研究所）；German Aerospace Center (DLR)（德国航空航天中心）；Department of Aerospace Engineering（航空航天工程系）；University of the Bundeswehr Munich（联邦国防军慕尼黑大学）；LEAP；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化技术研究院）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔INP）；LJK
本文提出SpectralEarth-FM，一种用于多传感器地球观测输入的分层变压器，旨在联合处理高光谱图像与低通道观测。通过构建SpectralEarth-MM数据集，采用JEPA风格的目标进行预训练，实现了在高光谱下游任务和标准EO基准上的最佳性能。
2026-05-20 cs.CV cs.LG
Varroa destructor detection on honey bees using hyperspectral imagery
LUT University（拉普兰塔理工大学）；Brno University of Technology（布尔诺理工大学）
本文提出一种基于多元统计学的方法，利用高光谱图像检测西方蜜蜂体上的瓦螨，通过无监督和监督方法及特定波长识别策略，发现仅需四个光谱带即可准确识别寄生虫。
2024-03-21 cs.CV cs.LG
Constrained Manifold Learning for Hyperspectral Imagery Visualization
Zhejiang University（浙江大学）；University of Macau（澳门大学）
在三色显示器上显示高光谱图像（HSI）中的大量波段是HSI处理和分析系统的重要组成部分。可视化图像应尽可能多地传达原始HSI的信息，同时便于图像判读。然而，大多数现有的方法以假彩色显示HSI，这与用户体验和期望相矛盾。在本文中，我们提出了一种基于约束流形学习的可视化方法，其目标是学习一个可视化的图像，不仅保留了HSI的流形结构，但也有自然的颜色。流形学习通过强制具有相似签名的像素以相似的颜色显示来保留图像结构。复合核应用在流形学习中，以将HSI的空间和光谱信息结合在嵌入空间中。输出图像的颜色受对应的看起来自然的RGB图像约束，该RGB图像可以从HSI本身生成（例如，从可见波长中选择波段）或由单独的设备捕获。我们的方法可以在实例级和特征级进行。实例级学习直接获得HSI中像素的RGB坐标，而特征级学习学习从高维光谱空间到RGB空间的显式映射函数。实验结果表明，该方法在信息保持和自然色彩可视化方面具有优势。
2017-11-24 cs.CV
HyperspectralMAE: The Hyperspectral Imagery Classification Model using Fourier-Encoded Dual-Branch Masked Autoencoder
AI Research Center, GNewSoft Co., Ltd.（人工智能研究中心，GNewSoft公司）
HyperspectralMAE 提出双掩码自编码器预训练策略，同时遮挡 50% 空间块和光谱波段，并结合波长感知傅里叶位置嵌入，在 Indian Pines 上取得最先进的高光谱分类迁移学习精度。
2025-05-09 cs.AI cs.CV eess.IV
Detection and Identification Accuracy of PCA-Accelerated Real-Time Processing of Hyperspectral Imagery
Virginia Military Institute（弗吉尼亚军事学院）
本文研究高光谱图像实时处理，提出通过评估可省略的主成分数量来进一步减少PCA降维所需时间，实验证明大幅减少主成分数量对检测率无明显影响。
2023-11-23 cs.CV eess.IV
Feedback Refined Local-Global Network for Super-Resolution of Hyperspectral Imagery
Tianjin University（天津大学）；Beihang University（北京航空航天大学）；Nankai University（南开大学）
随着深度学习技术的发展，基于卷积神经网络的多光谱图像超分辨率方法近年来取得了很大进展。然而，由于高光谱数据的高维、复杂光谱特性，难以同时获取空间信息和光谱信息，使得单幅高光谱图像的超分辨率处理成为一个具有挑战性的问题。为了解决这个问题，我们提出了一种新的反馈精化局部-全局网络（FRLGN）的超分辨率的高光谱图像。具体而言，我们提出了一种新的反馈结构和局部-全局谱块，以减轻空间和光谱特征提取的困难。反馈结构通过有限开折的递归结构实现高层信息的传递，指导底层特征的生成。此外，为了有效地利用高层信息传递回来，一个局部-全局谱块被构造来处理反馈连接。局部-全局谱块利用反馈的高层信息来校正来自局部谱带的低层特征，并在全局谱带之间生成强大的高层表示。通过引入反馈结构和局部-全局谱块，FRLGN可以充分利用光谱波段之间的空间-光谱相关性，逐步重建高分辨率的高光谱图像。FRLGN的源代码可在https://github.com/tangzhenjie/FRLGN上获得。
2022-01-10 cs.CV eess.IV
SuperPCA: A Superpixelwise PCA Approach for Unsupervised Feature Extraction of Hyperspectral Imagery
Harbin Institute of Technology（哈尔滨工业大学）；Wuhan University（武汉大学）；University of Central Florida（中佛罗里达大学）；China University of Geosciences（中国地质大学）
作为一种无监督的降维方法，主成分分析（PCA）被广泛认为是高光谱图像处理和分析任务中一种高效的预处理步骤。它将每个波段作为一个整体，从全局上提取最具代表性的波段。然而，不同的均匀区域对应不同的物体，其光谱特征是不同的。对整个HSI进行统一投影降维显然是不合适的。在本文中，一个简单的，但非常有效的超像素PCA方法，称为SuperPCA，提出了学习的内在低维特征的HSIs。与经典PCA模型相比，SuperPCA具有四个主要特性。(1)与传统的基于整幅图像的PCA方法不同，SuperPCA考虑了不同同质区域的多样性，即不同区域应该有不同的投影。(2)传统的特征提取模型不能直接利用HSI的空间信息，而SuperPCA通过超像素分割将空间上下文信息融入到无监督降维中。(3)由于超像素分割得到的区域具有同质性，因此SuperPCA即使在噪声下也可以提取潜在的低维特征。(4)虽然SuperPCA是一种无监督的方法，但与有监督的方法相比，它可以实现具有竞争力的性能。由此产生的功能是歧视性的，紧凑的，抗噪声，从而提高HSI分类性能。在三个公开数据集上的实验表明，SuperPCA模型在HSI分类中的性能明显优于传统的基于PCA的降维基线。Matlab源代码可在www.example.com上获得
2018-09-15 cs.CV
Multi-Sensor Mapping of Vulnerable Urban Settlements Using SAR, Multispectral, and Hyperspectral Imagery: A Case Study in Córdoba, Argentina
University of Pavia（帕维亚大学）；Instituto Gulich（古利奇研究所）；University of Sannio（萨尼奥大学）
本研究提出多传感器深度学习框架，整合SAR、多光谱、高光谱影像，以阿根廷科尔多瓦为例制图非正规住区，发现晚期融合结合高光谱数据效果最优，还可解释城市脆弱性模式。
2026-09-01 cs.CV
A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery
Rochester Institute of Technology（罗切斯特理工学院）；Department of Defense（美国国防部）；Florida Atlantic University（佛罗里达大西洋大学）；University of California, Davis（加州大学戴维斯分校）
本文提出了一种新的动力系统算法用于高光谱图像的聚类。该算法的主要思想是将数据点向密度增加的方向推，并且最终位于相同密集区域的像素组属于同一类。这本质上是由数据流形上的数据点密度梯度定义的微分方程的数值解。类的数量是自动化的，结果聚类可以非常准确。除了提供一个准确的聚类，该算法提出了一个新的工具，了解高光谱数据在高维。我们在城市（可在www.tec.ary.mil/Hypercube/上获得）场景上评估该算法，将性能与使用预先确定的材料类别作为地面实况的k-means算法进行比较。
2022-07-21 cs.CV cs.LG eess.IV
A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery
BITS, Pilani（pilani比兹大学）
超光谱卫星图像目前正广泛用于准确的灾害预测和地形特征分类。然而，在这样的分类任务中，大多数目前的方法仅使用包含在图像中的光谱信息。因此，在本文中，我们提出了一个新的框架，考虑到光谱和空间信息包含在数据的土地覆盖分类。为此，我们使用高斯最大似然（GML）和卷积神经网络方法进行像素光谱分类，然后使用Watershed算法生成的分割图，将空间上下文信息纳入我们的模型中。使用修改的多数投票技术。在两个基准数据集上的实验分析表明，我们提出的方法比以前的方法更好，在帕维亚大学和印度松树数据集上分别达到99.52%和98.31%的准确率。此外，我们的基于GML的方法，一个非深度学习算法，显示出与最先进的深度学习技术相当的性能，这表明了所提出的方法对于执行高光谱图像的计算效率分类的重要性。
2020-07-22 cs.CV eess.IV
Unmixing urban hyperspectral imagery with a Gaussian mixture model on endmember variability
University of Florida（佛罗里达大学）；University of California Santa Barbara（加州大学圣巴巴拉分校）
在本文中，我们的模型作为一个线性组合的端元采样的高斯混合模型（GMM）的概率分布的像素。GMM分布的参数估计使用频谱库。根据分布参数估计丰度。该算法的优点是模型大小作为库大小的函数增长非常缓慢。为了验证这种方法，我们使用的AVIRIS传感器收集的数据在圣巴巴拉地区：两个16米的空间分辨率和两个4米的空间分辨率图像。使用64个经验证的感兴趣区域（ROI）（180 m × 180 m）来评估估计准确度。地面实况获得使用1米的图像，导致以下6类：草坪草，非光合植被（NPV），铺设，屋顶，土壤和树木。通过手动识别和提取两种分辨率图像的纯光谱来构建光谱库，得到16 m处的3，287个光谱和4 m处的15，426个光谱。然后，我们使用以下解混算法对每个分辨率的ROI进行解混：基于集合的算法MESMA和AAM，以及基于分布的算法GMM、NCM和EMM。原始库用于基于分布的算法，而基于集合的方法需要复杂的还原方法，从而产生16 m处的61个光谱和4 m处的95个光谱的还原库。结果表明，GMM在基于分布的方法中表现最好，产生与MESMA相当的准确性，并且在数据集上可能更鲁棒。
2018-01-25 cs.CV
Feature Extraction for Hyperspectral Imagery: The Evolution from Shallow to Deep (Overview and Toolbox)
Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿-罗森多夫研究中心）；Univ. Grenoble Alpes（格勒诺布尔-阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；Nanjing University of Information Science and Technology（南京信息工程大学）；Hunan University（湖南大学）；Inria（法国国家信息与自动化研究所）；University of Iceland（冰岛大学）
高光谱图像通过数百个（窄）光谱通道（也称为维度或波段）提供详细的光谱信息，具有连续的光谱信息，可以准确地对各种感兴趣的材料进行分类。这种数据的增加的维度使得有可能显着提高数据信息内容，但提供了一个挑战的传统技术（所谓的维数灾难）的高光谱图像的准确分析。特征提取作为高光谱领域中一个充满活力的研究领域，经过几十年的研究，逐渐解决了这个问题，并提取出适合数据表示和分类的信息特征。特征提取的进展受到两个研究领域的启发，包括图像和信号处理以及机器（深度）学习的普及，导致两种类型的特征提取方法，称为浅技术和深技术。本文概述了高光谱图像特征提取方法的进展，提供了一个技术概述的国家的最先进的技术，提供了有用的切入点，在不同层次的研究人员，包括学生，研究人员和高级研究人员，愿意探索新的调查这一具有挑战性的话题。更详细地说，本文提供了一个鸟瞰图浅（包括监督和无监督）和深特征提取的方法，专门致力于高光谱特征提取的主题和它的高光谱图像分类的应用。此外，本文比较了15种先进的技术，强调其方法论基础的分类精度。此外，代码和库在https://github.com/BehnoodRasti/HyFTech-Hyperspectral-Shallow-Deep-Feature-Extraction-Toolbox上共享。
2020-07-29 cs.CV cs.LG eess.IV
Unsupervised Alternating Optimization for Blind Hyperspectral Imagery Super-resolution
Northwestern Polytechnical University（西北工业大学）
尽管高光谱图像（HSI）超分辨率（SR）的深度模型在模拟数据上取得了巨大的成功，但大多数方法在应用于实际数据时效果并不理想，特别是对于无监督的HSI SR方法。其中一个主要原因是大多数HSI SR方法所使用的预定义退化模型（例如空间域模糊）往往与真实模型存在很大差异，这导致这些深度模型过拟合并最终降低其在真实数据上的性能。为了很好地缓解这样的问题，我们探索了无监督的盲HSI SR方法。具体而言，我们研究如何有效地获得退化模型在空间和谱域，分别，并使它们能够很好地兼容基于融合的SR重建模型。为此，我们首先提出了一种基于交替优化的深度框架来估计退化模型和重建潜像，退化模型估计和HSI重建可以相互促进。然后，进一步提出了一种基于元学习的机制来预训练网络，可以有效提高网络的速度和适应不同复杂退化的泛化能力。三个基准HSI SR数据集上的实验报告了所提出的方法在处理盲HSI融合问题上优于其他竞争方法。
2020-12-03 cs.CV eess.IV
Investigation of Hierarchical Spectral Vision Transformer Architecture for Classification of Hyperspectral Imagery
Purdue University（普渡大学）；University of Houston（休斯顿大学）
本文研究了面向高光谱图像分类的统一分层光谱视觉Transformer架构，整合多种混合器模块，通过对比实验发现其性能优势源于整体架构而非单个多头自注意力组件。
2024-09-14 cs.CV
Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning
Norwegian University of Science and Technology（挪威科技大学）；University of Bucharest（布加勒斯特大学）；Brno University of Technology（布尔诺理工大学）
本文训练测试20种高光谱多类别分割模型，提出仅利用光谱特征的轻量级1D-Justo-LiuNet，以4,563个参数达到0.93准确率，并在HYPSO-1与EO-1等卫星数据上验证其星载部署适用性。
2024-10-25 cs.CV eess.IV
Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery
Harbin Institute of Technology（哈尔滨工业大学）；Wuhan University（武汉大学）
近年来，基于深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）的先进机器学习技术在单灰度/RGB图像超分辨率重建任务中得到了广泛研究并取得了显著进展。然而，由于高光谱图像的高维和复杂的光谱模式，限制了单光谱图像超分辨率技术的发展。在本文中，我们通过研究如何适应最先进的残差学习为基础的单灰度/RGB图像超分辨率的方法，计算效率高的单高光谱图像超分辨率，简称SSPSR向前迈进了一步。具体来说，我们引入了一个空间光谱先验网络（SSPN），以充分利用空间信息和光谱之间的相关性的高光谱数据。考虑到高光谱训练样本的稀缺性和高光谱图像数据的光谱维数很高，训练一个稳定有效的深度网络是不平凡的。因此，提出了一种组卷积（具有共享网络参数）和渐进式上采样框架。这不仅可以缓解高光谱数据高维数给特征提取带来的困难，而且可以使训练过程更加稳定。为了充分利用空间和频谱的先验信息，我们设计了一个空间-频谱块（SSB），它包括一个空间残差模块和一个频谱注意残差模块。在高光谱图像上的实验结果表明，所提出的SSPSR方法增强了恢复的高分辨率高光谱图像的细节，并优于最先进的。源代码可从\url {https：//www.example.com}获得github.com/junjun-jiang/SSPSR
2020-05-24 cs.CV cs.LG cs.MM
Three-Dimensional Fourier Scattering Transform and Classification of Hyperspectral Images
UMIACS, University of Maryland at College Park（马里兰大学帕克分校高级计算机研究所）；University of Maryland at College Park（马里兰大学帕克分校）；Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）
机器学习和信号处理的最新发展产生了许多新技术，这些技术能够有效地捕获高光谱图像的内在而复杂的特性。从异常检测到分类的任务现在可以通过利用非常有效的算法来解决，这些算法的根源在于表示理论和计算近似。时间-频率方法是这种技术的一个示例。它们提供了从数据中分析和提取光谱内容的方法。另一方面，诸如神经网络的分层方法结合了跨尺度的空间信息，并对光谱特征之间的多个依赖性级别进行建模。这两种方法最近已被证明是提供显着的进步，在高光谱图像的光谱空间分类。本文介绍的三维傅里叶散射变换是时频表示与神经网络结构的融合。它利用短时傅里叶变换提供的优势和深度学习网络结构的数值效率。我们测试所提出的方法在几个标准的高光谱数据集，我们目前的结果表明，3D傅立叶散射变换是非常有效的表示光谱内容相比，与其他国家的最先进的光谱空间分类方法。
2020-11-21 cs.CV
Generalized Unsupervised Clustering of Hyperspectral Images of Geological Targets in the Near Infrared
Caltech（加州理工学院）
随着数据变得更容易获得和成本效益，红外超光谱图像在地质问题中的应用越来越普遍。对光谱相似的材料进行聚类和分类通常是从地球上的经济矿物勘探到火星上的行星探索等应用的第一步。由专业开发的光谱参数指导的半手动分类可能耗时且有偏差，而监督方法需要大量标记数据并且难以推广。在这里，我们开发了一个完全无监督的工作流程，由专家光谱地质学家输入和定量指标提供信息的特征提取和聚类。我们的管道使用轻量级的自动编码器，然后使用高斯混合建模来映射任何图像中的光谱多样性。我们使用阿曼蛇绿岩钻孔岩芯的专家标记数据验证了我们的管道在亚毫米级的性能，并使用火星上Jezero Crater（Perseverance探测器的着陆点）的部分分类轨道数据评估了米级的性能。我们还研究了在传统的高光谱图像分析中使用的各种预处理技术的效果。这条管道提供了一个快速和准确的聚类图类似的地质材料和一致的识别和分离实验室图像和遥感图像的主要矿物类别。我们将我们的管道称为“矿物光谱无监督聚类的通用管道（Gypsum）”。"
2021-06-24 cs.CV eess.IV
A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery
Manchester Metropolitan University（曼彻斯特城市大学）；Hebei Agriculture University（河北农业大学）
晚疫病是马铃薯生产上最具破坏性的病害之一，在全球范围内造成严重的产量损失。早期准确诊断该病对于精确控制和管理疾病至关重要。目前的农作物病害诊断实践是基于人工目视检查，这是昂贵的，耗时的，受个人偏见。成像传感器（如RGB、多光谱和高光谱相机）、遥感和机器学习的最新进展为应对这一挑战提供了机会。特别地，高光谱图像（HSI）结合机器学习/深度学习方法对于准确地识别特定植物病害是优选的，因为HSI由超出人类视觉的大范围的高质量反射信息组成，能够捕获光谱-空间信息。该方法考虑了冠层结构多样性引起的潜在病害特异性反射辐射方差，引入多个胶囊层来模拟光谱-空间病害属性的层次结构，用封装的特征来表示病害属性在特征空间中的类别和旋转不变性。我们已经评估了所提出的方法与真正的无人机为基础的HSI数据在受控的现场条件下。对分层特征的有效性进行了定量评估，并与现有的代表性机器学习/深度学习方法进行了比较。实验结果表明，该模型在考虑谱空特征层次结构的情况下，与现有的只利用谱、空或谱空特征而不考虑谱空特征层次结构的方法相比，其准确性得到了显著提高。
2021-07-28 cs.CV cs.LG
Classifying Crop Types using Gaussian Bayesian Models and Neural Networks on GHISACONUS USGS data from NASA Hyperspectral Satellite Imagery
University of Virginia, School of Data Science（弗吉尼亚大学数据科学学院）
高光谱成像是一种数字成像，其中每个像素通常包含数百种波长的光，提供有关像素中存在的材料的光谱信息。在本文中，我们提供了用于确定USGS GHISACONUS数据中作物类型的分类方法，该数据包含来自美国五种主要农作物（冬小麦，水稻，玉米，大豆和棉花）的约7，000个像素光谱，这些光谱由美国宇航局卫星收集，包括光谱，地理位置，作物类型和每个像素的生长阶段。我们应用标准LDA和QDA以及贝叶斯自定义版本，计算作物类型和阶段的联合概率，然后计算作物类型的边际概率，优于非贝叶斯方法。我们还测试了一个单层的神经网络与辍学的数据，其表现与LDA和QDA，但不如贝叶斯方法。
2022-07-21 cs.AI cs.CV stat.AP
Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification
Beijing University of Chemical Technology（北京化工大学）；Sugon Information Industry Co., Ltd（曙光信息产业有限公司）
土地覆被分类在遥感中发挥着重要的作用，因为它可以智能地识别一个巨大的遥感图像中的东西，以减少人类的工作。然而，许多分类方法都是基于遥感图像的像元特征或有限的空间特征设计的，这限制了其分类精度和通用性。提出了一种新的遥感图像信息提取方法，地理经纬度信息。此外，结合全局信息设计了双分支卷积神经网络（CNN）分类方法，挖掘图像的像素特征。然后将两个神经网络的特征融合到另一个完全神经网络中，实现遥感图像的分类。最后，两个遥感图像，包括高光谱成像（HSI）和极化合成孔径雷达（PolSAR）图像来验证我们的方法的有效性。与传统的单通道卷积神经网络相比，该方法具有更好的识别效果。
2020-06-15 cs.CV cs.LG eess.IV
Dimensionality Reduction via Regression in Hyperspectral Imagery
Universitat de València（瓦伦西亚大学）
提出了一种新的无监督回归降维方法。该算法属于可逆变换家族，通过使用曲线而不是线性特征来推广主成分分析（PCA）。DRR通过多元回归识别非线性特征，以确保减少PCA系数之间的冗余，减少分数的方差，并减少重建误差。更重要的是，与其他非线性降维方法不同，可逆性，体积保持和直接的样本外扩展使得DRR具有可解释性和易于应用。DRR的性质使学习更广泛的一类数据流形比最近提出的非线性主成分分析（NLPCA）和主多项式分析（PPA）。我们说明了表现在减少遥感数据的维数。特别是，我们解决两个常见的问题：处理非常高维的光谱信息，如在高光谱图像探测数据，和处理多光谱图像的空间光谱图像补丁。这两种设置造成共线性和不确定性问题。的功能的表达能力的评价进行评估截断误差，估计大气变量，地表土地覆盖分类误差。结果表明，DRR优于线性PCA和最近提出的基于神经网络（NLPCA）和单变量回归（PPA）的可逆扩展。
2016-01-31 cs.CV stat.ML
S2RC-GCN: A Spatial-Spectral Reliable Contrastive Graph Convolutional Network for Complex Land Cover Classification Using Hyperspectral Images
School of Computer China University of Geosciences Wuhan, China；School of Geography；Information Engineering China University of Geosciences Wuhan, China；School of Management Wuhan University of Science
本文提出S2RC-GCN框架，融合1D/2D编码器提取的光谱-空间特征并引入可靠对比图卷积，在江夏高分五号复杂土地覆盖数据集上取得最佳分类性能。
2024-04-01 cs.CV
Ensemble and Random Collaborative Representation-Based Anomaly Detector for Hyperspectral Imagery
School of Artificial Intelligence, Optics and Electronics (iOPEN), Northwestern Polytechnical University（西北工业大学光电与智能研究院）；School of Computer Science and School of Artificial Intelligence, Optics and Electronics (iOPEN), Northwestern Polytechnical University（西北工业大学计算机学院与光电与智能研究院）
近年来，高光谱异常检测（HAD）已成为一个活跃的研究课题，在军事和民用领域发挥着重要作用。基于协作表示的检测器（CRD）作为一种经典的HAD方法，引起了广泛的关注和深入的研究。尽管CRD方法具有良好的性能，但其主要由滑动双窗口策略引起的计算成本太高，无法广泛应用。此外，需要多次重复测试来确定双窗口的大小，一旦数据集发生变化，就需要重新设置，并且无法通过先验知识提前识别。为了缓解这个问题，我们提出了一种新的合奏和随机协作表示为基础的检测器（ERCRD）的HAD，它包括两个密切相关的阶段。首先，采用基于CRD的随机子采样（RCRD）方法代替滑动双窗策略，得到多个检测结果，大大降低了计算复杂度，使其在实际应用中更具可行性。其次，集成学习是用来完善多个结果的RCRD，作为各种“专家”提供丰富的互补信息，以更好地针对不同的异常。这两个阶段构成了一个有机的理论检测器，不仅可以提高HAD方法的精度和稳定性，而且可以增强其泛化能力。四个真实的高光谱数据集上的实验表明，该方法的准确性和效率相比，10个国家的最先进的HAD方法。
2021-12-22 cs.CV eess.IV
HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation
Remote Sensing Technology Institute, German Aerospace Center (DLR)（远程传感技术研究所，德国航天中心）；Global Land Monitoring Group, Helmholtz German Research Centre for Geosciences (GFZ)（全球土地监测组，海德堡德国地理科学研究中心）；Department of Aerospace Engineering, University of the Bundeswehr Munich（航空航天工程系，联邦国防军 Munich 大学）；Chair of Data Science in Earth Observation (SiPEO), Technical University of Munich (TUM)（地球观测数据科学教授职位（SiPEO），慕尼黑技术大学）
本研究推出全球分布的高光谱基准数据集HyBiomass，用于森林地上生物量估算任务，实验验证了地理空间基础模型的性能优势及相关影响因素，助力模型开发与泛化性研究。
2025-06-12 cs.CV eess.IV
Aerial hyperspectral imagery and deep neural networks for high-throughput yield phenotyping in wheat
University of Minnesota（明尼苏达大学）；University of California-Davis（加州大学戴维斯分校）
作物生产需要以可持续的方式增加，以满足全球日益增长的粮食需求。为了确定具有高产潜力的作物品种，植物科学家和育种家在几年内评估了多个地点的数百个品系的表现。为了促进先进品种的选择过程，在这项研究中开发了一个自动化的框架。在无人驾驶飞行器上安装了一台高光谱照相机，以收集具有高空间和光谱分辨率的航空图像。在连续两个生长季节从三个实验产量田中捕获航空图像，所述三个实验产量田由数百个实验地块（1 × 2.4米）组成，每个试验地块包含一个小麦品系。通过联合收割机收割超过一千块小麦地块的谷物，称重并记录为地面实况数据。为了利用高空间分辨率和调查小区内的产量变化，通过将图像处理技术和光谱混合分析与专家领域知识相结合，将小区图像划分为子小区。然后，使用分层抽样将子图数据集分为训练集、验证集和测试集。在从每个子地块提取特征之后，训练深度神经网络以进行产量估计。预测子区尺度下测试数据集产量的决定系数为0.79，均方根误差为5.90克。除了提供子地块尺度上的产量变化的见解，所提出的框架可以促进高通量产量表型分析作为一个有价值的决策支持工具的过程。它提供了以下可能性：（i）对地块进行远程目视检查，（ii）研究作物密度对产量的影响，以及（iii）优化地块大小，以便每年在专用田地中调查更多品系。
2019-06-23 cs.CV eess.IV
Deep Diffusion Models and Unsupervised Hyperspectral Unmixing for Realistic Abundance Map Synthesis
DITEN, University of Genoa（迪滕，热那亚大学）；DII, University of Pisa（迪II，比萨大学）
本研究提出结合盲线性高光谱解混与扩散模型的无监督方法，从高光谱图像生成真实丰度图，经PRISMA任务真实数据验证，可用于高光谱分析的数据增强等场景。
2025-06-16 cs.CV eess.IV
Hyperspectral Vision Transformers for Greenhouse Gas Estimations from Space
University of St. Gallen（圣加尔大学）；IBM Research（IBM研究院）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
提出光谱Transformer模型，从多光谱输入合成高光谱数据，以平衡光谱分辨率与时空覆盖，提升温室气体预测精度。
2025-04-23 cs.CV
Endmember Extraction on the Grassmannian
Colorado State University（科罗拉多州立大学）
端元提取在各种数据分析问题中起着重要的作用，因为端元通常对应于表示某些特征的最纯或最佳代表的数据。识别端元然后可以用于进一步的识别和分类任务。在具有高维数据的设置中，例如高光谱图像，考虑作为子空间的端元可能是有用的，因为它们能够捕获签名的更大范围的变化。因此，在这种设置中的端元提取问题转化为寻找格拉斯曼点集的凸包的顶点。在存在噪声的情况下，可能不太清楚是否应将点视为顶点。在本文中，我们提出了一种算法来提取端元的格拉斯曼，确定感兴趣的子空间，位于附近的边界的一个凸包，并演示了使用该算法的合成的例子和220光谱波段AVIRIS印度松高光谱图像。
2018-07-03 cs.CV cs.LG eess.IV
HDMba: Hyperspectral Remote Sensing Imagery Dehazing with State Space Model
College of Oceanography and Space Informatics, China University of Petroleum (East China)（中国石油大学（华东）海洋与空间信息学院）；National Subsea Centre, Robert Gordon University（罗伯特戈登大学国家海底中心）；Helmholtz Institute Freiberg for Resource Technology, Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心亥姆霍兹弗赖贝格资源技术研究所）
本文提出首个基于Mamba的高光谱图像去雾网络HDMba，通过窗口选择性扫描模块和残差DehazeMamba块联合建模局部与全局光谱-空间信息，在Gaofen-5数据集上取得最优去雾性能。
2024-06-09 cs.CV eess.IV
GETNET: A General End-to-end Two-dimensional CNN Framework for Hyperspectral Image Change Detection
本文提出一种用于高光谱图像变化检测的通用端到端二维CNN框架GETNET，通过引入混合亲和矩阵融合亚像素端元丰度信息，并设计新数据集，有效处理高维数据并提升检测性能。
2019-05-05 cs.CV eess.IV
Peanut Maturity Classification using Hyperspectral Imagery
University of Florida（佛罗里达大学）；National Chiayi University（国立嘉义大学）；United States Department of Agriculture（美国农业部）
花生（Arachis hypogaea L.）由于其对种子重量（产量）的影响，决定了生产者的经济回报，并严重影响种子活力和其他质量特性。在种子发育过程中，果皮（壳）的内部中果皮层随着种子成熟颜色从白色过渡到黑色。成熟度评估过程涉及去除外壳的外果皮，并将中果皮颜色视觉分类为从未成熟（白色、黄色、橙色）到成熟（棕色和黑色）的不同颜色类别。这种视觉颜色分类是耗时的，因为外果皮必须手动去除。此外，视觉分类过程涉及人类对颜色的评估，这导致观察者之间颜色分类的大变化。需要一种更客观的数字成像方法来测定花生的成熟度，最好是不需要去除外壳的外果皮。本研究探讨了使用高光谱成像（HSI）的过程，以确定完整的果皮荚成熟度。HSI方法在分类算法内利用成熟豆荚和未成熟豆荚之间的光谱差异来识别成熟豆荚和未成熟豆荚。结果表明，不同年份和品种的样品分类精度较高，且具有一致性。此外，所提出的方法是能够估计一个连续值，像素级的成熟度值为个人的花生豆荚，允许一个有价值的工具，可用于种子质量的研究。该方法解决了现有花生成熟度测定方法存在的劳动强度大、主观误差大等问题。
2019-10-25 cs.CV cs.LG eess.IV
Wavelet-Based Semantic Features for Hyperspectral Signature Discrimination
University of Massachusetts（马萨诸塞大学）
高光谱特征分类是一种对高光谱图像进行定量分析的方法，它在像元水平上对场景中的组成物质进行检测和分类。分类过程可以直接在高光谱数据上操作，或者通过使用从包含诸如签名的能量或形状的信息的相应高光谱签名提取的一些特征来执行。在本文中，我们描述了一种技术，适用于非齐次隐马尔可夫链（NHMC）模型的高光谱特征分类。基本思想是使用统计模型（例如NHMC）来表征捕获频谱语义的小波系数（即，结构信息）。实验结果表明，基于NHMC模型的方法在分类任务中的性能优于现有的方法。
2016-04-08 cs.CV cs.LG
WHU-Hi: UAV-borne hyperspectral with high spatial resolution (H2) benchmark datasets for hyperspectral image classification
Wuhan University（武汉大学）
分类是高光谱图像处理和应用的一个重要方面。目前，研究者大多采用经典的航空高光谱图像作为基准数据集。然而，现有的数据集存在三个瓶颈：（1）空间分辨率低;（2）标记像素比例低;（3）子类区分度低。本文建立了一个新的基准数据集--武汉无人机高光谱图像数据集（WHU-Hi），用于高光谱图像分类。WHU-Hi数据集具有高光谱分辨率（nm级）和非常高的空间分辨率（cm级），我们在这里将其称为H2成像仪。此外，WHU-Hi数据集具有更高的像素标记率和更精细的子类。一些最新的高光谱图像分类方法以WHU-Hi数据集为基准，实验结果表明WHU-Hi是一个具有挑战性的数据集。我们希望WHU-Hi数据集能够成为加速未来研究的强大基准。
2021-03-30 cs.CV eess.IV
A Biologically Interpretable Two-stage Deep Neural Network (BIT-DNN) For Vegetation Recognition From Hyperspectral Imagery
Manchester Metropolitan University（曼彻斯特城市大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；Brunel University（布鲁内尔大学）
基于光谱空间的深度学习模型最近被证明是有效的高光谱图像（HSI）分类的各种地球监测应用，如土地覆盖分类和农业监测。然而，由于“黑箱”模型表示的性质，如何解释和解释的学习过程和模型的决策，特别是植被分类，仍然是一个开放的挑战。该研究提出了一种新的可解释的深度学习模型-生物可解释的两阶段深度神经网络（BIT-DNN），通过将基于先验知识（即目标实体的生物物理和生物化学属性及其层次结构）的光谱-空间特征转换纳入所提出的框架，能够在基于HSI的分类任务上实现高精度和可解释性。该模型引入了两阶段的特征学习过程：第一阶段，增强的可解释特征块提取与目标实体的生物物理和生物化学属性相关的低级别光谱特征;在第二阶段，可解释的封装块提取并封装高级联合频谱，代表这些目标实体的生物物理和生物化学属性的分级结构的空间特征，这为模型提供了改进的分类性能和内在的可解释性，同时降低了计算复杂性。我们使用四个真实的HSI数据集对四个独立的任务（即植物物种分类，土地覆盖分类，城市场景识别和作物病害识别任务）进行了测试和评估。该模型与五种最先进的深度学习模型进行了比较。
2021-04-14 cs.CV cs.LG eess.IV
Spatial-Spectral Manifold Embedding of Hyperspectral Data
German Aerospace Center (DLR)（德国航空航天中心）；Univ. Grenoble Alpes（格勒诺布尔大学）；Technical University of Munich (TUM)（慕尼黑工业大学）；Xi’an Jiaotong University（西安交通大学）；Beijing Institute of Technology (BIT)（北京理工大学）；INRIA（法国国家信息与自动化研究所）
近年来，高光谱成像，又称成像光谱学，越来越受到地球科学和遥感界的关注。高光谱图像的特点是具有非常丰富的光谱信息，这使我们能够更容易地识别位于地球表面的感兴趣的材料。然而，我们不得不承认，高光谱维数不可避免地带来了一些缺点，如昂贵的数据存储和传输，信息冗余等。因此，为了有效地降低光谱维数，学习更具鉴别力的光谱低维嵌入，本文提出了一种新的高光谱嵌入方法，同时考虑空间和光谱信息，空间谱流形嵌入（SSME）除了逐像素光谱嵌入方法之外，SSME以基于块的方式联合对空间和光谱信息进行建模。SSME不仅利用光谱特征间相似性度量得到的邻接矩阵学习光谱嵌入，而且在学习嵌入过程中通过共享相同的权值（或边）对高光谱场景中目标像素的空间邻居进行建模。分类探索作为一种潜在的策略，定量评估学习嵌入表示的性能。分类探索作为一个潜在的应用定量评估这些高光谱嵌入算法的性能。在广泛使用的高光谱数据集上进行的大量实验表明，与几种最先进的嵌入方法相比，所提出的SSME的优越性和有效性。
2020-07-17 cs.CV
