Hyperspectral Target Detection Based on Low-Rank Background Subspace Learning and Graph Laplacian Regularization
Dalian University of Technology（大连理工大学）
针对高光谱目标检测中背景字典未知和空间信息利用不足的问题，提出融合LRR背景子空间学习与局部GLR系数约束的检测方法，并在两个基准数据集上验证了优越性。
2023-06-01 cs.CV
Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images
Ghent University（根特大学）；China University of Geosciences（中国地质大学）
针对深度子空间聚类过拟合、可解释性差的问题，本文提出将ADMM迭代求解器展开的高光谱图像聚类架构，结合K近邻保留数据结构，在三个数据集上性能优于现有先进方法。
2024-06-21 cs.CV
Sparse Subspace Clustering Friendly Deep Dictionary Learning for Hyperspectral Image Classification
Delhi Technical University（德里技术大学）；Indraprastha Institute of Information Technology Delhi（德里因陀罗普拉斯塔信息技术学院）
子空间聚类技术在高光谱图像分割中显示出良好的应用前景。子空间聚类的基本假设是属于不同聚类/段的样本位于可分离的子空间中。如果这个条件不成立呢？我们推测，即使该条件在原始空间中不成立，数据也可以被非线性地变换到一个空间，在该空间中它将可分离成子空间。在这项工作中，我们提出了一种基于深度字典学习（Deep Dictionary Learning，简称DCL）原则的转换。特别是，我们将稀疏子空间聚类（SSC）的损失，在numerical制定。在这里，非线性变换数据，使得变换后的表示（数据的）可分离为子空间。我们表明，所提出的配方提高了最先进的深度学习技术在高光谱图像聚类。
2021-11-27 cs.CV cs.LG eess.IV
Multi-level Graph Subspace Contrastive Learning for Hyperspectral Image Clustering
School of Computer Science, China University of Geosciences（中国地质大学计算机学院）；School of Computer, National University of Defense Technology（国防科技大学计算机学院）
提出MLGSC框架，通过双视图图卷积子空间、注意力池化及图级与节点级多层对比学习增强HSI全局—局部表示，在四个数据集上显著提升聚类精度。
2024-04-08 cs.CV
Image-level Classification in Hyperspectral Images using Feature Descriptors, with Application to Face Recognition
KU Leuven（鲁汶大学）；ETH Zürich（苏黎世联邦理工学院）
在本文中，我们提出了一种新的管道图像级分类的高光谱图像。通过这样做，我们表明，在图像级功能的歧视性光谱信息导致显着提高性能的人脸识别任务。我们还探索了传统特征描述符在高光谱图像中的潜力。从我们的评估中，我们观察到SIFT特征优于最先进的高光谱人脸识别方法以及其他描述符。随着高光谱传感器在众多应用中的部署越来越多，我们相信我们的方法可以有效地利用高光谱图像中的光谱信息，从而有利于更准确的分类。
2016-05-11 cs.CV
Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for Hyperspectral Image
China University of Geosciences（中国地质大学）
由于高光谱图像数据的复杂性，高光谱图像聚类是一项具有挑战性的任务。子空间聚类已被证明是强大的利用数据点之间的内在关系。传统的子空间聚类方法在HSI聚类中表现出了令人瞩目的性能，但往往忽略了数据间固有的结构信息。在本文中，我们重新审视子空间聚类与图卷积，并提出了一种新的子空间聚类框架称为图卷积子空间聚类（GCSC）的强大的HSI聚类。具体来说，该框架将数据的自我表达属性重新转换到非欧几里德域，从而产生更鲁棒的图嵌入字典。我们表明，传统的子空间聚类模型是我们的框架与欧几里德数据的特殊形式。在此基础上，利用Frobenius范数提出了两种新的子空间聚类模型，即高效GCSC（Efficient GCSC）和高效核GCSC（Efficient Kernel GCSC）。这两个模型都有一个全局最优的封闭形式的解决方案，这使得他们更容易实现，训练，并在实践中应用。在三个流行的HSI数据集上进行的大量实验表明，EGCSC和EKGCSC可以实现最先进的聚类性能，并显着优于许多现有的方法具有显着的利润率。
2020-04-22 cs.CV cs.LG
Multiview Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks
China University of Geosciences（中国地质大学）；Geophysical and Geochemical Exploration Institute of Ningxia Hui Autonomous Region（宁夏回族自治区地球物理地球化学勘查院）
针对高光谱图像单视图子空间聚类未充分利用空间与纹理信息的问题，提出基于图卷积网络的双视图子空间及注意力融合聚类方法，在三个基准数据集上显著提升聚类精度。
2024-03-03 cs.CV
Non-local Meets Global: An Integrated Paradigm for Hyperspectral Denoising
RIKEN AIP（理化学研究所先进智能项目中心）；HKUST（香港科技大学）；Paradigm. Inc.（第四范式有限公司）
非局部低秩张量近似是一种新的高光谱图像去噪方法。不幸的是，随着HSI的光谱带越来越多，虽然这些方法的运行时间显著增加，但它们的去噪性能几乎没有好处。在本文中，我们声称HSI下压一个整体谱低秩子空间，每个全带补丁组的谱子空间应该下压这个整体低秩子空间。这促使我们提出了一个统一的空间-频谱范式HSI去噪。由于新模型难以优化，我们进一步提出了一个有效的优化算法，这是由交替最小化的动机。这是通过首先从噪声HSI学习低维投影和相关的简化图像来完成的。然后，非局部低秩去噪和迭代正则化分别开发细化约简图像和投影。最后，在合成数据集和真实数据集上的实验证明了与其他最先进的HSI去噪方法相比的优越性。
2019-03-27 cs.CV
Hyperspectral Mixed Noise Removal via Subspace Representation and Weighted Low-rank Tensor Regularization
Jilin University（吉林大学）
近年来，高光谱图像去噪方法中考虑了从图像中提取的不同分量的低秩特性。然而，这些方法通常将三维张量展开为二维矩阵或一维向量，利用非局部空间自相似性（NSS）和全局谱相关性（GSC）等先验信息，破坏了高光谱图像（HSI）固有的结构相关性，导致恢复质量不高。此外，由于HSI的原始高维空间中涉及矩阵和张量的奇异值分解运算，大多数算法都存在计算负担重的问题。我们采用子空间表示和加权低秩张量正则化（SWLRTR）的模型，以消除高光谱图像中的混合噪声。具体地说，为了在谱带之间使用GSC，将噪声HSI投影到低维子空间中，简化了计算。然后引入加权低秩张量正则化项来表征约简图像子空间中的先验信息。此外，我们设计了一个基于交替极小化的算法来解决非凸问题。仿真和真实数据集上的实验表明，SWLRTR方法在定量和视觉上都优于其他高光谱去噪方法。
2021-11-13 cs.CV cs.GR eess.IV
Segmentation-Aware Hyperspectral Image Classification
HAVELSAN Inc.（哈维尔桑公司）
本文提出了一种统一的高光谱图像分类方法，该方法以三维高光谱数据立方体为输入，产生一个分类图。在所提出的方法中，深度神经网络，它使用光谱和空间信息与残差连接，和基于像素亲和网络的分割感知超像素一起使用。在该架构中，分割感知超像素在深度残差网络的初始分类图上运行，并对获得的结果应用多数投票。实验结果表明，我们提出的方法在两个基准数据集上产生了最先进的结果。此外，我们还表明，分割感知超像素有很大的贡献，在训练数据不足的情况下，高光谱图像分类方法的成功。
2019-05-22 cs.CV
On Hyperspectral Classification in the Compressed Domain
Michigan State University（密歇根州立大学）
在本文中，我们研究了高光谱像元分类的基础上，最近提出的架构压缩拂帚高光谱成像仪，而不需要重建完整的数据立方体的问题。在压缩域中分类的一个明显的优点是其适合于感测数据的实时现场处理。此外，假设训练过程也发生在压缩域中，因此，在接收器侧将分类单元与恢复单元隔离。我们发现，也许令人惊讶的是，使用不同的测量矩阵为不同的像素结果更准确的学习分类器和一致的分类性能，支持信息多样性在学习中的作用。
2015-08-02 cs.CV
Robust hyperspectral image classification with rejection fields
Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们提出了一种新的方法，强大的高光谱图像分类使用上下文和拒绝。高光谱图像分类通常是一个不适定的图像问题，其中像素可能属于未知类别，并且获得代表性和完整的训练集是昂贵的。此外，对高分类精度的需求通常大于对整个图像进行分类的需求。我们接近这个问题，一个强大的分类方法，结合分类与拒绝的背景。一个拒绝字段，将指导拒绝来自分类与上下文信息通过使用SegSALSA算法获得。我们验证了我们的方法在真实的高光谱数据，并表明，从拒绝领域获得的性能增益相当于增加的训练集的维数。
2015-04-29 cs.CV
A novel information gain-based approach for classification and dimensionality reduction of hyperspectral images
ENSET, Mohammed V University（穆罕默德五世大学高等师范学院）
近年来，高光谱传感器提高了我们以高光谱分辨率监测地球表面的能力。然而，光谱数据的高维性给图像处理带来了挑战。因此，为了降低计算复杂性和提高分类精度，降维是必要的步骤。本文提出了一种新的基于信息增益的滤波方法，用于高光谱图像的降维和分类。采用基于高光谱波段选择的特殊策略，选择信息量最大的波段，丢弃不相关和噪声的波段。该算法利用信息增益函数和支持向量机分类器来评价波段间的相关性。所提出的方法进行了比较，使用两个基准高光谱数据集（印第安纳州，帕维亚）与三个竞争的方法。对比结果表明，信息增益滤波方法在测试数据集上的性能优于其他方法，在提高分类精度的同时显著降低了计算量。关键词：高光谱图像;降维;信息增益;分类精度。关键词：高光谱图像;降维;信息增益;分类精度。
2022-10-26 cs.CV
TPPI-Net: Towards Efficient and Practical Hyperspectral Image Classification
College of Computer Science, Sichuan University（四川大学计算机学院）
高光谱图像分类是高光谱领域最具活力的研究领域，其目标是根据图像的光谱-空间特征将图像中的每个像素归为一类。最近，一些基于谱空间特征的DCNN已经被提出，并表现出显着的分类性能。然而，当面对真实的HSI时，这些网络必须逐个处理图像中的像素。逐像素处理策略是低效的，因为在相邻像素之间存在大量重复计算。本文首先提出了一种新的HSI分类网络设计机制TPPI（training based on pixel and prediction based on image），该机制使得在高光谱数据集上附加约束条件的情况下，提供高效实用的HSI分类成为可能。然后，根据TPPI机制，TPPI-Net的基础上，最新的HSI分类网络的发展。实验结果表明，TPPI-Net不仅可以获得与现有HSI分类网络相当的高分类精度，而且大大降低了高光谱图像预测的计算复杂性。
2021-03-18 cs.CV
Improved Hyperspectral Anomaly Detection via Unsupervised Subspace Modeling in the Signed Cumulative Distribution Transform Domain
Amentum；Tekla Research；U.S. Naval Research Laboratory（美国海军研究实验室）
针对高光谱异常检测面临的环境复杂、先验知识有限的问题，提出基于SCDT域无监督子空间建模的新方法，在五个数据集上性能优于现有最先进方法。
2025-09-30 cs.CV eess.SP
KRISM --- Krylov Subspace-based Optical Computing of Hyperspectral Images
Carnegie Mellon University（卡内基梅隆大学）
我们提出了一种自适应成像技术，光学计算低秩近似场景的高光谱图像，概念化为一个矩阵。所提出的技术的核心是两个测量算子的光学实现：光谱编码成像仪和空间编码光谱仪。通过两个算子之间的迭代，我们表明，顶部奇异向量和奇异值的高光谱图像可以自适应和光学计算，只有几次迭代。我们提出了一种光学设计，使用光瞳平面编码实现这两个操作，并显示了几个引人注目的结果，使用实验室原型来证明所提出的高光谱成像仪的有效性。
2019-10-21 cs.AI cs.CV eess.IV
New wrapper method based on normalized mutual information for dimension reduction and classification of hyperspectral images
特征选择是高光谱图像分类中最重要的问题之一。它包括从整个输入数据集中选择信息量最大的波段，并丢弃噪声，冗余和不相关的波段。在此背景下，我们提出了一种新的包装方法的基础上归一化互信息（NMI）和错误概率（PE）使用支持向量机（SVM），以减少所使用的高光谱图像的维数，提高分类效率。实验已经进行了两个具有挑战性的高光谱基准数据集捕获的美国宇航局的机载可见光/红外成像光谱仪传感器（AVIRIS）。计算了几个指标来评估所提出的算法的性能。实验结果表明，与其他复制算法相比，该方法可以提高分类性能，并提供准确的专题地图。该方法可以改进，以提高分类效率。关键词-特征选择，高光谱图像，分类，包装器，归一化互信息，支持向量机。
2022-10-25 cs.CV
Cross-domain CNN for Hyperspectral Image Classification
Booz Allen Hamilton Inc.（博思艾伦汉密尔顿公司）；U.S. Army Research Laboratory（美国陆军研究实验室）
本文针对高光谱图像分类中数据集稀缺的问题。由于只有几千个像素可用于训练，因此很难有效地学习高容量的卷积神经网络（CNN）。为了解决这个问题，我们提出了一种新的跨域CNN包含共享参数，可以在多个高光谱数据集之间进行共同学习。该网络还包含非共享部分，旨在处理数据集特定的光谱特征和相关的分类任务。我们的方法是第一次尝试以端到端的方式学习多个高光谱数据集的CNN。此外，我们已经通过实验证明，在三个广泛使用的数据集上训练的网络优于在单个数据集上训练的所有基线网络。
2018-05-02 cs.CV
Advances in Hyperspectral Image Classification: Earth monitoring with statistical learning methods
高光谱图像显示出与自然灰度或彩色摄影图像相似的统计特性。然而，高光谱图像的分类是更具挑战性的，因为非常高的像素维数和少量的标记的例子通常可用于学习。这些特点导致了特殊的信号处理问题，主要特点是不确定性和复杂的流形。统计学习的框架在过去的十年中越来越受欢迎。已经提出了新的方法来考虑图像的空间均匀性，通过主动学习包括用户的交互，利用半监督学习的流形结构，提取和编码不变性，或者使分类器和图像表示适应于看不见的但相似的场景。本文通过实例回顾了高光谱遥感图像分类的主要进展。
2013-10-18 cs.CV
Hyperspectral Images Classification Based on Multi-scale Residual Network
School of Geology Engineering and Geomatics, Chang’an University（长安大学地质工程与测绘学院）
由于高光谱遥感图像包含大量冗余信息，数据结构高度非线性，导致传统机器学习方法分类精度较低。最新研究表明，基于深度卷积神经网络的高光谱图像分类具有较高的精度。但是，当使用少量数据进行训练时，深度学习方法的分类精度会大大降低。针对现有算法在小样本高光谱图像分类中分类精度不高的问题，提出了一种多尺度残差网络。通过在残差块中加入分支结构，并在分支中使用不同大小的卷积核，实现了空间和光谱特征的多尺度提取与融合。充分利用了高光谱图像所包含的空间和光谱信息，提高了分类精度。此外，为了提高速度和防止过拟合，模型采用了动态学习率、BN和Dropout策略。实验结果表明，该方法在印第安松和帕维亚大学的数据集上的总体分类准确率分别为99.07%和99.96%，优于其他算法。
2020-05-12 cs.CV
HyperImageNet: A Large-Scale High-Spatial Resolution Hyperspectral Imagery Classification Benchmark
介绍用于细粒度高光谱土地覆盖理解的HyperImageNet基准，含原始图像等数据，支持语义和实例分割，建立开放环境基准评估方法和模型，实验证明其在相关研究中的有效性。
2026-07-28 cs.CV
Cross-View-Prediction: Exploring Contrastive Feature for Hyperspectral Image Classification
Soochow University（苏州大学）；Imperial College London（帝国理工学院）；Zhejiang University（浙江大学）
针对高光谱图像分类，本文提出Cross-View-Prediction自监督方法，通过跨通道预测构建双视图并以对比学习优化互信息与条件熵，结合SVM达到无监督分类最先进性能。
2024-12-04 cs.CV
BASS Net: Band-Adaptive Spectral-Spatial Feature Learning Neural Network for Hyperspectral Image Classification
Indian Institute of Technology, Kharagpur（印度理工学院克勒格布尔分校）；Space Applications Centre, Indian Space Research Organization (ISRO)（印度空间研究组织空间应用中心）
最近在文献中提出了基于深度学习的土地覆盖分类算法。在高光谱图像（HSI），他们面临的挑战，大的维度，空间变化的光谱特征和稀缺的标记数据。在这篇文章中，我们提出了一个端到端的深度学习架构，提取特定波段的光谱空间特征，并执行土地覆盖分类。该架构具有较少的独立连接权重，因此需要较少数量的训练数据。该方法被发现优于流行的高光谱图像数据集的最高精度。
2016-12-02 cs.CV
Multitask Deep Learning with Spectral Knowledge for Hyperspectral Image Classification
University of Hong Kong（香港大学）；OneSpace Technology Co., Ltd.（零壹空间科技有限公司）；Sun Yat-sen University（中山大学）
在这封信中，我们提出了一种多任务深度学习方法，用于在单次训练中对多个高光谱数据进行分类。深度学习模型在高光谱图像分类方面取得了很好的效果，但其性能高度依赖于足够的标记样本，而这些样本在高光谱图像上是稀缺的。然而，来自多个数据集的样本可能足以训练一个深度学习模型，从而提高其性能。为此，我们为所有数据训练了一个相同的特征提取器，并将提取的特征输入相应的Softmax分类器。光谱知识的引入，以确保共享的功能是相似的跨域。实验中使用了四个高光谱数据集。与基线相比，我们在三个数据集（帕维亚大学，帕维亚中心和印第安松）上取得了更高的分类精度，并在萨利纳斯山谷数据上取得了有竞争力的结果。当数据共享相似的光谱响应时，光谱知识有助于防止深度网络过拟合。该方法在两个深度CNN上进行了测试，成功地证明了它能够利用来自多个数据集的样本并提高网络的性能。
2019-12-26 cs.CV
A novel statistical metric learning for hyperspectral image classification
National University of Defense Technology（国防科技大学）
本文提出了一种新的统计度量学习方法，用于高光谱图像的光谱-空间分类。首先，利用每批样本中每类样本的标准方差来减小每类样本的类内方差。然后，不同类别的平均值之间的距离被用来惩罚训练样本的类间方差。最后，添加不同类别的均值之间的标准方差作为额外的多样性项，以排斥不同类别。在两个真实的高光谱图像数据集上进行了实验，实验结果表明了所提出的统计度量学习的有效性。
2019-05-13 cs.CV
Honey Classification using Hyperspectral Imaging and Machine Learning
Dr. Babasaheb Ambedkar Marathwada University（巴巴萨海布·安贝德卡尔马拉特瓦达大学）
本研究提出一种结合高光谱成像与机器学习的蜂蜜植物来源自动分类方法，经类别变换、LDA特征降维及SVM、KNN分类，在标准HSI数据集上取得95.13%（图像级）和92.80%（实例级）的当前最优分类准确率。
2025-08-01 cs.CV
Unsupervised Feature Learning by Autoencoder and Prototypical Contrastive Learning for Hyperspectral Classification
Zhejiang University（浙江大学）；HangZhou Dianzi University（杭州电子科技大学）
用于特征提取的无监督学习方法正变得越来越流行。我们结合流行的对比学习方法（原型对比学习）和经典的表示学习方法（自动编码器），设计了一个无监督的高光谱分类特征学习网络。实验证明，我们提出的两种自编码器网络本身具有良好的特征学习能力，而我们设计的对比学习网络能够更好地结合两者的特征，学习更有代表性的特征。实验结果表明，该方法在高光谱分类实验中优于其他比较方法，包括一些监督方法。此外，我们的方法保持了快速的特征提取速度比基线方法。此外，我们的方法降低了对巨大计算资源的要求，将特征提取和对比学习分离，允许更多的研究人员对无监督对比学习进行研究和实验。
2020-09-02 cs.CV
Hyperspectral Images Classification Using Energy Profiles of Spatial and Spectral Features
Hamedan University of Technology（哈马丹工业大学）；Tarbiat Modares University（塔比亚特·莫达雷斯大学）
提出了一种基于特征能量的高光谱图像空间特征提取方法。提出的正交滤波器组提取的空间特征的最大能量的主成分，然后，配置文件是基于这些功能构建。该方法的一个重要特点是滤波器组系数是从数据的统计特性中提取的，因此与其他滤波器（如Gabor滤波器）相比，滤波器组系数更符合遥感图像的类型和纹理。为了评估所提出的特征提取方法的性能，提取的特征被送入一个支持向量机（SVM）分类器。实验上广泛使用的高光谱图像，即印度松，和萨利纳斯数据集表明，所提出的方法提高了分类结果相比，最近的一些光谱空间分类方法。
2018-07-24 cs.CV
Hyperspectral Images Classification and Dimensionality Reduction using spectral interaction and SVM classifier
ENSET Mohammed V University（穆罕默德五世大学高等师范技术学院）
近几十年来，高光谱遥感技术的发展引起了各领域科学家的极大兴趣。高光谱传感器提供的丰富而详细的光谱信息提高了对地表物质的监测和探测能力。然而，高维的高光谱图像（HSI）的主要挑战之一，对所收集的数据进行分析。噪声、冗余和不相关波段的存在增加了计算复杂性，导致Hughes现象，降低了目标的分类精度。因此，降维是应对维数挑战的重要步骤。在本文中，我们提出了一种新的过滤方法的基础上最大化的光谱相互作用措施和支持向量机的降维和分类的HSI。建议的最大相关最大协同（MRMS）算法评估每个波段的相关性，通过频谱协同，冗余和相关性措施的组合。我们的目标是选择协同波段的最佳子集，为监督场景素材提供准确的分类。实验结果已经使用三个不同的高光谱数据集：“印第安纳松树”，“帕维亚大学”和“萨利纳斯”提供的“NASA-AVIRIS”和“ROSIS”光谱仪。此外，与国家的最先进的波段选择方法进行了比较，以证明所提出的方法的鲁棒性和效率。保留字：高光谱图像，遥感，降维，分类，协同，相关，光谱交互信息，互信息
2022-10-27 cs.CV
Fast forward feature selection for the nonlinear classification of hyperspectral images
Université de Toulouse（图卢兹大学）；INP-ENSAT（国立图卢兹高等农业学院）；INRA（法国国家农业研究院）；Institut de Mathématiques de Toulouse（图卢兹数学研究所）
本文提出了一种快速前向特征选择算法。它基于高斯混合模型（GMM）分类器。GMM用于高光谱图像分类。该算法迭代地选择最大化分类率的估计的谱特征。使用k折交叉验证进行估计。为了在计算时间方面快速执行，提出了一种有效的实现。首先，可以在计算分类率的估计时更新GMM，而不是重新估计完整模型。其次，利用GMM的边缘化，子模型可以直接从所有的谱特征学习的完整模型中获得。对两组真实高光谱数据的实验结果表明，该方法在分类精度和处理时间方面都有很好的表现。此外，提取的模型包含非常少的光谱通道。
2015-01-05 cs.CV
Pixel DAG-Recurrent Neural Network for Spectral-Spatial Hyperspectral Image Classification
Xidian University（西安电子科技大学）
利用丰富的空间和光谱特征有助于提高高光谱图像的分类精度。本文基于人类视皮层群体感受野机制，进一步利用图像中像素的空间相关性，提出像素有向无环图循环神经网络（Pixel DAG-RNN）来提取和应用光谱-空间特征进行HSI分类。在我们的模型中，一个无向循环图（UCG）被用来表示在一个图像块中的像素的相关连接，和四个DAG被用来近似的UCG的空间关系。为了避免过拟合，采用了权值分担和丢弃的方法。通过在三个基准数据集上的实验，我们的模型在HSI分类上的更高的分类性能得到了验证。
2019-06-09 cs.CV
Subspace-Based Feature Fusion From Hyperspectral And Multispectral Image For Land Cover Classification
Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）；Universidad Industrial de Santander（桑坦德工业大学）
在遥感中，高光谱（HS）和多光谱（MS）图像融合已成为一种综合工具，以提高数据集的分辨率。然而，传统的图像融合方法通常会降低土地覆盖分类的性能。本文提出了一种基于像素分类的HS和MS图像特征融合方法。更准确地说，所提出的方法首先提取空间特征的MS图像使用形态学配置文件。然后，特征融合模型假设提取的形态轮廓和HS图像可以被描述为位于不同子空间的特征矩阵。提出了一种基于交替优化（AO）和交替方向乘子法（ADMM）相结合的特征融合算法。最后，广泛的模拟运行，以评估所提出的特征融合方法的性能为两个数据集。在一般情况下，所提出的方法表现出竞争力的性能相比，其他特征提取方法。
2022-04-03 cs.CV eess.IV
Locality-Aware Hyperspectral Classification
Eindhoven University of Technology（埃因霍温理工大学）
针对现有高光谱分类忽视局部信息的问题，提出局部感知变换器HyLITE，结合局部与光谱信息及正则化，准确率提升达10%。
2023-09-04 cs.CV
A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information
ENSET, Mohammed V University in Rabat（穆罕默德五世大学拉巴特高等师范技术教育学院）；National Center for Scientific and Technical Research（国家科学技术研究中心）
分辨率降低是高光谱图像分类的重要预处理步骤，是不可回避的任务。一些方法使用基于光谱和空间信息的特征选择或提取算法。在本文中，我们介绍了一种新的降维和分类的HSI同时考虑光谱和空间信息的基础上互信息的方法。我们从灰度共生矩阵（GLCM）中提取的纹理特征，我们使用同质性，对比度，相关性和能量的空间信息。对于分类，我们使用支持向量机（SVM）。实验在三个著名的高光谱基准数据集上进行。所提出的算法进行了比较，与最先进的方法。这种融合的结果表明，我们的方法优于其他方法，通过提高分类精度在一个很好的时机。关键词：高光谱图像;分类;光谱和空间特征;灰度共生矩阵;灰度共生矩阵;互信息;支持向量机;支持向量机。
2022-11-01 cs.CV
Hyperspectral Image Classification Based on Sparse Modeling of Spectral Blocks
University of Tabriz（大不里士大学）；Ryerson University（瑞尔森大学）
高光谱图像提供了丰富的空间和光谱信息，这是非常有价值的材料检测在不同领域的实际科学。数据的高维导致了许多处理挑战，这些挑战可以通过现有的空间和光谱冗余来解决。本文提出了一种用于高光谱图像分类的稀疏建模框架。频谱块被引入与空间组一起使用，以联合利用频谱和空间冗余。为了降低稀疏建模的计算复杂性，使用谱块将高维优化问题分解为更快求解的小尺寸子问题。此外，所提出的稀疏结构使得能够提取最具鉴别力的频谱块，并进一步减少计算负担。在三个基准数据集上的实验，即，帕维亚大学图像和印度松树图像验证，所提出的方法导致一个强大的稀疏建模的高光谱图像和提高分类精度相比，几个国家的最先进的方法。此外，实验表明，所提出的方法需要更少的处理时间。
2020-05-17 cs.CV
Rule-Based Classification of Hyperspectral Imaging Data
Mainz University of Applied Sciences（美因茨应用科学大学）；University Jean Monnet（让·莫奈大学）；University of Lyon（里昂大学）
由于其高空间和光谱信息含量，高光谱成像开辟了新的可能性，更好地了解各种应用中的数据和场景。这个理解过程的一个重要部分是分类部分。在这篇文章中，我们提出了一个一般的分类方法的基础上的形状的光谱特征。与经典的分类方法（例如SVM、KNN）相比，不仅考虑反射率值，而且还考虑诸如曲率点、曲率值和光谱特征的曲率行为的参数来开发形状描述规则，以便通过使用IF-THEN查询的基于规则的过程将它们用于分类。使用来自两个不同应用领域的数据集证明了该方法的灵活性和效率，并导致具有良好性能的令人信服的结果。
2021-07-21 cs.CV
MultiScale Spectral-Spatial Convolutional Transformer for Hyperspectral Image Classification
Defense Innovation Institute, Chinese Academy of Military Sciences（军事科学院国防科技创新研究院）；National University of Defense Technology（国防科技大学）
本文提出MultiscaleFormer，通过多尺度空间块token构建空间Transformer、利用波段空间表示构建光谱Transformer，并引入改进的光谱-空间CAF模块融合跨层信息，从而有效捕获多尺度光谱-空间特征，在高光谱图像分类中优于大多数现有架构。
2023-10-28 cs.CV
Supervised classification methods applied to airborne hyperspectral images: Comparative study using mutual information
ENSET, Mohammed V University（穆罕默德五世大学高等师范学院）
目前，高光谱遥感影像已成为观测地球表面、探测气候变化等诸多应用的重要工具。HSI的分类是最具挑战性的任务之一，由于大量的光谱信息和冗余和不相关的波段的存在。虽然分类技术已经取得了很大的进展，很少有研究已经做了实际的指导方针，以确定适当的分类HSI。在本文中，我们研究了四种监督学习算法，即支持向量机SVM，随机森林RF，K-最近邻KNN和线性判别分析LDA与不同的内核在分类精度方面的性能。实验已经进行了三个真正的高光谱数据集从美国宇航局的机载可见光/红外成像光谱仪传感器AVIRIS和反射光学系统成像光谱仪ROSIS传感器。利用互信息降低所用数据集的维度，以提高分类效率。大量的实验表明，与RBF核和RF的SVM分类器产生统计上更好的结果，似乎是分别更适合作为监督分类器的高光谱遥感图像。保留字：高光谱图像，互信息，降维，支持向量机，K-最近邻，随机森林，线性判别分析。
2022-10-27 cs.CV
Efficient Dynamic Attention 3D Convolution for Hyperspectral Image Classification
iFLYTEK（讯飞科技）；Aegon THTF（东方明珠新媒体）
针对高光谱图像分类中信息利用不足与过拟合等问题，本文基于改进的3D-DenseNet提出动态注意力3D卷积（DAC）模块，通过多并行卷积核与动态权重实现自适应特征提取，在不增加网络深度下显著提升了分类精度与推理速度。
2025-03-30 cs.CV
Contrastive Multi-view Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks
China University of Geosciences（中国地质大学）；National University of Defense Technology（国防科技大学）
针对高光谱图像单视图子空间聚类未能充分利用空间与纹理信息的问题，提出基于图卷积网络的对比多视图方法，通过双视图亲和学习、对比一致性和注意力融合提升聚类精度。
2023-12-11 cs.AI cs.CV
A CNN With Multi-scale Convolution for Hyperspectral Image Classification using Target-Pixel-Orientation scheme
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
最近，CNN是处理高光谱图像分类挑战的流行选择。尽管高光谱图像（HSI）具有如此大的光谱信息，但它产生了维数灾难。此外，光谱特征的大的空间变异性增加了分类问题的难度。此外，用稀缺的训练样本以端到端的方式训练CNN是另一个具有挑战性和有趣的问题。本文提出了一种新的目标块定位方法，用于训练基于CNN的神经网络。此外，我们还引入了一种基于3D-CNN和2D-CNN的混合网络架构，分别实现了频带缩减和特征提取方法。实验结果表明，我们的方法优于现有的最先进的方法中报告的准确性。
2021-05-05 cs.CV
A Novel Filter Approach for Band Selection and Classification of Hyperspectral Remotely Sensed Images Using Normalized Mutual Information and Support Vector Machines
Mohammed V University（穆罕默德五世大学）
波段选择是高光谱遥感图像分类中的一个具有挑战性的问题。这是由于它的高光谱分辨率，许多类输出和有限数量的训练样本。为此，本文介绍了一种新的滤波器的降维和分类的高光谱图像的信息理论（归一化互信息）和支持向量机SVM。该方法包括从输入数据集中选择最具信息量和相关性的波段的最小子集，以获得更好的分类效率。我们应用我们提出的算法在两个著名的基准数据集收集的美国宇航局的AVIRIS传感器在印第安纳州和萨利纳斯谷在美国。基于该领域广泛使用的不同评价指标对实验结果进行了评估。与现有技术的方法的比较证明，我们的方法可以产生良好的性能，减少了选择的频带在一个良好的时机。关键词：降维，高光谱图像，波段选择，归一化互信息，分类，支持向量机
2022-10-27 cs.CV
Is Pretraining Necessary for Hyperspectral Image Classification?
Booz Allen Hamilton Inc.（博思艾伦汉密尔顿公司）；US Army Research Laboratory（美国陆军研究实验室）
我们解决了两个问题，训练卷积神经网络（CNN）的高光谱图像分类：i）是否有可能建立一个预先训练的网络？以及ii）预先培训是否有效地促进了绩效？为了回答第一个问题，我们设计了一种方法，该方法在多个源数据集上预训练网络，这些数据集的高光谱特征不同，并在目标数据集上进行微调。这种方法有效地解决了在源网络和目标网络之间传输有意义的信息时出现的架构问题。为了回答第二个问题，我们进行了几次烧蚀实验。根据实验结果，从头开始训练的网络与从预先训练的网络微调的网络一样好。然而，我们观察到，当需要更深的网络时，预训练网络在实现更好的性能方面有其自身的优势。
2019-01-24 cs.CV
Hyperspectral images classification and Dimensionality Reduction using Homogeneity feature and mutual information
ENSET Mohammed V University（穆罕默德五世大学高等师范学院）
高光谱图像（HSI）包含数百个波段的同一区域称为地面实况（GT）。这些频带是以并列的频率获取的，但其中一些是嘈杂的测量或不包含任何信息。对于分类来说，波段的选择，对分类结果影响很大，实际上，使用相关波段的子集，这些结果可以比使用所有波段得到的结果更好，由此需要对HSI进行降维。本文根据降维方法的生成过程，对降维方法进行了分类。在此基础上，提出了一种基于互信息（MI）的特征选择降维算法，并引入了一种利用互信息和同质性的降维算法。这两种模式是一种过滤策略。最后，为了验证这一点，我们考虑了案例研究AVIRIS HSI 92 AV 3C。关键词：高光谱图像;分类;特征选择;互信息;均匀性
2022-10-25 cs.CV
Hyperspectral CNN Classification with Limited Training Samples
Australian Centre for Field Robotics（澳大利亚野外机器人中心）；University of Sydney（悉尼大学）
高光谱成像传感器在农业和采矿等机器人应用中越来越受欢迎，并允许基于其独特的光谱特征对场景中的材料进行逐像素专题分类。最近，卷积神经网络在分类任务中表现出了出色的性能，但需要大量的标记训练数据。这些数据必须充分涵盖环境中预期会遇到的可变性。对于高光谱数据，户外遇到的主要变化之一是由于入射照明，这可能会改变光谱形状和强度取决于场景的几何形状。例如，被太阳遮挡的区域具有较低的强度，并且它们的入射辐照度向较短的波长倾斜。在这项工作中，一个数据增强策略的基础上重新照明的高光谱卷积神经网络的训练过程中使用。它允许在室外环境中进行训练，只需给定一个小的标记区域，该区域不需要充分代表整个场景的几何变化性。这对于获得大量训练数据是费力的、危险的或困难的应用是重要的，例如标记阴影内的像素。辐射归一化方法预处理的高光谱数据进行了分析，它示出的方法的基础上的原始像素数据是足以被用作输入的分类器。这消除了对校准板等外部硬件的需求，这些硬件可能会限制高光谱传感器在机器人应用中的应用。实验进行了评估的分类系统上捕获的两个数据集从基于字段的平台。
2016-11-28 cs.CV
Hybridization of filter and wrapper approaches for the dimensionality reduction and classification of hyperspectral images
ENSET Mohammed V University（穆罕默德五世大学高等师范技术学院）
高光谱图像的高维性往往给图像处理带来沉重的计算负担。因此，降维往往是一个必要的步骤，以消除不相关的，噪声和冗余的频带。从而提高分类精度。然而，从数百甚至数千个相关条带中识别有用的条带是一项重要的任务。本文的目的是确定一个小的波段，以提高计算速度和预测精度。因此，我们提出了一种混合算法，通过波段选择的高光谱图像降维。该方法结合了互信息增益、最小冗余最大相关和Fano错误概率与支持向量机波段消除算法。所提出的方法相比，一个有效的再生过滤器的方法的基础上互信息。在HSIAVIRIS 92 AV 3C上的实验结果表明，该方法的性能优于再生滤波器。关键词-高光谱图像;分类;波段选择;滤波器;包装器;互信息;信息增益。
2022-10-29 cs.CV
Self-Learning Hyperspectral and Multispectral Image Fusion via Adaptive Residual Guided Subspace Diffusion Model
School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China（计算机科学与工程学院，南京理工大学，南京，中国）
针对HSI-MSI融合缺乏训练数据的问题，提出仅用观测图像的自学习ARGS-Diff，通过光谱与空间扩散模型及ARGM稳定重建HR-HSI，性能和效率均优于现有方法。
2025-05-17 cs.CV eess.IV
Hyperspectral Image Classification via Transformer-based Spectral-Spatial Attention Decoupling and Adaptive Gating
iFLYTEK；Aegon THTF
针对高光谱图像分类中过拟合、泛化差等问题，提出含空间-光谱注意力解耦与双门控机制的STNet架构，在不增网络规模下提升特征提取融合能力，在三类数据集上优于主流方法。
2025-06-11 cs.CV
Does Normalization Methods Play a Role for Hyperspectral Image Classification?
Guangdong University of Technology（广东工业大学）；University of Strathclyde（思克莱德大学）
对于高光谱图像数据集，每一类都有其显著特征，分类器根据该类的显著性特征对高光谱图像数据集进行分类，但采用不同的归一化方法会得到不同的显著性特征。在这封信中，我们报告了不同的归一化方法对分类器的影响，并推荐了最好的分类器归一化方法后，分析了不同的归一化方法对分类器的影响。将Pavia大学数据集、Indian Pines数据集和Kennedy航天中心数据集应用于几个典型分类器，以评估和分析不同归一化方法对典型分类器的影响。
2017-10-09 cs.CV
Cosine-Normalized Attention for Hyperspectral Image Classification
SDAIA-KFUPM, Joint Research Center for Artificial Intelligence (JRCAI), King Fahd University of Petroleum and Minerals（SDAIA-KFUPM联合人工智能研究中心（JRCAI），法赫德国王石油矿产大学）；Institute of Software Development and Engineering, Innopolis University（软件开发和工程学院，因诺波利斯大学）
本文提出余弦归一化注意力机制，通过几何视角优化超分辨率图像分类中的相似度计算，实验表明其在有限监督下优于多种Transformer和Mamba模型。
2026-04-02 cs.CV
Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning
The University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）；Wuhan University（武汉大学）
当前的高光谱图像分类假设一个预定义的分类系统是封闭和完整的，并且在看不见的数据中不存在未知的或新的类别。然而，这种假设对于现实世界来说可能过于严格。在构建分类系统时，新的类别往往被忽视。封闭的性质迫使模型在给定新样本的情况下分配标签，并且可能导致对已知土地覆盖的高估（例如，作物区）。为了解决这个问题，我们提出了一种多任务深度学习方法，该方法在可能存在未知类的开放世界（名为MDL 4 OW）中同时进行分类和重建。重建的数据与原始数据进行比较;那些未能重建的数据被认为是未知的，基于这样的假设，即由于缺乏标签，它们在潜在特征中没有很好地表示。需要定义一个阈值来分离未知和已知的类，我们提出了两种策略的基础上的极值理论的Few-Shot和多杆的情况下。所提出的方法在真实世界的高光谱图像上进行了测试;取得了最先进的结果，例如，将萨利纳斯数据的整体准确度提高了4.94%。通过考虑开放世界中未知类的存在，该方法实现了更准确的高光谱图像分类，特别是在Few-Shot背景下。
2020-09-08 cs.CV
GMM-Based Synthetic Samples for Classification of Hyperspectral Images With Limited Training Data
Friedrich-Alexander University Erlangen-Nuernberg（弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校）；Gebze Technical University（盖布泽技术大学）；Sabanci University（萨班哲大学）
训练分类器所需的训练数据量与特征数据的维度成比例。在高光谱遥感中，特征数据可能变得非常高维。然而，训练数据的量通常是有限的。因此，高光谱遥感的核心挑战之一是如何使用相对较少的训练数据点进行多类分类。在这项工作中，我们解决这个问题，丰富的特征矩阵与综合生成的样本点。该合成数据是从拟合到有限训练数据的每个类别的GMM中采样的。虽然，真正的分布特征可能不会完美地拟合GMM模型，我们证明，适度的扩增这些合成样本可以有效地取代一部分缺失的训练样本。我们在两个高光谱数据集上显示了所提出的方法的有效性。分类性能的中值增益为$5\%$。同样令人鼓舞的是，这种性能增益对于添加的样本数量的大变化是非常稳定的，这使得将这种方法应用于现实世界的应用更加容易。
2017-12-13 cs.CV
A Survey of Graph and Attention Based Hyperspectral Image Classification Methods for Remote Sensing Data
Georgia Institute of Technology（佐治亚理工学院）；Indian Institute of Technology Delhi（印度理工学院德里分校）
本文综述了基于图卷积网络和注意力机制的高光谱图像分类方法，涵盖遥感与航空数据，并总结了相关数据集及处理技术的基准测试。
2023-10-16 cs.CV
Integration of LiDAR and Hyperspectral Data for Land-cover Classification: A Case Study
Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心遥感技术研究所）；Signal Processing in Earth Observation (SiPEO), Technische Universität München (TUM)（慕尼黑工业大学地球观测信号处理中心）；Faculty of Electrical and Computer Engineering, University of Iceland（冰岛大学电气与计算机工程学院）；Department of Technology of Computers and Communications, University of Extremadura（埃斯特雷马杜拉大学计算机与通信技术系）
本文提出了一种融合激光雷达和高光谱数据的方法，该方法在一个框架中同时考虑光谱和空间信息。在这里，一个扩展的自对偶属性剖面（ESDAP）的研究，以提取空间信息的高光谱数据集。为了提取光谱信息，已经使用了一些公知的分类器，例如支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）。该方法在训练样本数量和特征数量不平衡的真实不适定性情况下，能够在较少的CPU处理时间内对相对体积较大的数据集进行准确分类。该方法的分类部分是全自动的。
2017-07-09 cs.CV
