高光谱图像分类的降维方法
Dimensionality Reduction for Hyperspectral Image Classification
浏览论文内容
中文总结 AI 辅助
本文针对高光谱图像监督分类，研究PCA与LDA降维方法，并比较KNN、SVM和RF分类器，发现PCA与RF组合获得最高精度和Kappa系数。
中文摘要 AI 辅助
本文针对高光谱卫星图像中的监督分类问题展开研究，涉及两个基本方面：数据降维以及合适的监督分类技术的选择。首先，我们深入探讨了降维，这是简化高光谱数据管理的关键步骤。降维旨在降低内存和计算时间方面的复杂度。我们考察了两种常用方法：主成分分析（PCA）和线性判别分析（LDA）。随后，我们探讨了最适合高光谱图像的监督分类算法的选择。我们使用真实高光谱数据比较了三种方法的性能：K近邻（KNN）、支持向量机（SVM）和随机森林（RF）。结果表明，PCA与RF的组合在总体精度和Kappa系数上取得了最高的结果。
英文摘要
This paper addresses the issue of supervised classification in the context of hyperspectral satellite images. It deals with two fundamental aspects: dimensionality reduction of data and the selection of appropriate supervised classification techniques. Firstly, we delve into dimensionality reduction, a critical step in simplifying the management of hyperspectral data. The reduction aims to decrease complexity in terms of memory and computing time. We examine two commonly used methods: Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA). Subsequently, we explore the selection of the most suitable supervised classification algorithms for hyperspectral images. We compare the performance of three methods: K-Nearest Neighbors (KNN), Support Vector Machines (SVM), and Random Forest (RF) using real hyperspectral data. The results highlight that the combination of PCA and RF yields the highest overall accuracy and Kappa coefficient.
发表机构
- Ecole Militaire Polytechnique（军事理工学院）
- Université Paris-Saclay（巴黎萨克雷大学）
- Université de Bordj-Bou-Ariridj（布吉布阿雷里吉大学）
机构由 AI 辅助整理，请以论文原文为准。
