Key points are not available for this paper at this time.
Ein bayesianischer Ansatz zur Partitionierung hyperspektraler Bilder in homogene Regionen wird untersucht, bei dem räumliche Konsistenz auf den spektralen Inhalt der Standorte in jeder Partition angewendet wird. Eine Energiefunktion wird untersucht, die Disparitäten in einem Bild modelliert, die in Bezug auf ein lokales Nachbarschaftssystem definiert sind. Diese Energiefunktion verwendet einen oder bestimmte Kombinationen des spektralen Winkels, der euklidischen Distanz und/oder Kolmogorov-Smirnov (mittelwertkorrigierter) Maße. Maximale a-posteriori-Schätzungen werden unter Verwendung eines Algorithmus berechnet, der als Multigrid-Prozess implementiert ist, um die globale Kennzeichnung zu verbessern und die Rechenintensität zu reduzieren. Sowohl eingeschränkte als auch uneingeschränkte Multigrid-Ansätze werden berücksichtigt. Eine lokal erweiterte Nachbarschaftsstruktur wird eingeführt, um genauere globale Kennzeichnungen zu fördern. Der aktuelle Ansatz konzentriert sich auf Terrainkartierungsanwendungen mit hyperspektralen Bildern, die schmale Bänder im Spektralbereich von 400-2500 nm enthalten. Die Versuche unseres Experiments werden an einer Szene aus HYDICE 210-Band-Bildern durchgeführt, die über ein Gebiet aufgenommen wurden, das eine Vielzahl von Geländeformen enthält und durch Bodenwahrheiten unterstützt wird. Quantitative Maße für lokale Konsistenz (Glätte) und globale Kennzeichnung, zusammen mit Klassenkarten, zeigen die Vorteile der Anwendung dieser Methode für unüberwachtes und überwacht klassifiziertes Lernen, wobei die besten Ergebnisse mit einer Energiefunktion erzielt werden, die aus der Kombination spektraler Winkel- und euklidischer Distanzmessungen besteht.
Rand et al. (Sun,) haben diese Frage untersucht.