Key points are not available for this paper at this time.
Die Marginal Fisher-Analyse (MFA) nutzt das Randkriterium, um die intraklassen Daten zu komprimieren und die interklassen Daten zu trennen, und sie ist sehr nützlich zur Analyse hochdimensionaler Daten. MFA berücksichtigt jedoch nur die Strukturbeziehungen von Nachbarpunkten und kann die intrinsische Struktur hyperspektraler Bilder (HSI), die viele homogene Bereiche aufweist, nicht effektiv darstellen. In diesem Papier schlagen wir eine neue Methode zur Dimensionsreduktion (DR) vor, die als lokale geometrische Struktur Fisher-Analyse (LGSFA) bezeichnet wird, zur Klassifikation von HSI. Zunächst verwendet LGSFA die intraklassen Nachbarpunkte jedes Punktes, um seinen Rekonstruktionspunkt zu berechnen. Dann wird ein intrinsisches Graph und ein Strafgraph konstruiert, um die intraklassen und interklassen Eigenschaften hyperspektraler Daten offenzulegen. Schließlich werden die Nachbarpunkte und die entsprechenden intraklassen Rekonstruktionspunkte verwendet, um die Kompaktheit des intraklassen Mannigfaltigkeit und die Trennbarkeit der interklassen Mannigfaltigkeit zu verbessern. LGSFA kann die intrinsische Mannigfaltigkeitsstruktur effektiv offenlegen und die diskriminierenden Merkmale der HSI-Daten zur Klassifikation erhalten. Experimente an den Datenmengen Salinas, Indian Pines und Urban zeigen, dass der vorgeschlagene LGSFA-Algorithmus die besten Klassifikationsergebnisse im Vergleich zu anderen modernen Methoden erzielt.
Luo et al. (Tue,) haben diese Frage untersucht.