PCA espectral-espacial y por superpíxeles para la extracción de características no supervisada de imágenes hiperespectrales

Como el algoritmo de reducción de dimensión no supervisado más clásico, el análisis de componentes principales (PCA) ha sido ampliamente utilizado en tareas de preprocesamiento y análisis de imágenes hiperespectrales (HSIs). El PCA por superpíxeles (SuperPCA) propuesto recientemente ha mostrado una precisión prometedora, donde la técnica de segmentación de superpíxeles se utilizó primero para segmentar una HSI en varias regiones homogéneas y luego se adoptó PCA en cada bloque de superpíxeles para extraer las características locales. Sin embargo, las características locales podrían ser ineficaces debido a la negligencia de la información global, especialmente en algunas pequeñas regiones homogéneas y/o en algunas grandes regiones homogéneas con objetos de verdad de terreno mezclados. En este artículo, se propone un nuevo PCA espectral-espacial y SuperPCA (S 3 -PCA) para aprender las características efectivas y de baja dimensión de las HSIs. Inspirados por SuperPCA, adoptamos además la reconstrucción local basada en superpíxeles para filtrar las HSIs y utilizamos las características globales basadas en PCA como complemento de las características locales. Resulta que las características globales-locales y espectrales-espaciales pueden ser bien aprovechadas. Específicamente, cada píxel de una HSI se reconstruye mediante los píxeles de los vecinos más cercanos en el mismo bloque de superpíxeles, lo que podría eliminar el ruido y mejorar la información espacial de manera adaptativa. Después del preprocesamiento de datos basado en la reconstrucción local, se aplica PCA en cada región y en toda la HSI para obtener características locales y globales, respectivamente. Luego simplemente las concatenamos para obtener las características globales-locales y espectrales-espaciales para la clasificación de HSIs. Los resultados experimentales en dos conjuntos de datos de HSIs demuestran la superioridad del método propuesto sobre los métodos más avanzados. El código fuente del modelo propuesto está disponible en https://github.com/XinweiJiang/S3-PCA.