Lernen von diskriminativen spärlichen Darstellungen für die Klassifizierung hyperspektraler Bilder

Bei der Klassifizierung hyperspektraler Bilder, die durch spärliche Darstellung (SR) gesteuert wird, kann die klassifikationsbasierte Signal-zu-Rekonstruktion-Regel an Generalisierungsleistung mangeln. Um diese Einschränkung zu überwinden, stellen wir eine neue Methode zur diskriminativen spärlichen Darstellung hyperspektraler Daten vor, indem wir ein rekonstruktives Wörterbuch und einen diskriminativen Klassifikator in einem SR-Modell, das mit totaler Variation (TV) regularisiert ist, lernen. Die vorgeschlagene Methode umfasst die folgenden Komponenten. Erstens verwenden wir eine spektrale Entmischung durch variablengeteilte augmentierte Lagrange- und TV-Methode, um die räumliche Homogenität spärlicher Darstellungen zu garantieren. Zweitens integrieren wir das Lernen von Wörterbüchern in die Methode, um die repräsentative Kraft spärlicher Darstellungen mittels Gradientenabstieg auf klassenweise Weise zu erhöhen. Schließlich übernehmen wir ein spärliches multinomiales logitisches Regressionsmodell (SMLR) und entwerfen eine klassenorientierte Optimierungsstrategie, um einen leistungsstarken Klassifikator zu erhalten, der die Leistung des gelernten Modells für spezifische Klassen verbessert. Die ersten beiden Komponenten sind vorteilhaft, um diskriminative spärliche Darstellungen zu erzeugen. Während die Verwendung von SMLR es ermöglicht, die diskriminierenden Informationen effektiv zu modellieren. Experimentelle Ergebnisse mit sowohl simulierten als auch realen hyperspektralen Datensätzen in einer Reihe von experimentellen Vergleichen mit anderen verwandten Ansätzen zeigen die Überlegenheit der vorgeschlagenen Methode.