Key points are not available for this paper at this time.
Nos últimos anos, representações esparsas têm sido amplamente estudadas no contexto da análise de imagens de sensoriamento remoto. Neste artigo, propomos explorar representações esparsas de perfis de atributos morfológicos para classificação de imagens remotamente sensoreadas. Especificamente, usamos perfis multiatributos estendidos (EMAPs) para integrar as informações espaciais e espectrais contidas nos dados. Os EMAPs fornecem uma caracterização em múltiplos níveis de uma imagem criada pela aplicação sequencial de filtros de atributos morfológicos que podem ser usados para modelar diferentes tipos de informações estruturais. Embora os vetores de características dos EMAPs possam ter alta dimensionalidade, eles se encontram em subespaços ou submanifolds de baixa dimensionalidade dependentes da classe. Neste artigo, usamos a estrutura de classificação de representação esparsa para explorar essa característica dos EMAPs. Em resumo, ao coletar amostras representativas das estruturas de baixa dimensionalidade dependentes da classe, qualquer amostra pode ser representada esparsamente e, assim, classificada, em relação às amostras coletadas. Nossos experimentos revelam que a abordagem proposta explora a estrutura de baixa dimensionalidade inerente dos EMAPs para fornecer resultados de classificação de ponta para diferentes conjuntos de dados multi/hiperspectrais.
Song et al. (Sex,) estudaram esta questão.