Key points are not available for this paper at this time.
A informação espacial em imagens hiperespectrais (HSIs) desempenha um papel vital em tarefas de classificação supervisionada. No entanto, embora a introdução da informação espacial possa efetivamente melhorar a precisão da classificação para classificadores supervisionados baseados em representação, é difícil evitar o custo elevado de consumo de tempo. Para resolver esse problema, um método de aprendizado em conjunto espacial duplo (DSEL) é proposto nesta carta, que consiste nas seguintes tecnologias-chave: 1) primeiro, a análise de componentes principais é aplicada aos dados hiperespectrais originais para extrair os três primeiros componentes principais (CPs). Em seguida, os três primeiros CPs são utilizados como uma imagem-base de um método de supersegmentação para agrupar a HSI em muitos superpixels adaptáveis a formas. Finalmente, a HSI bruta é orientada por superpixels para construir novos dados de características com informação espacial. 2) Um classificador baseado em representação é usado nos dados de características para alcançar resultados de classificação iniciais. Especificamente, os resultados são convertidos em probabilidades com base em estatísticas matemáticas. 3) Um algoritmo de passeio aleatório é explorado para otimizar as probabilidades de acordo com a relação espacial entre os pixels. Resultados experimentais nos conjuntos de dados Indian Pines e Universidade de Pavia demonstraram que o método DSEL proposto alcança desempenho superior em comparação com vários métodos competitivos.
Fu et al. (Sex,) estudaram essa questão.