19、高光谱图像分类特征提取技术与多神经网络目标识别

高光谱图像分类特征提取技术与多神经网络目标识别

高光谱图像分类特征提取技术

在高光谱图像分类任务中，特征提取技术起着关键作用。目标是比较多种流行的特征提取技术在高光谱分类任务中的效果。

实验设置

• 数据集 ：选取了 Indian Pines 和 Salinas - A 两个高光谱数据集，集合包含 6 个类别。
• 特征提取方法 ：涵盖了多种线性和非线性技术，如 PCA、LPP、MDS、Isomap、DM、KPCA、AE、LLE、LE、HLLE 和 LTSA 等。
• 分类器 ：采用支持向量机（SVM）对测试集进行分类，因其能处理高维数据集和有限的训练样本。
• 评估指标 ：根据总体准确率（OA）、平均准确率（AA）、Kappa 系数和计算时间来评估性能。
• 训练样本 ：分别随机选取 Indian Pines 数据集每个类别的 10%像素和 Salinas - A 数据集每个类别的 1%像素作为训练样本。
• 实验重复 ：每个分类脚本重复 10 次，取分类率的平均值来判断分类性能。
• 参数设置 ：各特征提取技术基于特定参数实现，如下表所示：
  | 参数 | PCA | LPP | MDS | Isomap | DM | KPCA | AE | LLE | LE | HLLE