[论文解读] Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning

Hong Huang, Guangyao Shi+3 more|arXiv (Cornell University)|Dec 22, 2018

Remote-Sensing Image Classification参考文献 27被引用 7

一句话总结

该论文提出SSMRPE，一种用于高光谱图像的无监督降维方法，通过空间-光谱组合距离（SSCD）整合空间与光谱信息，构建鲁棒的邻接图并提升流形重建效果。通过根据空间关系动态调整重建权重，SSMRPE增强了判别性特征提取，在PaviaU和Salinas数据集上实现了最先进的分类准确率，其中在1%训练样本条件下，Salinas数据集的总体准确率达到99.28%，kappa系数为99.12。

ABSTRACT

The graph embedding (GE) methods have been widely applied for dimensionality reduction of hyperspectral imagery (HSI). However, a major challenge of GE is how to choose proper neighbors for graph construction and explore the spatial information of HSI data. In this paper, we proposed an unsupervised dimensionality reduction algorithm termed spatial-spectral manifold reconstruction preserving embedding (SSMRPE) for HSI classification. At first, a weighted mean filter (WMF) is employed to preprocess the image, which aims to reduce the influence of background noise. According to the spatial consistency property of HSI, the SSMRPE method utilizes a new spatial-spectral combined distance (SSCD) to fuse the spatial structure and spectral information for selecting effective spatial-spectral neighbors of HSI pixels. Then, it explores the spatial relationship between each point and its neighbors to adjusts the reconstruction weights for improving the efficiency of manifold reconstruction. As a result, the proposed method can extract the discriminant features and subsequently improve the classification performance of HSI. The experimental results on PaviaU and Salinas hyperspectral datasets indicate that SSMRPE can achieve better classification accuracies in comparison with some state-of-the-art methods.

研究动机与目标

• 为解决现有图嵌入方法在高光谱图像（HSI）降维中忽略空间相关性且依赖任意邻居选择的局限性。
• 通过在统一框架中整合空间结构与光谱信息，实现邻居选择与流形重建，以提升分类性能。
• 开发一种无监督方法，在保持内在流形结构的同时，增强HSI分类的判别性特征提取能力。

提出的方法

• 应用加权均值滤波器（WMF）作为预处理步骤，以抑制背景噪声并提升数据质量。
• 提出一种新型空间-光谱组合距离（SSCD），融合空间邻近性与光谱相似性，用于选择有效的时空邻居。
• 利用SSCD构建时空邻接图，以更好地捕捉HSI数据的内在流形结构。
• 基于每个像素与其邻居之间的空间关系，动态调整重建权重，以提升流形重建效率。
• 采用图嵌入框架，在低维空间中保持局部重建关系。
• 通过优化过程学习最终嵌入，平衡流形重建与判别性特征提取。

实验结果

研究问题

• RQ1 如何有效融合空间与光谱信息，以提升HSI降维中的邻居选择效果？
• RQ2 在重建权重调整中引入空间关系，能否增强流形学习与分类性能？
• RQ3 与仅使用光谱或仅使用空间信息的方法相比，所提出的时空组合距离（SSCD）是否能更好地保持内在流形结构？
• RQ4 在低训练样本条件下，SSMRPE与当前最先进的降维方法相比，在分类准确率与鲁棒性方面表现如何？
• RQ5 鉴于其无监督特性，该方法是否能在无需标注数据训练的情况下实现优越性能？

主要发现

• 在Salinas数据集上，每类仅使用1%标注样本时，SSMRPE实现了99.28%的最高总体准确率，显著优于PCA（93.27%）、LDA（97.71%）和LPNPE（98.41%）。
• SSMRPE在Salinas数据集上达到99.12的kappa系数，超过所有对比方法，表明与真实标签高度一致且对噪声具有强鲁棒性。
• 在PaviaU数据集中，SSMRPE实现了99.15%的总体准确率，展现出在多种地表覆盖类型下的优异性能。
• 可视化分类图显示，SSMRPE生成的区域更平滑、更均匀，尤其在不同生长阶段的杂草和生菜等复杂类别中表现突出。
• 通过利用邻居选择与重建加权中的时空一致性，该方法有效减少了模糊或噪声区域的分类错误。
• 消融实验表明，SSCD与空间加权重建机制均对性能至关重要，任一组件的移除均导致准确率显著下降。