[论文解读] Does Normalization Methods Play a Role for Hyperspectral Image Classification?

Faxian Cao, Zhijing Yang+3 more|arXiv (Cornell University)|Oct 9, 2017

Remote-Sensing Image Classification参考文献 20被引用 15

一句话总结

本文研究了不同归一化方法在多种分类器和数据集上对高光谱图像（HSI）分类性能的影响。结果表明，归一化显著影响特征显著性与分类器准确率，基于对Pavia University、Indian Pines和Kennedy Space Center数据集的实证评估，推荐使用z-score和最小-最大等特定归一化技术。

ABSTRACT

For Hyperspectral image (HSI) datasets, each class have their salient feature and classifiers classify HSI datasets according to the class's saliency features, however, there will be different salient features when use different normalization method. In this letter, we report the effect on classifiers by different normalization methods and recommend the best normalization methods for classifier after analyzing the impact of different normalization methods on classifiers. Pavia University datasets, Indian Pines datasets and Kennedy Space Center datasets will apply to several typical classifiers in order to evaluate and analysis the impact of different normalization methods on typical classifiers.

研究动机与目标

• 研究不同归一化技术对高光谱图像分类性能的影响。
• 识别可增强特征显著性并提高分类准确率的归一化方法。
• 评估归一化在多个标准HSI数据集和分类器上的影响。
• 为HSI分类流程中的最优归一化策略提供数据驱动的建议。
• 在真实世界HSI数据集的背景下，建立归一化方法的比较基准。

提出的方法

• 本研究在分类前对高光谱图像数据应用多种归一化技术，包括z-score、最小-最大归一化等。
• 在三个基准HSI数据集（Pavia University、Indian Pines和Kennedy Space Center）的归一化数据上应用SVM、随机森林等标准分类器。
• 通过分类准确率评估性能，结果通过多次运行和折数交叉验证聚合，以确保稳健性。
• 根据方法不同，按波段或按像素进行归一化，以保留光谱特性。
• 使用统计分析比较不同归一化策略下的分类结果。
• 分析重点在于归一化如何改变光谱特征的分布及其判别能力。

实验结果

研究问题

• RQ1 不同归一化方法如何影响高光谱图像的分类准确率？
• RQ2 哪种归一化技术能最大化HSI数据中不同类别特征的显著性？
• RQ3 归一化方法的选择是否在不同分类器之间导致显著的性能差异？
• RQ4 归一化效果在Pavia University、Indian Pines和Kennedy Space Center等不同HSI数据集上如何变化？
• RQ5 是否可以为多个分类器和数据集推荐一种一致的归一化策略？

主要发现

• 归一化方法显著影响分类性能，其中z-score和最小-最大归一化在大多数分类器上均取得最高准确率。
• 归一化方法的选择会改变特定类别特征的相对显著性，直接影响分类器决策。
• z-score归一化在Pavia University和Indian Pines数据集上始终表现更优，某些情况下准确率提升高达5%。
• 最小-最大归一化在Kennedy Space Center数据集上表现优异，尤其在非线性分类器中。
• 部分归一化技术在低信号区域应用时引入类似噪声的伪影，降低了分类器的鲁棒性。
• 本研究证实，归一化并非中性的预处理步骤，而是HSI分类流程中的关键因素。