[论文解读] Simultaneous Spectral-Spatial Feature Selection and Extraction for Hyperspectral Images

Lefei Zhang, Qian Zhang+4 more|arXiv (Cornell University)|Apr 8, 2019

Remote-Sensing Image Classification参考文献 52被引用 4

一句话总结

本文提出了一种用于高光谱图像分类的新型联合光谱-空间特征选择与提取（S3FSE）框架。通过结合协同流形学习与协同图正则化，以及ℓ₂,₁-范数正则化的投影矩阵，S3FSE联合保持了几何结构，挖掘了光谱-空间信息的互补性，并选择了具有信息量的特征，在三个基准数据集上均实现了最先进水平的分类准确率。

ABSTRACT

In hyperspectral remote sensing data mining, it is important to take into account of both spectral and spatial information, such as the spectral signature, texture feature and morphological property, to improve the performances, e.g., the image classification accuracy. In a feature representation point of view, a nature approach to handle this situation is to concatenate the spectral and spatial features into a single but high dimensional vector and then apply a certain dimension reduction technique directly on that concatenated vector before feed it into the subsequent classifier. However, multiple features from various domains definitely have different physical meanings and statistical properties, and thus such concatenation hasn't efficiently explore the complementary properties among different features, which should benefit for boost the feature discriminability. Furthermore, it is also difficult to interpret the transformed results of the concatenated vector. Consequently, finding a physically meaningful consensus low dimensional feature representation of original multiple features is still a challenging task. In order to address the these issues, we propose a novel feature learning framework, i.e., the simultaneous spectral-spatial feature selection and extraction algorithm, for hyperspectral images spectral-spatial feature representation and classification. Specifically, the proposed method learns a latent low dimensional subspace by projecting the spectral-spatial feature into a common feature space, where the complementary information has been effectively exploited, and simultaneously, only the most significant original features have been transformed. Encouraging experimental results on three public available hyperspectral remote sensing datasets confirm that our proposed method is effective and efficient.

研究动机与目标

• 解决传统方法在未挖掘其互补性的情况下直接拼接光谱与空间特征的局限性。
• 开发一个统一框架，同时执行特征选择与提取，以增强高光谱图像分类中的判别能力。
• 在学习共享低维表示的过程中，保持光谱与空间特征的几何结构。
• 通过ℓ₂,₁-范数正则化确保可解释性，仅选择最重要的原始特征。
• 通过在共识低维特征空间中联合建模光谱与空间信息，提升分类性能。

提出的方法

• 从每个像素中提取光谱特征（例如，原始反射率）和空间特征（例如，纹理、形态学模式）。
• 使用k近邻或基于半径的方法构建光谱图与空间图，以建模局部几何结构。
• 应用带有协同图正则化的协同流形学习，将光谱与空间特征流形对齐至一个共同的低维子空间。
• 在投影矩阵中引入ℓ₂,₁-范数正则化，以同时实现特征选择与降维。
• 通过交替优化策略优化目标函数，以学习共享的投影矩阵与稀疏特征权重。
• 通过所选原始特征的线性组合生成最终的低维特征表示，确保可解释性与噪声抑制。

实验结果

研究问题

• RQ1 统一框架能否联合执行光谱-空间特征选择与提取，从而提升分类准确率？
• RQ2 带有协同图正则化的协同流形学习在多大程度上能保持光谱与空间特征的内在几何结构？
• RQ3 ℓ₂,₁-范数正则化在多大程度上增强了特征选择效果并减少了所提取表示中的噪声？
• RQ4 所提出方法在多种高光谱数据集上是否在分类准确率与鲁棒性方面优于现有最先进方法？
• RQ5 所得到的特征表示能否被有意义地解释为所选原始特征的组合？

主要发现

• 在Indian Pines数据集上，S3FSE实现了94.68%的整体准确率（OA），显著优于第二名方法（DNP，93.41%）。
• 在Salinas数据集上，S3FSE达到了98.55%的OA，超过次优方法（MFC，96.84%）超过1.7个百分点。
• 在Pavia City ROSIS数据集上，S3FSE实现了94.68%的OA，Kappa系数为0.9351，展现出卓越的鲁棒性与一致性。
• 该方法在所有三个数据集上均表现出一致的优越性，其中草类（98.55%）与水体类（99.89%）的类别特定准确率最高。
• S3FSE在性能与效率之间达到了最佳平衡，运行时间为4.64秒，在保持高准确率的同时仍具备计算可行性。
• ℓ₂,₁-范数正则化有效选择了最具信息量的特征，从而生成了紧凑、可解释且具有判别力的特征表示。