...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Geoscience and Remote Sensing Letters, IEEE >Low-Rank Decomposition Model for Adaptive Identification of Similar Neighboring Pixels in Hyperspectral Images
【24h】

Low-Rank Decomposition Model for Adaptive Identification of Similar Neighboring Pixels in Hyperspectral Images

机译：用于自适应识别高光谱图像中相邻像素的低秩分解模型

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In many hyperspectral image processing tasks such as classification, unmixing, and target detection, jointly using the pixels in an image patch can generally improve the performance. In this letter, we propose using a low-rank decomposition model to analyze the image patch. The image patch is decomposed into the sum of a low-rank matrix, a sparse matrix, and a bounded matrix using a convex optimization technique. In the obtained low-rank matrix, the pixels that are similar to the central pixel in the image patch would be codirectional to it. We applied the proposed model in the collaborative hyperspectral image classification to evaluate its performance. Experimental results on a real hyperspectral scene demonstrate that using only the similar neighboring pixels in the collaborative hyperspectral image classification can effectively improve the performance, and the classification performance is not sensitive to the image patch size.
机译：在许多高光谱图像处理任务（例如分类，分解和目标检测）中，共同使用图像块中的像素通常可以提高性能。在这封信中，我们建议使用低秩分解模型来分析图像补丁。使用凸优化技术将图像块分解为低秩矩阵，稀疏矩阵和有界矩阵之和。在所获得的低秩矩阵中，与图像补丁中的中心像素相似的像素将与其同向。我们将提出的模型应用于协作式高光谱图像分类以评估其性能。在真实的高光谱场景上的实验结果表明，在协同高光谱图像分类中仅使用相似的相邻像素可以有效地提高性能，并且分类性能对图像斑块大小不敏感。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号