Spectral Similarity Based Multiscale Spatial-Spectral Preprocessing Framework for Hyperspectral Image Classification
Notice bibliographique
Résumé
Hyperspectral imaging represents an advanced technology that offers an extensive array of spectral data concerning various materials.Each pixel within a hyperspectral image encompasses reflectance or transmittance values spanning a spectrum of wavelengths, thereby constructing a spectral signature or spectral curve.Despite the high spectral resolution inherent in hyperspectral images, their spatial resolution frequently remains limited, resulting in a mixture of spectral information within the spectral signatures.This situation presents a significant obstacle to achieving precise hyperspectral image classification, given that both spectral and spatial information play pivotal roles in this endeavor.In the present investigation, a novel spectral-spatial preprocessing strategy is introduced, employing a multiscale filtering technique based on spectral similarity to enhance the accuracy of hyperspectral image classification.The methodology entails performing a neighborhood operation for each target pixel vector, predicated on their spectral resemblance.This operation assigns higher priority to more similar pixels within the neighborhood window to establish the new spectral curve of the pixel of interest.The resultant spectral curves effectively amalgamate both spatial and spectral information and are subsequently utilized during the classification process instead of the original spectral curves.The study incorporates established spectral similarity metrics alongside an innovative metric grounded in Fré chet distance to calculate spectral similarities.The outcomes derived from these metrics are juxtaposed to assess their efficacy in ameliorating the accuracy of hyperspectral image classification.Moreover, the classification performance is evaluated utilizing kernel extreme learning machine and support vector classifiers across four distinct hyperspectral image datasets.The findings underscore that, particularly when confronted with constraints related to small sample sizes, the proposed spectral-spatial preprocessing technique markedly enhances the classification accuracy of hyperspectral images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».