NR-IQA for UAV hyperspectral image based on distortion constructing, feature screening, and machine learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• NR-IQA for UAV hyperspectral image. • Machine learning-based NR-IQA method to assess the quality of the UAV hyperspectral images containing noise, blur, strip noise, and multiple distortions. • The highest evaluation accuracy was extra trees (ET) (R2 = 0.928, RMSE = 0.326, RPD = 3.601), using feature set 1 that fuses Tamura texture, color, wavelet transform, and mean subtracted contrast normalized (MSCN) coefficient for a total of 11 features. Assessing the quality of UAV-HSIs (Unmanned aerial vehicle hyperspectral images) is crucial for evaluating sensor performance, identifying distortion types, and measuring data inversion accuracy. Due to the absence of reference images, UAV-HSI quality assessment leans towards no-reference image quality assessment (NR-IQA), offering versatile applications. NR-IQA methods of remote sensing images using machine learning techniques have emerged, however, NR-IQA methods for UAV-HSIs containing multi-type and multiple distortions have not been developed. This paper introduces an NR-IQA method for UAV-HSI, employing machine learning techniques. We summarize and simulate distortion types in UAV-HSIs, constructing a quality assessment dataset based on 23 original high-quality and 806 simulated degraded UAV-HSIs. Extracting 129 features encompassing texture, color, transform domain, structural, and statistical aspects, we form seven feature sets through random and filtered feature selection algorithms. Ten machine learning quality assessment models are trained using this dataset and feature sets. The results showed that the model with the highest evaluation accuracy was extra trees (ET) ( R 2 = 0.928, RMSE = 0.326, RPD = 3.601), using feature set 1 that fuses Tamura texture, color, wavelet transform, and mean subtracted contrast normalized (MSCN) coefficient for a total of 11 features, the PLCC and SROCC of its predicted and true quality scores reached 0.963 and 0.925, respectively. In addition, the random forest (RF), gradient boosting decision tree (GBDT), generalized regression neural network (GRNN), and extreme learning machine (ELM) also had high evaluation accuracies ( R 2 > 0.9 and RPD > 2.5). These findings underscore the applicability of our proposed machine learning-based NR-IQA method to assess the quality of the UAV-HSIs containing noise, blur, strip noise, and multiple distortions. Additionally, this study serves as a reference for selecting features and models for other hyperspectral image quality assessments.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle