基于多任务联合稀疏表示的高光谱图像分类算法

贾立丽; 张升伟; 何杰颖; 李娜

Chinese

您当前的位置：

首页 >

文章列表页 >

基于多任务联合稀疏表示的高光谱图像分类算法

更新时间：2026-09-04

- 基于多任务联合稀疏表示的高光谱图像分类算法
- Joint sparse representation and multitask learning for hyperspectral lmage clasification
- 微电子学与计算机 2019年36卷第10期页码：15-20
- 作者机构：
  
  1. 中国科学院机构国家空间科学中心微波遥感技术重点实验室,北京,100190
  2. 中国科学院国家空间科学中心,北京,100190
  3. 中国科学院大学机构,北京,101408
- 作者简介：
- 基金信息：
  
  中国科学院青年促进会基金资助 2016136
- DOI：
  中图分类号：
- 纸质出版：2019
- 稿件说明：
移动端阅览
贾立丽, 张升伟, 何杰颖, 李娜. 基于多任务联合稀疏表示的高光谱图像分类算法[J]. 微电子学与计算机, 2019, 36(10): 15-20.

JIA Li-li, ZHANG Sheng-wei, HE Jie-ying, et al. Joint sparse representation and multitask learning for hyperspectral lmage clasification[J]. 2019, 36(10): 15-20.
贾立丽, 张升伟, 何杰颖, 李娜. 基于多任务联合稀疏表示的高光谱图像分类算法[J]. 微电子学与计算机, 2019, 36(10): 15-20. DOI：

JIA Li-li, ZHANG Sheng-wei, HE Jie-ying, et al. Joint sparse representation and multitask learning for hyperspectral lmage clasification[J]. 2019, 36(10): 15-20. DOI：

摘要

为了充分提取高光谱图像丰富的光谱信息

尽可能降低光谱冗余

同时保留较多有效判别信息.基于高光谱图像单波段的谱间相似性

提出了基于多任务学习和稀疏表示的分类算法.该方法将光谱间的冗余特性转化为有效信息加以利用

使用波段交叉分组策略构建子任务

并引入稀疏表示模型将所有分类任务进行联合表示

最终根据所有任务的累积残差确定测试样本的类别.实验对比分析了多任务联合表示分类和单任务分类的准确率.结果表明

基于多任务联合稀疏表示模型的分类性能优于单任务模型.

Abstract

Hyperspectral images have abundant spectral information

and thus the adjacent single-band images usually contain similar and redundant information. To simultaneously reducing spectral redundancy and retaining more effective discriminant information

a novel classification algorithm based on multitask learning and sparse representation is proposed in this paper. In this method

the spectral redundancy is transformed into effective information and a band cross-grouping strategy is used to construct sub-tasks. Sparse representation model is introduced to jointly represent all classification tasks. Finally

the test samples are classified according to the cumulative residual of all tasks. An experiment is performed between multitask learning and the single task learning. The experimental results show that the classification performance of the former is better than the later.

关键词

Keywords

references

ZHANG Y, DU B, ZHANG L, et al. A sparse representation based binary hypothesis model for target detection in hyperspectral images[J]. IEEE Trans. Geosci. Remote Sens, 2015, 53(3): 1346-1354. DOI: 1346

CHEN YI. Research on spatial-spectral resolution enhancement of hyperspectral image[D]. Xi'an: Northwestern Polytechnical University, 2016.

LI W, TRAMEL E W, PRASAD S, et al. Nearest regularized subspace for hyperspectral classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1):477-489. DOI: 477

薛晓琴, 基于协同表示的高光谱图像亚像元制图技术研究[D].西安: 西北工业大学, 2017.

HUANG Z, SHI Z, YANG S, et al. Nonlocal similarity regularized sparsity model for hyperspectral target detection[J]. IEEE Geosci. Remote Sens. 2013, 10(6):1532-1536. DOI: 1532

余乐, 吴超, 吴静珠, 等.结合高光谱与CNN的小麦不完善粒识别方法[J].电子测量与仪器学报, 2017, 31(8):1297-1303. DOI: 1297

ZHANG Y, DU B, ZHANG L, et al. Joint Sparse Representation and Multitask Learning for Hyperspectral Target Detection[J]. IEEETransactionsonGeoscience % RemoteSensing, 2017, 55(2):894-906. DOI: 894

赵春晖, 李晓慧, 王玉磊, 等.高光谱图像异常目标检测研究进展[J].电子测量与仪器学报, 2014, 28(8): 803-811. DOI: 803

CHEN J, ZHOU J, YE J, et al. IntegratingLow-rank and Group-sparse Structures for Robust Multi-task Learning[C]// International Conference on Knowledge Discoveryand Data Mining. San Diego, USA, 2011: 281-288.

HUANG Z, SHI Z, QIN Z, et al. A dimension reduction model for sparse hyperspectral target detection with weighted l1-minimization[C]// IEEE 5th Int. Congr. Image Signal Process.Chongqing, China. 2012: 972-976.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种基于压缩感知的改进全变分图像去噪方法

一种基于特征上下文理解与切片分析的肺结核检测算法

基于监控指标关联性的微服务异常检测

基于改进RT-DETR的航拍小目标检测算法

大模型发展综述：从BERT到Deepseek的技术演进