Hyperspectral Band Selection Using Weighted Kernel Regularization
Hyperspectral Band Selection Using Weighted Kernel Regularization
复制标题
使用加权核正则化的高光谱波段选择
DOI：
10.1109/jstars.2019.2922201
复制
发表时间：
2019-09
影响因子：
5.5
通讯作者：
Qian Du
中科院分区：
文献类型：
--
作者：
Weiwei Sun;Gang Yang;Jiangtao Peng;Qian Du
提出了一种基于加权核正则化(WKR)的高光谱图像波段选择方法。WKR的目标是选择不同的和类别可分离的波段，以更好地对标记样本之间的关系进行建模。首先，WKR考虑了高光谱数据的非线性结构，并使用关于样本系数的加权核岭回归(WKRR)程序来建模HSI样本与其类别标签之间的非线性关系。其次，将所有波段上的L1权值惩罚项与上述WKRR程序相结合，形成WKR的统一框架。L1惩罚项在描述非线性关系时考虑了不同波段的发散贡献，并保证了波段权重的稀疏性。第三，WKR算法实现了基于核迭代的特征提取(KAKET)算法来估计合适的带权重。该方法将非线性核函数线性化以避免较高的计算量，并迭代最小化关于样本系数和带权重的两个凸子问题。最后，自动选取权值较大且与其他波段差异较大的前k个波段组成波段子集。实验结果表明，WKR在较低的计算代价下，在分类精度上优于现有的分类方法。
A band selection method named weighted kernel regularization (WKR) is proposed for hyperspectral imagery (HSI) classification. The WKR aims to select dissimilar and class-separable bands to better model the relationship between labeled samples. First, the WKR considers nonlinear structure of hyperspectral data and models nonlinear relations between HSI samples and their class labels using a weighted kernel ridge regression (WKRR) program with respect to sample coefficients. Second, it combines the L1 penalty term of weights on all bands with the above WKRR program into the unified framework of WKR. The L1 penalty term considers divergent contributions from different bands in describing nonlinear relations and guarantees the sparsity of band weights. Third, the WKR algorithm implements the KerNel Iterative-based Feature Extraction (KNIFE) algorithm to estimate the proper band weights. The KNIFE linearizes the nonlinear kernels to avoid high computational cost, and iteratively minimizes two convex subproblems with respect to the sample coefficients and band weights. Finally, the first k bands with larger weights and larger dissimilarity with other bands are automatically chosen to form the band subset. Experimental results show that the WKR outperforms the state-of-the-art methods in classification accuracies with a lower computational cost.
登录
查看更多内容
DOI：
10.1201/9781315220413-4
发表时间：
2018-10
期刊：
Handbook of Neural Network Signal Processing
影响因子：
--
作者：
Klaus-Robert Müller;S. Mika;Koji Tsuda;Koji Schölkopf
通讯作者：
Klaus-Robert Müller;S. Mika;Koji Tsuda;Koji Schölkopf
基于归一化三变量互信息的半监督亲和力传播用于高光谱波段选择
DOI：
10.1109/jstars.2014.2371931
发表时间：
2015-06
影响因子：
5.5
作者：
Feng, Jie;Liu, Fang;Sun, Tao;Zhang, Xiangrong
通讯作者：
Zhang, Xiangrong
通过光谱空间超图模型进行半监督高光谱波段选择
DOI：
10.1109/jstars.2015.2443047
发表时间：
2015
影响因子：
5.5
作者：
Bai Xiao;Guo Zhouxiao;Wang Yanyang;Zhang Zhihong;Zhou Jun
通讯作者：
Zhou Jun
DOI：
10.1016/j.jag.2016.02.003
发表时间：
2016-07
期刊：
Int. J. Appl. Earth Obs. Geoinformation
影响因子：
--
作者：
A. Simon;P. Shanmugam
通讯作者：
A. Simon;P. Shanmugam
DOI：
10.1109/dicta.2008.42
发表时间：
2008-12
期刊：
2008 Digital Image Computing: Techniques and Applications
影响因子：
--
作者：
Sen Jia;Y. Qian;Z. Ji
通讯作者：
Sen Jia;Y. Qian;Z. Ji