免責聲明：本文僅代表個人觀點，如有錯誤，請讀者自己鑑別；如果本文不小心含有別人的原創內容，請聯繫我刪除；本人心血製作，若轉載請註明出處
本文出處：本博客是看完這篇文章後的學習筆記。
摘要
1、本文提出了一種光譜-空間特徵分類框架：分別用維數約減和深度學習方法進行光譜和空間特徵提取。
2、一種平衡局部判別嵌入算法被提出用來從高維高光譜數據集中進行光譜特徵提取。
3、CNN被用來發現空間相關特徵在高層次上。
4、然後，融合特徵通過堆棧光譜和空間特徵一起提取。
5、基於多特徵的分類器用來進行圖像分類。
引言
1、基於傳感器技術的提高，在光譜和空間域的高分辨的更準確地和及時的衛星成像可以輕易獲取。
2、這些應用需要用一小部分訓練樣本得到每一個像素的樣本。
3、但是在光譜和空間分辨率都提高的情況下很難得到較高的分類正確率。
4、兩個因素影響分類正確率：①、高維光譜信息產生Hughes現象，顯著降低分類正確率，不同的物體分享相似的光譜特性，使得HSIs（高光譜圖像）很難利用光譜信息分類； ②、空間分辨率的提高也很影響分類正確率，特別是高分辨圖像會提高組內變異性和降低組間變異性在光譜和空間域。
5、引入在架構和上下文信息在空間域很重要。
6、維數約簡是要找出HSIs的低維表示而不是要用所有的波段進行數據處理。
7、維數約簡可以有效地找到子空間和解釋特性。
8、典型的基於光譜分析的維數約簡算法可以分爲無監督和半監督算法。無監督約減算法可以不使用標籤信息揭露低維數據結構，例如PCA，局部線性嵌入，鄰域保留嵌入，然而，在HSIs分類中，除了包含全局共同信息，每一類的判別投影需要探索；有監督維數約減方法試圖通過使用標記的樣品獲悉保持同一類中的數據點靠近，而分離不同類別的數據點，例如，線性判別分析（LDA），非參數加權特徵提取（NWFE），局部Fisher判別分析（LFDA），局部判別嵌入（LDE）。LDA試圖找到更好的投影去增大類間距離和降低類內距離；NWFE使用決定邊界的訓練樣本引入了非參數散射矩陣；LFDA通過分配臨近的樣本更大的權值的方式延伸了LDA；LDE試圖找到最好的投影去增大類間散射矩陣，通過遠離在圖嵌入框架中的鄰近的不同類的數據點。
9、然而，在HSI圖像中，特別是高空間分別率的圖像，光譜信息在類內比較相似，類間區別也並不大。
10、爲解決類間信息的相似性問題，我們提出了均衡LDE（BLDE）算法，即用均衡目標來考慮類內準則和類間準則在一個圖嵌入框架中，提高類間的可分性。儘管BLDE可以有效地將光譜信息投影到低維表示，但是它並不能分別具有相同光譜特性的不同樣本，因此，空間特徵經常與光譜特徵一起進行HSI分類。
11、空間特徵被證明在HSI的數據表示中是很有效的，也可以提高分類正確率。
12、提取遙感圖像的空間特徵經常需要預先設定的空間濾波參數，這個參數一般是根據研究人員的對問題的知識和性能：灰度共生矩陣，小波架構，幾何圖像特徵，Gabor架構特徵，擴展形態特徵（EMPs）,屬性總則。這些特定特徵是特定的，即特定形式的的物體可以被參數設置檢測到。
13、然而，空間特性顯示了顯著不同在低層次上，使得僅僅依靠經驗參數不可能去描述所有物體的類型。
14、不是利用手工製造特徵，深度學習可以自動的產生高層次空間特徵，顯示了高度抗噪和有效性在圖像分類中。
15、SAE可以提取深度特徵從分層結構中，訓練樣本被強制轉換成一維的來滿足SAE的輸入需求，但是這樣會破壞原圖像可能含有的空間信息。
16、Chen et al. 基於2D架構提取方式提出了CNN，在高分辨率圖像中來檢測車輛，有兩個缺陷。第一，遙感圖像中的物體在不同尺度上，固定檢測窗口不能發現在形體上具有顯著不同的物體；第二就是，它忽略了空間信息，這對於遙感圖像處理是不好的。
17、空間特徵通過訓練CNN在源數據集上的少數主成分波段。特徵融合技術用來產生光譜空間特徵。最後分類器在基於光譜空間特徵上訓練。
18、SSFC如下所示：對於HSI分類，CNN-based空間特徵提取方法被提出。1）、相比於傳統手動特徵，提取的深度學習架構特徵更抗噪和有效；2）、提出的BLDE可以平衡散射特徵的局部性保留和類間散射特徵來獲得更好的判別投影；3）、基於CNN的空間信息結合光譜特徵可以更好的揭示源數據包含的固有屬性。
框圖可以分成兩部分，在第一步中，光譜和空間特徵被分別提取。對於光譜特徵，維數約簡方法經常被用來降低光譜維度；特別是BLDE算法被用來發現HSI圖像的低維表示；CNN框架被用來在高層次上自動提取空間相關深度特徵。然後，提出的光譜空間特徵可以通過結合基於BLDE的光譜特徵和基於CNN的空間特徵。最後，結合特徵被輸入到線性分類器中，得到分類結果。
提出的方法--光譜域BLDE
1、爲了獲取光譜域特徵，我們提出了BLDE方法。它繼承了傳統LDE的優勢：估計一個線性投影，同時最大化不同類之間的局部邊緣，並且使類間樣本保持接近。即它可以克服有限訓練樣本的奇異點（噪點），如圖2所示。
2、假設有M個有標籤樣本
Gb的密切矩陣Wb可以被定義爲：
t是高溫核參數。BLDE計算了一個線性變換V同時最大化類間樣本的局部邊緣（3）和最小化類內樣本的距離（4）在光譜空間。數學表達式爲：
（3）和（4）的優化問題可以被轉換成跡模式。對於類內樣本，條件可以畢詩爲：
類間標準，優化問題可以轉換爲：
tr(·)代表矩陣的跡，X代表數據矩陣，
提出的方法--CNN框架
1、CNN--一般由卷積層和池化層構成，緊跟着全連接層，如圖三所示
2、用CNN提取空間特徵，如圖4所示
輸入層是取ground-truth的固定鄰域作爲輸入（patches）,Si是M個輸入樣本，i∈（1,...,M）,ti代表與此相對應的標籤。