结构感知特征提取器

分类精度提升2.6%

在特征提取中同时保留信息与空间分布，生成判别性更强且有序的特征，显著提升高光谱图像分类性能。

Xing, Changda · Wang, Meiling · Yongchang, Xu · 王志胜

Tien Tzu Hsueh Pao/Acta Electronica Sinica 2024

参数信息

总体精度（OA）提升

2.6 %

平均精度（AA）提升

3.9 %

Kappa系数提升

3.3 %

技术优势

信息损失更少

通过结构感知重建同时利用原始信息与自表达特性，提升特征对原始信息的利用率。

特征分布更有序

特征提取过程显式考虑空间分布，使重建特征反映有序结构，增强判别性与可分性。

多数据集稳定提升

在Salinas、Pavia Center、Botswana和Houston四个公开数据集上，平均OA、AA、Kappa分别提升2.6%、3.9%、3.3%。

应用场景

• 高光谱遥感分类：用更有序的特征直接提升地物分类精度，无需更换后端分类器。
• 高光谱图像分析：替换现有特征提取步骤，保留更多光谱空间信息，增强后续分析可靠性。
• 遥感数据挖掘：为高光谱数据挖掘提供判别性更强的特征表示，提升模式发现质量。
• 图像分类算法：作为即插即用的特征提取模块，与SVM等分类器组合即可提升整体精度。