Resumen

El clasificador basado en representación dispersa (SRC) y su versión kernel (KSRC) se han empleado para la clasificación de imágenes hiperespectrales (HSI). Sin embargo, el SRC de última generación suele dirigirse a objetos de superficie extendida con mezcla lineal en una escena suave y asume que el número de clases está dado. En este trabajo se establece un modelo de hipótesis binaria basado en la representación dispersa (SRBBH) que tiene en cuenta el objetivo pequeño con un fondo complejo. En este modelo, un píxel de consulta se representa de dos formas, que son, respectivamente, por diccionario de fondo y por diccionario de unión. El diccionario de fondo se compone de muestras seleccionadas de la ventana concéntrica dual local centrada en el píxel de consulta. Así, para cada píxel el problema de clasificación se convierte en un problema de clasificación multiclase adaptativa, en el que sólo se requiere el número de clases deseadas. Además, se emplea el método del núcleo para mejorar la separabilidad entre clases. En el espacio kernel, el vector de codificación se obtiene mediante el algoritmo KOMP (kernel-based orthogonal matching pursuit). A continuación, el píxel de consulta puede etiquetarse mediante las características de los vectores de codificación. En lugar de utilizar directamente los residuos de la reconstrucción, se utilizan para la validación y la clasificación los distintos efectos que tienen el diccionario de fondo y el diccionario de unión en la reconstrucción. Esto mejora la discriminación y, por tanto, el rendimiento.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Clasificador basado en representación dispersa; versión kernel; imagen hiperespectral; clasificación; modelo de hipótesis binaria; píxel de consulta
• Keywords:Sparse representation based classifier; kernel version; hyperspectral image; classification; binary hypothesis model; query pixel