Bayesian classification of hyperspectral images using spatially-varying Gaussian mixture model

ما یک مدل ترکیبی گاوسی برای محاسبه طیفی و فضایی مشترک تصاویر هیپرتراسترال پیشنهاد می دهیم. این مدل یک چارچوب تخمینی قوی برای مجموعه های کوچک مجموعه ای از نمونه ها فراهم می کند. تعریف توزیع های قبلی برای میانگین بردار و ماتریس کوواریانس ما را قادر می سازد تا مشکل برآورد پارامتر را مرتفع کنیم. به طور خاص، با کمک این تنظیم می توانیم ماتریس های معکوس مثبت معکوس مثبت معکوس بدست آوریم. علاوه بر این، مدل پیشنهادی نیز با استفاده از همبستگی فضایی پیکسلها با استفاده از نسبت مخلوط فضایی متفاوت، در نظر گرفته می شود. مدل مخلوط فضایی متفاوت بر اساس رگرسیون لجستیک چندجملهای فضایی است. نتایج طبقه بندی به دست آمده در پاینس هند، مرکز پویا، دانشگاه پاویا و مجموعه داده های سالیناس نشان می دهد که روش های پیشنهادی به ویژه برای مجموعه های آموزشی کوچک، نسبت به طبقه بندی های پیشرفته، بهتر عمل می کنند.