文章目录
Statistics of Real-World Hyperspectral Images
作者采集了一个多光谱数据集
然后根据数据集 的统计信息分析 多光谱的空间特征和光谱特征
主要利用了pca方法
http://vision.seas.harvard.edu/hyperspec/
1.数据集
https://vision.seas.harvard.edu/hyperspec/d2x5g3/
50张高光谱图像 at steps of 10nm from 420nm to 720nm.
27张在人造光源下拍摄的高光谱图像
用于评估结果
在本文中并未使用,本文主要分析50张高光谱图像的一些统计信息
我下载了数据集,看一下图像:
上面2张是单通道图像
左下角是取 5,15,25通道
右下角是 mask, mask为1是应该被去掉的
2.spatial-spectral representation
目的是为了分析光谱图像的特征
作者利用patch 8x8 来分析,
具体来说就是将图像分为 8x8的patch.
那么每个patch的 形状就是 64x31, 64个像素,31个通道。
接下来就是如何用一些维数更低的特征表示 所有 64x31的patch
如下:pca的方法找出 正交基V
每个V的size也是 64x31
得到的正交基如下图所示:
左图中31个channel映射成了颜色
3.Separable Basis Components
上面用 spatial + spectral的 整体patch 求pca
那么是否可以 分别求spatial 和 spectral的特征呢?
是可以的
求得的spatial的特征应该和一般图像求的一样把。。。。
分别pca后的top特征如下:
4.进一步分析
不同的spatial特征和光谱特征组合后的 方差是怎样的?如下图
每个spatial basis 和 不同的spectral basis组合后的趋势是大概相同的。
s1-s5是top spatial basis
ck是 top spectral basis
再看一下不同的组合的方差
C1 的重要性不言而喻,与其他spatial basis组合都可以由高的方差。
另一方面也说明 spatial的变化是多样的,而spectral是相对较少的特征就可以表示
5.复现一下
5.1.patch的特征和方差和论文近似,
因为我没有用所有50张图像,只用了10张。也许用50张和论文更接近
5.2 spatial的basis和 spectral的basis
都是只显示top20
6.coef model
就是所有patch 按照pca分解后,特征矩阵对应的系数的分布情况
x 的j,k表示的是 spatial basis和spectral basis的序号
图7中 x11 表示第一个spatial basis和第一个spectral basis 。
图中是对应的所有patch的系数分布log
图8很有意思表示的是第二个spatial basis 与 排名1,2的两种spectral basis组合的系数分布图,接近高斯分布。
7.join model
这一部分没有看明白什么意思