课题组付航博士近期在遥感领域国际权威期刊IEEE Transactions on Geoscience and Remote Sensing 发表论文“A novel band selection and spatial noise reduction method for hyperspectral image classification”。该期刊为国际遥感领域顶级期刊，最新影响因子8.125，中科院JCR-2区（小类1区，TOP期刊）。这是付航博士发表的第二篇TGRS期刊。
论文针对高光谱影像的高维度、光谱混淆问题，提出了一种结合波段选择和空间滤波方法的降维和分类方法，能够提取高光谱影像的低维光谱-空间特征，取得了与深度学习方法相媲美的性能。
研究背景
在高光谱影像(hyperspectral image, HSI)分类中，数据的高维性、光谱可变性以及不可避免的空谱域噪声都会严重降低影像的解译精度。提高HSI分类精度的关键是提取显著特征，该特征通常表现为可解释性高、冗余度低、对噪声的鲁棒性和土地覆盖可分性强等特点。因此，有必要研究如何在一个简单而有效的框架内从HSI中提取这些特征。为此，我们提出了一种新的无监督的降维框架，将基于波段选择方法和增强2DSSA的空间方法(NGNMF-E2DSSA)结合起来提取HSI的显著特征。
研究方法
本文提出的NGNMF-E2DSSA方法的流程图如图1所示，主要包括三个部分：(i) NGNMF波段选择；(ii) E2DSSA空间特征提取；(iii) SVM分类。详情如下。
图1 提出的NGNMF-E2DSSA方法流程图。
结果结论
（1）提出的NGNMF波段选择方法在性能上优于其它先进的波段选择方法，证明该方法可以有效提取高信噪比、低冗余的波段。
图2 提出的NGNMF波段选择方法在IP、PU和SA数据集上的性能。
（2）提出的E2DSSA新型空间处理技术在定性和定量指标上优于已有的空间处理技术，包括2DSSA、EMAP、Gabor、DTRF等，我们期望在未来它可以成为新的空间滤波baseline。
图3 提出的E2DSSA空间技术与其它空间方法的特征图对比
表1 提出的E2DSSA空间技术与其它空间方法的分类性能对比
（3）NGNMF-E2DSSA框架优于目前先进的降维方法和深度学习方法，具有优异的效率和效果。
①与传统降维方法对比，IP数据集，5%随机训练样本
表2 NGNMF-E2DSSA与其它先进降维方法的对比
②与深度学习方法对比，IP数据集，空间不相交训练样本
表3 NGNMF-E2DSSA与深度学习方法的对比
论文全文链接
https://ieeexplore.ieee.org/document/9817391