课题组付航博士在IEEE Transactions on Geoscience and Remote Sensing发表学术论文
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“Tensor Singular Spectral Analysis for 3D feature extraction in hyperspectral images”。该期刊为国际遥感领域顶级期刊，最新影响因子8.125，JCR-1区，TOP期刊。这是付航博士发表的第三篇TGRS期刊。
论文针对遥感高光谱影像空谱结构复杂的问题，基于奇异谱分析方法的思想，提出了一种新的张量特征表示方法，能够提取高光谱影像的三维低秩光谱-空间特征，在分类性能上优于当前先进的三维特征提取和深度学习方法。
研究背景
由于高光谱影像是数据立方体结构，如何在三维空间上表征其光谱和空间特性是一个挑战。传统的光谱空间方法通常分别提取光谱和空间信息，忽略了它们的内在相关性。近年来发展了一些同时提取光谱和空间特征的三维特征提取方法，但这些方法依赖于局部的空间-光谱区域，忽略了全局的光谱相似性和空间一致性。同时，其中一些方法包含大量的模型参数，需要大量的训练样本。
为此，我们提出了一种新的张量奇异谱分析(Tensor Singular Spectral Analysis，TensorSSA)方法来提取高光谱影像的全局和低秩特征。在TensorSSA中，首先设计了一种自适应嵌入操作，构建与整个HSI相对应的轨迹张量，充分利用了空间相似性，提高了对HSI全局低秩属性的充分表征。然后，利用张量奇异值分解(tensor singular value decomposition, t-SVD)对得到的包含高光谱影像全局和局部空间和光谱信息的轨迹张量进行分解，探索其低秩固有特征。
研究方法
提出的TensorSSA方法的流程图如图1所示，主要包括四个步骤：1. 自适应嵌入；2. 基于t-SVD的分解；3. 低秩表示；4. 重投影。详情如下。
图1 提出的TensorSSA方法流程图
结果结论
1. 特征图对比
将TensorSSA与原始影像、二维奇异谱分析2DSSA方法的特征表征图进行了对比，如图2所示。可以看到，TensorSSA可以增强图像的空间结构，即使在存在严重噪声的情况下也能提取出有效的空间特征。此外，基于图像细节(不同颜色框)的对比，与原始图像和2DSSA图像相比，TensorSSA可以保留地物的边缘和结构特征，增强不同地物的类间差异，与地面真实图像一致。这证明了TensorSSA提取的三维光谱空间特征是非常有效的。
图2 特征图像比较。(a)原始图像; (b) 2DSSA图像; (c) TensorSSA图像; (d)地面真值图像
2. 随机样本分类结果
以Mississippi Gulf Park数据集为例，在随机分类样本下，TensorSSA与其它先进方法的定量分类结果如表1所示，分类图如图3所示。即使在1%的有限分类样本数量下，提出的方法在大多数类别和总体精度上均取得了最好的结果，运行效率也要高于大部分对比方法；分类图显示提出的方法在去除分类椒盐噪声、提高类内光谱一致性、保留细小、条状地物的形态等方面都具有最好的效果。
表1 随机样本下不同方法的分类精度对比
图3 分类图对比
3. 空间不相交样本分类结果
本文进一步考虑了不相交的训练样本的分类验证。与随机抽样相比，不相交样本通常能获得更真实的分类结果，但也会带来一定的挑战。以空间不相交样本的Indian Pines数据为例，其样本分布如图4所示，TensorSSA及其它对比方法的精度如表2所示。实验结果表明，提出的方法在不相交样本下仍取得了最高的分类精度，主要得益于提取的三维特征的有效性。
图4 空间不相交样本分布
表2 空间不相交样本下不同方法的分类精度对比
4. TensorSSA不同步骤消融实验
本文进一步验证了TensorSSA在嵌入和分解步骤中采用策略的有效性，消融实验结果如表3所示。嵌入过程中，采取的自适应嵌入方法要优于原始数据和传统的2D嵌入；分解阶段，t-SVD的使用也要优于传统的SVD和Turker张量分解方法。自适应嵌入与t-SVD能够共同探讨高光谱影像的三维结构和内在低秩特性，提升了特征表征的能力。
表3 消融实验不同阶段的精度对比
论文链接：https://ieeexplore.ieee.org/document/10122507
代码链接：https://github.com/Hang-Fu/TensorSSA