Randomized Principal Component Analysis for Hyperspectral Image Classification

这篇论文研究了使用支持向量机（SVM）和轻量级梯度提升机（LightGBM）对高光谱图像进行分类的主成分分析（PCA）和随机主成分分析（R-PCA）的降维方法。由于高维特征空间给高光谱数据集的处理和分析带来了巨大的挑战，因此需要进行降维以减少计算复杂度。随机投影为大数据集的降维提供了新的方法。在这项实验研究中，对两个高光谱数据集（Indian Pines和Pavia University）的分类，将特征数量降至20和30。实验结果表明，对于SVM，PCA在两个数据集上的表现优于R-PCA，但对于LightGBM，两者的准确性接近。使用原始特征的LightGBM在Pavia University和Indian Pines上获得了最高的分类准确率，分别为0.9925和0.9639。

本论文旨在研究使用主成分分析（PCA）和随机主成分分析（R-PCA）结合支持向量机（SVM）和轻量梯度提升机（LightGBM）对高光谱图像进行分类的方法。该研究的问题是如何在高维特征空间中处理和分析高光谱数据集。

论文的关键思路是使用PCA和R-PCA对高光谱图像进行降维，然后使用SVM和LightGBM进行分类。实验结果表明，PCA在SVM和LightGBM中的性能都优于R-PCA。

论文使用了两个常用的高光谱数据集（Indian Pines和Pavia University）进行实验，将特征数量降至20和30进行分类。实验结果表明，LightGBM在使用原始特征时，对于Pavia University和Indian Pines数据集的分类准确率分别达到了0.9925和0.9639。此外，论文还提供了开源代码。

在相关研究中，最近的一些论文包括：'A comparative study of dimensionality reduction techniques for hyperspectral image classification'和'Spectral-spatial classification of hyperspectral imagery using deep convolutional neural networks'。