基于邻域相似度的联合稀疏表示的高光谱图像分类算法

发布时间：2018-03-19 16:08

  本文选题：图像处理　切入点：高光谱图像　出处：《激光与光电子学进展》2017年12期 　论文类型：期刊论文

【摘要】：为了提高基于联合稀疏表示的高光谱图像的分类精度,提出一种基于邻域相似度联合稀疏表示的分类算法。与传统的联合稀疏表示算法相比,邻域内不同地物类别的像元对待测像元P的影响权重不同,依据邻域内的像元与像元P的相似程度,设定相似度阈值。通过联合稀疏表示与像元P相似度高的像元来确定像元P的类别,然后进一步利用空间信息修正分类算法,即关联邻近像元的类别,平滑分类结果。实验结果表明,基于邻域相似度的联合稀疏表示的分类算法精度更高,结果更稳定。
[Abstract]:In order to improve the classification accuracy of hyperspectral images based on joint sparse representation, a joint sparse representation algorithm based on neighborhood similarity is proposed, which is compared with the traditional joint sparse representation algorithm. According to the similarity between the pixel and the pixel P in the neighborhood, the influence weight of the pixel to the pixel P in the neighborhood is different. Set similarity threshold. By combining sparse representation with pixels with high similarity to pixel P, we can determine the class of pixel P, and further use spatial information to modify the classification algorithm, that is, to associate the categories of adjacent pixels. The experimental results show that the algorithm based on neighborhood similarity is more accurate and stable.
【作者单位】： 长安大学理学院;
【基金】：国家自然科学基金(41571346,41601437,11201038)
【分类号】：TP751

【相似文献】

相关期刊论文 前10条

1 何同弟;李见为;;基于自适应稀疏表示的高光谱遥感图像分类[J];系统工程与电子技术;2013年09期

2 金炜;符冉迪;叶明;;过完备字典稀疏表示的云图超分辨率算法[J];遥感学报;2012年02期

3 宋相法;焦李成;;基于稀疏表示及光谱信息的高光谱遥感图像分类[J];电子与信息学报;2012年02期

4 刘建军;吴泽彬;韦志辉;肖亮;孙乐;;基于空间相关性约束稀疏表示的高光谱图像分类[J];电子与信息学报;2012年11期

5 秦振涛;杨武年;潘佩芬;;基于稀疏表示和自适应字典学习的“高分一号”遥感图像去噪[J];光电工程;2013年09期

6 殷飞;焦李成;;基于旋转扩展和稀疏表示的鲁棒遥感图像目标识别[J];模式识别与人工智能;2012年01期

7 赵春晖;李晓慧;朱海峰;;空间4-邻域稀疏表示的高光谱图像目标检测[J];哈尔滨工程大学学报;2013年09期

8 ;北方工业大学学报第25卷2013年总目次[J];北方工业大学学报;2013年04期

9 王雷;金炜;何艳;;采用冗余字典稀疏表达的红外与水汽云图融合[J];宁波大学学报(理工版);2014年03期

10 陈雨时;张晔;张钧萍;;基于线性模型最优预测的高光谱图像压缩[J];南京航空航天大学学报;2007年03期

相关会议论文 前1条

1 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

相关博士学位论文 前10条

1 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

2 黎胜亮;压缩感知遥感视频成像理论与方法研究[D];国防科学技术大学;2014年

3 李涛;遥感影像稀疏表示中的字典学习算法及其应用[D];华中科技大学;2015年

4 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

5 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

6 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

7 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

8 曲海成;面向光谱解混的高光谱图像快速处理技术研究[D];哈尔滨工业大学;2016年

9 王忠良;基于线性混合模型的高光谱图像压缩感知研究[D];西北工业大学;2015年

10 贺霖;高光谱图像自动目标检测技术研究[D];西北工业大学;2007年

相关硕士学位论文 前10条

1 程丹丹;基于自适应稀疏表示的振动信号压缩采样研究与应用[D];宁波大学;2015年

2 查方兴;基于稀疏表示和空间约束的高光谱遥感图像分类方法研究[D];西安电子科技大学;2014年

3 周千琪;基于稀疏表示和半监督主动学习的小样本高光谱数据分类问题研究[D];北方民族大学;2016年

4 刘佳彬;基于稀疏表示的高光谱图像分类和异常检测研究[D];北京化工大学;2016年

5 云智强;高光谱遥感图像的稀疏表示分类方法研究[D];西安电子科技大学;2015年

6 李迎雪;基于稀疏表示的管道缺陷超声复合阵列成像研究[D];江苏大学;2017年

7 李文杰;基于稀疏重构的空气中超声波达方向估计及其并行化研究[D];西南科技大学;2017年

8 郝晓婷;基于学习字典稀疏表示的遥感图像分类算法研究与应用[D];北方民族大学;2014年

9 付欢;高光谱图像的稀疏表示和压缩算法研究[D];河北大学;2014年

10 何苗;基于稀疏表示的高分辨率遥感影像人工目标识别算法研究[D];云南师范大学;2017年

，

本文编号：1634998