噪声抑制的高光谱图像虚拟维数分析
本文选题：高光谱图像 切入点：虚拟维数 出处：《四川大学学报(自然科学版)》2017年02期 论文类型：期刊论文
【摘要】：在高光谱数据降维过程中,通常用虚拟维数来表征数据的本征维数.经典的虚拟维数分析算法主要运用假设检验准则设定特征值门限,通过特征值判定来决定虚拟维数值.但是,在强噪声干扰下,经典算法不能有效分析出虚拟维数值.本文提出了一种噪声抑制的高光谱图像虚拟维数分析方法(NCVD),该算法通过对数据矩阵进行QR分解,减小了算法的运算量;采用滑动噪声检测窗口对噪声成分进行滤除,提高了估计维数的准确性;结合最小二乘算法对判别门限进行修正,使虚拟维数估计结果更具合理性;采用模拟数据和真实数据进行实验,实验结果证明,本文所提算法的可行性和较现有算法的优越性.
[Abstract]:In the process of hyperspectral data dimensionality reduction, virtual dimension is usually used to characterize the intrinsic dimension of the data. The classical virtual dimension analysis algorithm mainly uses hypothesis test criterion to set the eigenvalue threshold. The virtual dimension is determined by eigenvalue decision. However, in the presence of strong noise, The classical algorithm can not effectively analyze the virtual dimension value. In this paper, a noise suppression method for virtual dimension analysis of hyperspectral images is proposed. The algorithm reduces the computational complexity by QR decomposition of the data matrix. The sliding noise detection window is used to filter the noise components, which improves the accuracy of the estimation dimension, and modifies the discriminant threshold in combination with the least square algorithm, which makes the virtual dimension estimation more reasonable. The experimental results show that the proposed algorithm is feasible and superior to the existing algorithms.
【作者单位】： 四川农业大学;中国电子科技集团公司第十研究所;电子科技大学;
【基金】：国家973计划项目(2013CB733400) 中央高校基本科研业务费项目(ZYGX2013J120) 电子科技大学本科教育教学研究项目(2015XJYYB088)
【分类号】：TP751
【相似文献】
相关期刊论文 前10条
1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期
2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期
3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期
4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期
5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期
6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期
7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期
8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期
9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期
10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期
相关会议论文 前10条
1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年
2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年
4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年
5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年
6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年
8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年
9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年
10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年
相关博士学位论文 前10条
1 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
2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年
3 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
4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年
5 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
6 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
7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年
8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年
9 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年
10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015年
相关硕士学位论文 前10条
1 丰烁;高光谱图像波段选取问题的改进算法研究[D];昆明理工大学;2015年
2 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年
3 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年
4 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年
5 王坤;高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D];南京理工大学;2015年
6 王启聪;高光谱图像分类的GPU并行优化研究[D];南京理工大学;2015年
7 程凯;无先验信息的高光谱图像小目标检测算法研究[D];苏州大学;2015年
8 李秩期;基于高光谱及多信息融合的马铃薯外部缺陷无损检测研究[D];宁夏大学;2015年
9 王健;基于高光谱图像的马铃薯形状及重量分类识别建模研究[D];宁夏大学;2015年
10 吴蓓芬;偏振高光谱图像场景仿真及分类方法研究[D];哈尔滨工业大学;2015年
，本文编号：1638019
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/1638019.html
