基于核半监督判别分析的高光谱影像特征提取

发布时间：2018-04-30 22:29

  本文选题：高光谱影像 + 半监督学习　； 参考：《测绘科学技术学报》2016年03期

【摘要】：针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。
[Abstract]:In order to solve the problem of high cost in feature extraction of hyperspectral image, this paper combines kernel method and semi-supervised learning theory based on linear discriminant analysis (LDA). A method for feature extraction of hyperspectral images based on kernel semi-supervised discriminant analysis (KSDA) is proposed. The method uses both a small number of known categories and a large number of unknown class samples for model learning and training. The experimental results of OMIS hyperspectral image data show that under the condition of a small number of training samples of known categories, the sample data extracted by KSDA features can better gather into clusters in the feature space, and the distance between the categories is larger. It increases the separability among the categories and obtains a higher classification accuracy. At the same time, the extracted feature images can distinguish all kinds of ground objects better.
【作者单位】： 信息工程大学;地理信息工程国家重点实验室;
【基金】：地理信息工程国家重点实验室开放研究基金项目(SKLGIE2015-M-3-2) 卫星测绘技术与应用国家测绘地理信息局重点实验室经费项目(KLSMTA-201603)
【分类号】：TP751

【相似文献】

相关期刊论文 前10条

1 甘甫平;王润生;;高光谱遥感技术在地质领域中的应用[J];国土资源遥感;2007年04期

2 余旭初;杨国鹏;冯伍法;周欣;;基于简约集支持向量机的高光谱影像分类[J];计算机科学;2010年11期

3 李新双;张良培;李平湘;吴波;;基于小波分量特征值匹配的高光谱影像分类[J];武汉大学学报(信息科学版);2006年03期

4 杨可明;陈云浩;郭达志;蒋金豹;;基于高光谱影像的小麦条锈病光谱信息探测与提取(英文)[J];光子学报;2008年01期

5 苏俊英;舒宁;;一种基于非线性增益小波滤波的高光谱影像去噪技术研究[J];遥感技术与应用;2008年04期

6 杨可明;李慧;郭达志;;基于最佳小波包基的高光谱影像特征制图[J];测绘学报;2008年01期

7 杨国鹏;余旭初;刘伟;陈伟;;基于支持向量机的高光谱影像分类研究[J];计算机工程与设计;2008年08期

8 董超;赵慧洁;;关联向量机在高光谱影像分类中的应用[J];遥感学报;2010年06期

9 冯海亮;潘竞文;黄鸿;;半监督邻域保持嵌入在高光谱影像分类中的应用[J];计算机科学;2014年S1期

10 杜辉强;舒宁;;高光谱影像能量边缘提取[J];武汉大学学报(信息科学版);2006年02期

相关会议论文 前4条

1 于美娇;董广军;张永生;纪松;杨靖宇;;一种基于极大后验估计的高光谱影像分辨率增强方法[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

2 张杰林;;砂岩型铀矿床高光谱数据挖掘技术研究[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

3 董彦芳;庞勇;;高光谱影像与LiDAR数据融合提取城市目标提取[A];中国地震学会空间对地观测专业委员会2013年学术研讨会论文摘要集[C];2013年

4 李飞;周成虎;陈荣国;;基于光谱曲线形态的高光谱影像检索方法研究[A];第二届中国科学院博士后学术年会暨高新技术前沿与发展学术会议程序册[C];2010年

相关博士学位论文 前1条

1 杨国鹏;基于机器学习方法的高光谱影像分类研究[D];解放军信息工程大学;2010年

相关硕士学位论文 前6条

1 祝鹏飞;面向对象的高光谱影像地物分类技术研究[D];解放军信息工程大学;2011年

2 杨国鹏;基于核方法的高光谱影像分类与特征提取[D];解放军信息工程大学;2007年

3 潘竞文;半监督邻域保持嵌入在高光谱影像分类中的应用[D];重庆大学;2014年

4 徐卫霄;高光谱影像集成学习分类及后处理技术研究[D];解放军信息工程大学;2011年

5 闻兵工;地物光谱特征分析技术研究[D];解放军信息工程大学;2009年

6 陈伟;高光谱影像混合像元分解技术研究[D];解放军信息工程大学;2009年

，

本文编号：1826532