高光谱图像的JM变换自适应降维

发布时间：2022-10-27 22:11

　　在无需先验标签样本的情况下,非监督降维可以有效简化高光谱图像的特征空间,避免目标分类中的霍夫效应。本文提出JM非线性变换优化的自适应降维模型来研究面向图像目标分类的高光谱波段选择问题。该方法考虑波段的信息量和独立性等两个重要因子,针对其测度方法的差异性问题,引入JM变换函数进行规范化优化。选用线阵高光谱和面阵显微光谱等两个图像数据集,在k最邻近和随机森林分类器下,进行了多组监督分类实验,结果表明,在Kappa系数、总体分类精度和平均分类精度上,本文方法均优于3种非监督方法MABS、InfFS和LSFS。说明本文提出的JM变换的自适应降维模型能够有效降低特征维度,满足高光谱图像分类的高精度要求。 

【文章页数】：9 页

【文章目录】：
1 引言
2 JM2ABS方法
    2.1 信息相邻相关系数
    2.2 信息量—独立性的二元复合建模
    2.3 JM非线性变换
    2.4 JM变换的自适应降维
3 实验与分析
    3.1 实验数据集
    3.2 降维及监督分类实验
        3.2.1 样例一
        3.2.2 样例二
    3.3 结果分析
4 结论


【参考文献】：
期刊论文
[1]变异系数降维的CNN高光谱遥感图像分类[J]. 张康,黑保琴,周壮,李盛阳.  遥感学报. 2018(01)
[2]加权概率原型分析的高光谱影像波段选择[J]. 孙伟伟,张殿发,杨刚,李巍岳.  遥感学报. 2018(01)
[3]非线性变换和信息相邻相关的高光谱自适应波段选择[J]. 张爱武,杜楠,康孝岩,郭超凡.  红外与激光工程. 2017(05)
[4]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福.  遥感学报. 2016(05)
[5]基于谱聚类与类间可分性因子的高光谱波段选择[J]. 秦方普,张爱武,王书民,孟宪刚,胡少兴,孙卫东.  光谱学与光谱分析. 2015(05)
[6]结合遗传算法和蚁群算法的高光谱图像波段选择[J]. 王立国,魏芳洁.  中国图象图形学报. 2013(02)
[7]一种新的高光谱遥感图像降维方法[J]. 刘春红,赵春晖,张凌雁.  中国图象图形学报. 2005(02)



本文编号：3697305