当前位置:主页 > 科技论文 > 自动化论文 >

基于形态学属性剖面的高光谱影像集成分类

发布时间:2018-03-02 13:38

  本文选题:形态学属性剖面 切入点:集成学习 出处:《遥感技术与应用》2016年04期  论文类型:期刊论文


【摘要】:传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。
[Abstract]:Traditional hyperspectral remote sensing image pixel by pixel classification method does not take into account the spatial correlation among pixels and its generalization performance is low. Morphological attribute profile is an effective method to characterize the spatial structure of the image. In order to make full use of spatial information in hyperspectral image classification and improve the stability of classification, ensemble learning can significantly improve the generalization ability of classification algorithm. An integrated learning method based on morphological attribute profile hyperspectral remote sensing image is proposed. Firstly, feature extraction is performed by principal component analysis (PCA) and minimum noise transform (MNT), and multiple spatial features of the image are obtained by morphological attribute profile. Then we use the method of limit learning and support vector machine to classify. Finally, we integrate the classification results by majority vote. Different from the existing integrated learning methods, we consider the different feature extraction and the joint integration of different classification methods. The morphological attribute profile is introduced to make full use of the spatial information of the image. Two groups of hyperspectral data, AVIRIS and ROSIS, are used to test the classification performance of the method. The experimental results show that the proposed method can obtain high accuracy and high stability classification results. The overall accuracy reached 83.41% and 95.14 respectively.
【作者单位】: 天津市地质调查研究院;卫星测绘技术与应用国家测绘地理信息局重点实验室南京大学;江苏省地理信息技术重点实验室南京大学;
【基金】:江苏省杰出青年基金项目(BK2012018) 国家重大科学仪器设备开发专项(012YQ050250)资助
【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 杨可明;张涛;王立博;钱小丽;王林伟;刘士文;;谐波分析法高光谱影像融合及其光谱信息保真度评价[J];光谱学与光谱分析;2013年09期

4 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

5 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

6 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

7 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

8 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

9 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

10 董超;田联房;赵慧洁;;遗传关联向量机高光谱影像分类[J];上海交通大学学报;2011年10期

相关会议论文 前10条

1 舒宁;胡颖;;基于地物光谱特征的高光谱影像边缘提取方法[A];地理空间信息技术与应用——中国科协2002年学术年会测绘论文集[C];2002年

2 舒宁;;多光谱和高光谱影像纹理分析的几种方法[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 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

4 董广军;纪松;朱朝杰;;基于局部线性嵌入流形学习的高光谱影像分类技术[A];第六届全国信息获取与处理学术会议论文集(3)[C];2008年

5 汪玮;周可法;王金林;周曙光;刘慧;;环境减灾卫星高光谱数据预处理[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年

6 黄远程;张良培;李平湘;;基于最小单形体体积约束的高光谱影像端元光谱提取[A];遥感定量反演算法研讨会摘要集[C];2010年

7 刘庆杰;蔺启忠;王黎明;王钦军;李庆亭;苗峰显;;基于CFFT最优信噪比的星载高光谱影像噪声抑制研究[A];第十七届中国遥感大会摘要集[C];2010年

8 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

9 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

10 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8条

1 刘轲;冬小麦叶面积指数高光谱遥感反演方法研究[D];中国农业科学院;2015年

2 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

3 路威;面向目标探测的高光谱影像特征提取与分类技术研究[D];中国人民解放军信息工程大学;2005年

4 杨哲海;高光谱影像分类若干关键技术的研究[D];解放军信息工程大学;2006年

5 王凯;基于多特征融合的高光谱影像地物精细分析方法研究[D];武汉大学;2013年

6 杜辉强;高光谱遥感影像滤波和边缘提取方法研究[D];武汉大学;2004年

7 韦玮;基于多角度高光谱CHRIS数据的湿地信息提取技术研究[D];中国林业科学研究院;2011年

8 龚鑓;基于HDA和MRF的高光谱影像同质区分析[D];武汉大学;2007年

相关硕士学位论文 前10条

1 司海青;含水量对土壤有机质含量高光谱估算的影响研究[D];中国农业科学院;2015年

2 汪重午;基于高光谱线性混合模型的地质勘查研究[D];成都理工大学;2015年

3 原娟;面向高光谱地物的在轨替代光谱定标影响因子分析[D];浙江农林大学;2015年

4 魏祥坡;高光谱影像土质要素和人工地物分类技术研究[D];解放军信息工程大学;2015年

5 董连凤;高光谱影像预处理技术研究[D];长安大学;2007年

6 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

7 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

8 杨明;面向分类的高光谱影像特征提取技术研究[D];解放军信息工程大学;2012年

9 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

10 张丽;基于投影寻踪的高光谱影像特征提取与自动识别技术研究[D];长安大学;2006年



本文编号:1556756

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1556756.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户ca257***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com