加权空-谱与最近邻分类器相结合的高光谱图像分类
本文关键词:加权空-谱与最近邻分类器相结合的高光谱图像分类
更多相关文章: 高光谱图像 图像分类 空间近邻 加权空-谱距离 最近邻分类器
【摘要】:提出了一种基于加权空-谱距离(WSSD)的相似性度量方法 ,并将其应用到最近邻分类器(KNN)中,导出了一种新的高光谱图像分类算法。该算法利用高光谱图像的物理特性,通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息,利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上,增大了同类像元间的相似性以及异类像元间的差异性,获得了更为有效的鉴别特征,从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验,结果表明:将提出的WSSD-KNN算法应用于高光谱图像分类时,其分类精度高于其他算法,总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息,提取出了更为有效的鉴别特征,故不仅有效地改善了高光谱数据的地物分类精度,而且可在训练样本较少时,保持较高的识别率。
【作者单位】: 重庆大学光电技术与系统教育部重点实验室;
【关键词】: 高光谱图像 图像分类 空间近邻 加权空-谱距离 最近邻分类器
【基金】:国家自然科学基金资助项目(No.41371338;No.61101168) 重庆市基础与前沿研究计划资助项目(No.cstc2013jcyjA4005) 中央高校基本科研业务费专项资金资助项目(No.106112013CDJZR125501;No.1061120131204)
【分类号】:TP751
【正文快照】: 1引言高光谱遥感是现代遥感领域中最具前景的应用技术之一,被广泛用于资源探索、环境监测和精准农业等诸多领域[1-3]。高光谱图像最主要的特点是图谱合一[4],在获取地面图像空间信息的同时,得到每个地物的连续光谱信息,为地物的精细识别与分类带来了新的机遇[5]。由于高光谱数
【相似文献】
中国期刊全文数据库 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 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
8 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
9 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
10 谷延锋;刘颖;贾友华;张晔;;基于光谱解译的高光谱图像奇异检测算法[J];红外与毫米波学报;2006年06期
中国重要会议论文全文数据库 前5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 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
3 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
4 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
5 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
中国博士学位论文全文数据库 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 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
3 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
4 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
5 周爽;蚁群算法在高光谱图像降维和分类中的应用研究[D];哈尔滨工业大学;2010年
6 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年
7 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
8 马静;干涉高光谱图像高效压缩技术研究[D];西安电子科技大学;2009年
9 周正;基于自适应谱段重组的高光谱图像压缩方法研究[D];华中科技大学;2007年
10 刘振林;基于核空谱信息挖掘的高光谱图像分类方法研究[D];哈尔滨工业大学;2014年
中国硕士学位论文全文数据库 前10条
1 黄秀琴;基于统计的高光谱图像分类技术研究[D];电子科技大学;2008年
2 魏然;基于三维光谱模型的高光谱图像压缩方法的研究[D];哈尔滨工业大学;2010年
3 王成;高光谱图像压缩的方法研究[D];南京理工大学;2014年
4 唐雪飞;基于案例推理的高光谱图像分类研究[D];哈尔滨工业大学;2010年
5 倪广波;基于预测的高光谱图像无损压缩算法研究[D];哈尔滨工业大学;2009年
6 王依萍;基于主动学习的高光谱图像分类方法研究[D];西安电子科技大学;2014年
7 李伟;高光谱图像异常小目标检测算法研究[D];哈尔滨工程大学;2009年
8 王秀朋;基于投影寻踪的高光谱图像降维算法研究[D];西北工业大学;2006年
9 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
10 薛莉;基于预测技术的高光谱图像压缩算法研究[D];哈尔滨工业大学;2006年
,本文编号:987016
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/987016.html