一種新的空譜聯合高光譜圖像分類方法_第1頁
一種新的空譜聯合高光譜圖像分類方法_第2頁
一種新的空譜聯合高光譜圖像分類方法_第3頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

一種新的空譜聯合高光譜圖像分類方法紹了一種新的空譜聯合高光譜圖像分類方法。該方法結空間信息和光譜信息的優勢，可以更準確地分類高光譜圖像。該方結果表明，本文提出的方法在保證分類精度的同時，具有更高的魯譜圖像；分類；空譜聯合；特征提取；分類器組合近年來發展起來的一種新型遙感數據，具有高維、高征等特點。但由于噪聲干擾、光譜混合等原因，傳統的分類方法在高譜圖像上的分類精度往往不高。為了解決這個問題，許多學者進行了量的研究工作，提出了許多新的分類方法，如基于支持向量機、神經譜圖像，本文提出了一種新的空譜聯合高光類方法。該方法結合了空間信息和光譜信息的優勢，采用了兩保證分類精度的同時，具有更高的魯棒性和泛化性能，能夠更特征法非本文采用了兩種不同的特征提取方法：光譜特征提取和空間特征提取是指利用高光譜圖像中每個像素的光譜反射率進行計個像素的光譜反射率組成的向量作為該像素的特征向量。由于像中每個像素的光譜反射率具有很多噪聲和冗余信息，因此需要對其進行降維處理。本文采用了主成分分析(PCA)對光譜信息進行降CA提取是指在高光譜圖像中，每個像素周圍的鄰域像素的空息被用來建立該像素的特征向量。基于鄰域的空間特征提取方法效果更好，因此本文采用一種基于灰度共生矩陣(GLCM)的空間特征取完畢后，需要將特征向量輸入到分類器中進行分類。不器具有不同的優缺點，單一分類器很難滿足高光譜圖像分類的本文采用了k近鄰算法(k-NN)、支持向量機(SVM)和決策樹 (DT)等三種分類器，先分別對光譜和空間特征進行單一分類，然后將使用徑向基函數(RBF)作為SVM的核函數，以獲得最佳的分類效果。果集占數據總量的60%。aCentercd出的方法分類結果；圖1(e)是的方法分類結果。可以看出，空譜聯合的方法在保證分類精度一種新的空譜聯合的高光譜圖像分類方法，該方法融合信息和光譜信息的優勢，采用了

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論