本文選題：高光譜影像分類　切入點(diǎn)：維數(shù)約簡　出處：《計算機(jī)科學(xué)》2014年S1期

【摘要】：為了解決高光譜遙感影像的維數(shù)約簡問題以提高分類算法的分類精度,并針對高光譜影像通常只包含少量標(biāo)記樣本的問題,提出了基于一種半監(jiān)督鄰域保持嵌入(SSNPE)和改進(jìn)的KNN分類器的高光譜影像分類算法。該算法在NPE的基礎(chǔ)上同時利用同類標(biāo)記樣本和鄰域未標(biāo)記樣本獲得數(shù)據(jù)的鄰域嵌入結(jié)構(gòu),并且通過增加標(biāo)記近鄰樣本的權(quán)重加大降維數(shù)據(jù)的鑒別性,進(jìn)而增加k近鄰分類器的樣本分類精度。在Urban、Indian高光譜影像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,改進(jìn)的算法的分類精度提高了約8.7%、3.6%以上,分類性能有了較明顯的改善。
[Abstract]:In order to solve the dimensionality reduction problem of hyperspectral remote sensing image and improve the classification accuracy of the classification algorithm, the hyperspectral image usually contains only a small number of labeled samples.A hyperspectral image classification algorithm based on a semi-supervised neighborhood preserving embedding (SSNPE) and an improved KNN classifier is proposed.On the basis of NPE, the algorithm uses the same kind of labeled samples and neighborhood unlabeled samples simultaneously to obtain the neighborhood embedding structure of the data, and increases the discriminance of the reduced dimension data by increasing the weight of the labeled nearest neighbor samples.Furthermore, the sample classification accuracy of k-nearest neighbor classifier is increased.The experimental results on the Urbanan Indian hyperspectral image data set show that the classification accuracy of the improved algorithm is increased by about 8.7% and the classification performance is obviously improved.
【作者單位】： 重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金(61101168,41371338) 重慶市基礎(chǔ)與前沿研究計劃項(xiàng)目(cstc2013jcyjA40005)資助
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒寧;蘇俊英;;高光譜影像光譜響應(yīng)曲線分維計算[J];遙感信息;2009年01期

2 陳蜜;易堯華;李德仁;秦前清;;基于動力演化算法的投影尋蹤在高光譜影像異常目標(biāo)檢測中的應(yīng)用[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2006年01期

3 陳偉;余旭初;王鶴;;基于OSP的端元個數(shù)估計方法[J];計算機(jī)工程;2009年24期

4 周子勇;卜倩;;Hyperion影像分形信號特征研究[J];遙感學(xué)報;2011年01期

5 楊可明;陳云浩;郭達(dá)志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測與提取(英文)[J];光子學(xué)報;2008年01期

6 何軍;王慶;李滋剛;;基于擴(kuò)散幾何坐標(biāo)的高光譜影像的增強(qiáng)表示(英文)[J];Journal of Southeast University(English Edition);2009年03期

7 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

8 李行;毛定山;張連蓬;;高光譜遙感影像波段選擇算法評價方法研究[J];地理與地理信息科學(xué);2006年06期

9 余旭初;楊國鵬;馮伍法;周欣;;基于簡約集支持向量機(jī)的高光譜影像分類[J];計算機(jī)科學(xué);2010年11期

10 楊國鵬;周欣;余旭初;陳偉;;基于相關(guān)向量機(jī)的高光譜影像混合像元分解[J];電子學(xué)報;2010年12期

相關(guān)會議論文 前6條

1 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學(xué)院博士后學(xué)術(shù)年會暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會議程序冊[C];2010年

2 詹遠(yuǎn)增;王迪峰;毛志華;;基于Hyperion衛(wèi)星高光譜影像的溢油信息提取研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

3 李東杰;尹繼豪;余席宇;;基于約束能量最小化的小目標(biāo)檢測算法研究[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

4 付晶;舒寧;孔祥兵;;基于隱馬爾可夫模型的光譜匹配算法[A];第十七屆中國遙感大會摘要集[C];2010年

5 徐元進(jìn);胡光道;;窮舉法在高光譜遙感圖像地物識別中的應(yīng)用[A];第四屆中國軟件工程大會論文集[C];2007年

6 ;遙感定量反演算法研討會展板安排[A];遙感定量反演算法研討會摘要集[C];2010年

相關(guān)博士學(xué)位論文 前3條

1 楊國鵬;基于機(jī)器學(xué)習(xí)方法的高光譜影像分類研究[D];解放軍信息工程大學(xué);2010年

2 陳偉;高光譜影像地物智能化提取理論與方法研究[D];解放軍信息工程大學(xué);2012年

3 黃遠(yuǎn)程;高光譜影像混合像元分解的若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 祝鵬飛;面向?qū)ο蟮母吖庾V影像地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2011年

2 陳偉;高光譜影像混合像元分解技術(shù)研究[D];解放軍信息工程大學(xué);2009年

3 徐衛(wèi)霄;高光譜影像集成學(xué)習(xí)分類及后處理技術(shù)研究[D];解放軍信息工程大學(xué);2011年

4 楊國鵬;基于核方法的高光譜影像分類與特征提取[D];解放軍信息工程大學(xué);2007年

5 周學(xué)林;基于多源遙感數(shù)據(jù)的鄱陽湖濕地植被類型反演研究[D];江西理工大學(xué);2012年

6 聞兵工;地物光譜特征分析技術(shù)研究[D];解放軍信息工程大學(xué);2009年

7 王文娟;基于HJ-1A衛(wèi)星高光譜影像的多尺度景觀格局提取方法研究[D];西北大學(xué);2012年

8 孫曉;基于CASI高光譜遙感數(shù)據(jù)估測森林葉面積指數(shù)研究[D];中國林業(yè)科學(xué)研究院;2012年

9 何曉寧;高光譜影像混合像元分解及亞象元定位[D];長安大學(xué);2013年

10 邵田田;玉米葉綠素和LAI的高光譜遙感模型研究[D];中國科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2012年

，

本文編號：1707587