本文選題：高光譜影像 + 頻率域變換　； 參考：《計算機應用研究》2017年05期

【摘要】：對于高光譜影像存在高維非線性、數(shù)據(jù)冗余多、純訓練樣本難以提取等不足,引入頻率域空間的諧波分析(harmonic analysis,HA)理論并提出了一種高光譜影像的HA-Bayes監(jiān)督分類方法。該方法在保持高光譜數(shù)據(jù)空—譜特性不變的情況下,從光譜維角度分析不同分解層的影像光譜諧波特征,將高光譜影像變換成由諧波能量譜組成的頻率域特征矢量信息。通過建立諧波能量譜特征向量的先驗知識,實現(xiàn)Bayes準則下諧波能量譜特征矢量信息判別與分類,最終實現(xiàn)高光譜影像分類。將此方法應用到ROSIS高光譜影像分類時獲得的分類總體精度達85.5%,Kappa系數(shù)也達到了0.812。進一步實驗也證明了頻率域的諧波分析在高光譜遙感影像特征提取與分類方面具有更好的優(yōu)勢和潛力。
[Abstract]:For hyperspectral images with high dimensional nonlinearity, high data redundancy and difficulty in extracting pure training samples, the theory of harmonic analysis in frequency domain is introduced and a HA-Bayes supervised classification method for hyperspectral images is proposed.Under the condition of keeping the space-spectrum characteristics of hyperspectral data unchanged, the spectral harmonic characteristics of different decomposition layers are analyzed from the perspective of spectral dimension, and the hyperspectral image is transformed into the characteristic vector information in frequency domain composed of harmonic energy spectrum.By establishing the prior knowledge of the characteristic vector of harmonic energy spectrum, we can distinguish and classify the characteristic vector information of harmonic energy spectrum under Bayes criterion, and finally realize the classification of hyperspectral image.When this method is applied to the classification of ROSIS hyperspectral images, the overall accuracy of the classification is up to 85. 5% and the coefficient of Kappa is 0. 812.Further experiments also prove that harmonic analysis in frequency domain has better advantages and potential in feature extraction and classification of hyperspectral remote sensing images.
【作者單位】： 中國礦業(yè)大學(北京)地球科學與測繪工程學院;
【基金】：國家自然科學基金資助項目(41271436) 中央高校基本科研業(yè)務費專項資金資助項目(2009QD02)
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 甘甫平;王潤生;;高光譜遙感技術在地質(zhì)領域中的應用[J];國土資源遙感;2007年04期

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

3 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學學報(信息科學版);2006年03期

4 楊可明;陳云浩;郭達志;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];光子學報;2008年01期

5 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研究[J];遙感技術與應用;2008年04期

6 楊可明;李慧;郭達志;;基于最佳小波包基的高光譜影像特征制圖[J];測繪學報;2008年01期

7 楊國鵬;余旭初;劉偉;陳偉;;基于支持向量機的高光譜影像分類研究[J];計算機工程與設計;2008年08期

8 董超;趙慧潔;;關聯(lián)向量機在高光譜影像分類中的應用[J];遙感學報;2010年06期

9 馮海亮;潘競文;黃鴻;;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應用[J];計算機科學;2014年S1期

10 杜輝強;舒寧;;高光譜影像能量邊緣提取[J];武漢大學學報(信息科學版);2006年02期

相關會議論文 前4條

1 于美嬌;董廣軍;張永生;紀松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強方法[A];圖像圖形技術與應用進展——第三屆圖像圖形技術與應用學術會議論文集[C];2008年

2 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

3 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標提取[A];中國地震學會空間對地觀測專業(yè)委員會2013年學術研討會論文摘要集[C];2013年

4 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];第二屆中國科學院博士后學術年會暨高新技術前沿與發(fā)展學術會議程序冊[C];2010年

相關博士學位論文 前1條

1 楊國鵬;基于機器學習方法的高光譜影像分類研究[D];解放軍信息工程大學;2010年

相關碩士學位論文 前7條

1 張風;基于子空間學習的高光譜影像地物分類[D];西安電子科技大學;2015年

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

3 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;2007年

4 潘競文;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應用[D];重慶大學;2014年

5 徐衛(wèi)霄;高光譜影像集成學習分類及后處理技術研究[D];解放軍信息工程大學;2011年

6 聞兵工;地物光譜特征分析技術研究[D];解放軍信息工程大學;2009年

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

，

本文編號：1735173