共查询到17条相似文献，搜索用时 93 毫秒
1.
2.
在高光谱影像的分类过程中,如何有效地降低特征空间的维数,又能保证原始数据所包含的丰富地物信息是一项十分重要而繁琐的工作.深入分析了这种降维的必要性,并针对当前常用的降维方法存在的问题,提出了运用Tabu搜索算法获取对分类最为有利的特征波段的思想.考虑到高光谱数据的特点,指出了算法运行中应该注意的若干关键参数设置问题.实验表明,Tabu搜索算法在求解质量和执行效率方面都有着良好的表现,可以用于高光谱数据的降维处理. 相似文献
3.
4.
提出了一种面向应用的高光谱影像分类方法,旨在从根本上、全方位地削弱各种不利因素对该类影像分类精度的影响.主要包括利用IEM算法获取更为精确的类别分布信息,采用Tabu搜索算法进行原始特征空间的降维,运用基于混合规则的组合分类器来判断待识样本的类别标签.实验表明,按照该方法进行高光谱影像的分类处理,可以得到很高精度的分类结果. 相似文献
5.
高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。 相似文献
6.
高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。 相似文献
7.
本文从高光谱数据的非线性本质出发来引入流形学习方法,结合高光谱影像的自身特性,挖掘高光谱影像内部的非线性流形特征,研究高光谱影像的流形学习降维对应的光谱意义解释,构建适合高光谱影像数据特性的非线性流形学习降维理论和方法体系,并在实践上指导后续的高光谱影像分类、目标识别和异常探测等应用。 相似文献
8.
讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。 相似文献
9.
高光谱遥感影像数据具有高维特征、信息冗余、不确定性显著、小样本、空谱合一等特征,对其进行数据处理面临巨大挑战,高光谱遥感影像降维是高光谱遥感的重要研究方向之一。本文对当前高光谱遥感影像降维的相关研究进展进行了综述,在介绍高光谱遥感数据特点的基础上,重点从特征提取和特征选择两方面对高光谱遥感影像降维的最新研究和前沿进展进行了系统性综述;并从特征可分性、特征质量评价、特征数目确定、多特征优化以及需求驱动的特征选择等方面分析了高光谱遥感影像降维面临的挑战。随着智能化高光谱遥感的发展,高光谱遥感影像智能降维成为未来的发展方向,同时其发展将兼顾多特征质量评估与优选、搜索策略优化、满足应用需求等多目标的需求。随着高光谱遥感数据获取能力的提升和深入应用,高光谱遥感影像降维将会发挥重要而不可替代的作用。 相似文献
10.
11.
Fast Hyperspectral Feature Reduction Using Piecewise Constant Function Approximations 总被引：2，自引：0，他引：2
The high number of spectral bands that are obtained from hyperspectral sensors, combined with the often limited ground truth, solicits some kind of feature reduction when attempting supervised classification. This letter demonstrates that an optimal constant function representation of hyperspectral signature curves in the mean square sense is capable of representing the data sufficiently to outperform, or match, other feature reduction methods such as principal components transform, sequential forward selection, and decision boundary feature extraction for classification purposes on all of the four hyperspectral data sets that we have tested. The simple averaging of spectral bands makes the resulting features directly interpretable in a physical sense. Using an efficient dynamic programming algorithm, the proposed method can be considered fast. 相似文献
12.
精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS（Sequential Backward Selection）方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法（随机森林RF（Random Forest）、互信息MI（Multi-Information）和L1正则化（L1 regularization））和3种分类算法（随机森林、支持向量机SVM（Support Vector Machine）和K近邻KNN（K-Nearest Neighbor））的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度（94.64%）和农田召回率（95.83%）。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。 相似文献
13.
郭学兰;杨敏华;毛军;周秋琳 《东北测绘》2013,(4):144-146,149+152
针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。 相似文献
14.
针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。 相似文献
15.
Parham Pahlavani Mahdi Hasanlou Siamak Talebi Nahr 《Journal of the Indian Society of Remote Sensing》2017,45(1):11-23
Currently, hyperspectral images have potential applications in many scientific areas due to the high spectral resolution. Extracting suitable and adequate bands/features from high dimensional data is a crucial task to classify such data. To overcome this issue, dimension reduction techniques have direct effects to improve the efficiency of classifiers on hyperspectral images. One common approach for decreasing the dimensionality is the feature/band selection by considering the optimum dimensionality of the hyperspectral imagery. In this paper, a new method was proposed to select optimal band for classification application, based on a metaheuristic Invasive Weed Optimization (IWO) algorithm. In this regard, the K-nearest neighbour (K-NN) technique was used as the classifier. Moreover, as a by-product of our band selection method, a new method was proposed to estimate an optimum dimension of the reduced hyperspectral images for better classification. Experimental results over three real-world hyperspectral datasets clearly showed that the proposed IWO-based band selection algorithm of this study led to the significant progress in selecting suitable bands for classification applications and estimation of optimum dimensionality of these datasets. In this regard, the overall accuracy (OA) of classification of the proposed IWO-based band selection algorithm was 92.02, 93.57, and 89.72 % for each dataset, respectively. Moreover, results reveal the superiority of the proposed IWO-based band selection algorithm against the other algorithms including GA, SA, ACO, and PSO for band selection purpose. 相似文献
16.
针对当前特征提取方法不能充分挖掘高光谱影像稀疏特性的问题,提出一种基于稀疏判别分析的高光谱影像特征提取方法。首先,在线性判别分析的系数向量中引入稀疏正则项来捕获具有更强判别能力的特征,将高光谱影像映射至低维稀疏的子空间;然后,利用迭代优化方法对模型进行求解。利用Salinas和Pavia University高光谱影像进行对比实验,所提方法与分类方法结合用于影像分类时,其分类精度优于其他方法,总体分类精度分别达到97.42%和97.64%。 相似文献
17.
Clonal selection feature selection algorithm (CSFS) based on clonal selection algorithm (CSA), a new computational intelligence approach, has been proposed to perform the task of dimensionality reduction in high-dimensional images, and has better performance than traditional feature selection algorithms with more computational costs. In this paper, a fast clonal selection feature selection algorithm (FCSFS) for hyperspectral imagery is proposed to improve the convergence rate by using Cauchy mutation instead of non-uniform mutation as the primary immune operator. Two experiments are performed to evaluate the performance of the proposed algorithm in comparison with CSFS using hyperspectral remote sensing imagery acquired by the pushbroom hyperspectral imager (PHI) and the airborne visible/infrared imaging spectrometer (AVIRIS), respectively. Experimental results demonstrate that the FCSFS converges faster than CSFS, hence providing an effective new option for dimensionality reduction of hyperspectral remote sensing imagery. 相似文献