一种新的空谱联合高光谱图像分类方法_第1页
一种新的空谱联合高光谱图像分类方法_第2页
一种新的空谱联合高光谱图像分类方法_第3页
全文预览已结束

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种新的空谱联合高光谱图像分类方法绍了一种新的空谱联合高光谱图像分类方法。该方法结空间信息和光谱信息的优势，可以更准确地分类高光谱图像。该方结果表明，本文提出的方法在保证分类精度的同时，具有更高的鲁谱图像；分类；空谱联合；特征提取；分类器组合近年来发展起来的一种新型遥感数据，具有高维、高征等特点。但由于噪声干扰、光谱混合等原因，传统的分类方法在高谱图像上的分类精度往往不高。为了解决这个问题，许多学者进行了量的研究工作，提出了许多新的分类方法，如基于支持向量机、神经谱图像，本文提出了一种新的空谱联合高光类方法。该方法结合了空间信息和光谱信息的优势，采用了两保证分类精度的同时，具有更高的鲁棒性和泛化性能，能够更特征法非本文采用了两种不同的特征提取方法：光谱特征提取和空间特征提取是指利用高光谱图像中每个像素的光谱反射率进行计个像素的光谱反射率组成的向量作为该像素的特征向量。由于像中每个像素的光谱反射率具有很多噪声和冗余信息，因此需要对其进行降维处理。本文采用了主成分分析(PCA)对光谱信息进行降CA提取是指在高光谱图像中，每个像素周围的邻域像素的空息被用来建立该像素的特征向量。基于邻域的空间特征提取方法效果更好，因此本文采用一种基于灰度共生矩阵(GLCM)的空间特征取完毕后，需要将特征向量输入到分类器中进行分类。不器具有不同的优缺点，单一分类器很难满足高光谱图像分类的本文采用了k近邻算法(k-NN)、支持向量机(SVM)和决策树 (DT)等三种分类器，先分别对光谱和空间特征进行单一分类，然后将使用径向基函数(RBF)作为SVM的核函数，以获得最佳的分类效果。果集占数据总量的60%。aCentercd出的方法分类结果；图1(e)是的方法分类结果。可以看出，空谱联合的方法在保证分类精度一种新的空谱联合的高光谱图像分类方法，该方法融合信息和光谱信息的优势，采用了

人人文库> 全部分类> 图纸下载 > 毕业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论