北京理工大学学报
北京理工大學學報
북경리공대학학보
JOURNAL OF BEIJING INSTITUTE OF TECHNOLOGY
2007年
7期
621-624
,共4页
高光谱%小波分解%主成分分析(PCA)%特征提取%特征降维
高光譜%小波分解%主成分分析(PCA)%特徵提取%特徵降維
고광보%소파분해%주성분분석(PCA)%특정제취%특정강유
针对高光谱图像数据量大、数据维数高、光谱信息丰富的特点,提出一种基于小波分解的主成分分析(PCA)降维的特征提取新方法.该方法充分利用小波变换的优势,在光谱域内针对每个像元进行降维,既减少了数据量,还能保留光谱信号的差别;PCA方法充分利用像元间的相关性,保留不同类在相邻像元间的局部空间信息,弥补了空间域内小波变换类间可分性较差的问题.实验结果表明,小波分解与PCA相结合的特征提取方法能够有效地提高高光谱数据分类效率及分类精度.
針對高光譜圖像數據量大、數據維數高、光譜信息豐富的特點,提齣一種基于小波分解的主成分分析(PCA)降維的特徵提取新方法.該方法充分利用小波變換的優勢,在光譜域內針對每箇像元進行降維,既減少瞭數據量,還能保留光譜信號的差彆;PCA方法充分利用像元間的相關性,保留不同類在相鄰像元間的跼部空間信息,瀰補瞭空間域內小波變換類間可分性較差的問題.實驗結果錶明,小波分解與PCA相結閤的特徵提取方法能夠有效地提高高光譜數據分類效率及分類精度.
침대고광보도상수거량대、수거유수고、광보신식봉부적특점,제출일충기우소파분해적주성분분석(PCA)강유적특정제취신방법.해방법충분이용소파변환적우세,재광보역내침대매개상원진행강유,기감소료수거량,환능보류광보신호적차별;PCA방법충분이용상원간적상관성,보류불동류재상린상원간적국부공간신식,미보료공간역내소파변환류간가분성교차적문제.실험결과표명,소파분해여PCA상결합적특정제취방법능구유효지제고고광보수거분류효솔급분류정도.
