光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2011年
4期
878-883
,共6页
高恒振%万建伟%粘永健%王力宝%徐湛
高恆振%萬建偉%粘永健%王力寶%徐湛
고항진%만건위%점영건%왕력보%서담
高光谱图像%图像融合%数学形态学%组合核函数%支持向量机
高光譜圖像%圖像融閤%數學形態學%組閤覈函數%支持嚮量機
고광보도상%도상융합%수학형태학%조합핵함수%지지향량궤
针对高光谱图像分类,提出了-种利用组合核函数融合目标光谱域和空域信息的支持向量机学习算法.该算法首先用主成分分析方法对高光谱图像进行特征提取和降维,用虚拟维数估计策略预估原始图像的本征维数,并且在预估的基础上确定要保留的主成份分量数目;然后用数学形态学操作在选取的主分量图像上提取目标的形态信息,得到扩展的空域形态矢量.最后,通过不同的组合策略,构造组合核函数,从而在分类器中引入空域信息,和原有的谱域信息一起,利用支持向量机进行分类.高光谱数据实验表明,在训练时间没有显著差别的情况下,总体分类精度和Kappa系数均提高了2%左右.实验表明,本文提出的方法较单独使用谱域或空域信息进行分类具有一定的优越性.
針對高光譜圖像分類,提齣瞭-種利用組閤覈函數融閤目標光譜域和空域信息的支持嚮量機學習算法.該算法首先用主成分分析方法對高光譜圖像進行特徵提取和降維,用虛擬維數估計策略預估原始圖像的本徵維數,併且在預估的基礎上確定要保留的主成份分量數目;然後用數學形態學操作在選取的主分量圖像上提取目標的形態信息,得到擴展的空域形態矢量.最後,通過不同的組閤策略,構造組閤覈函數,從而在分類器中引入空域信息,和原有的譜域信息一起,利用支持嚮量機進行分類.高光譜數據實驗錶明,在訓練時間沒有顯著差彆的情況下,總體分類精度和Kappa繫數均提高瞭2%左右.實驗錶明,本文提齣的方法較單獨使用譜域或空域信息進行分類具有一定的優越性.
침대고광보도상분류,제출료-충이용조합핵함수융합목표광보역화공역신식적지지향량궤학습산법.해산법수선용주성분분석방법대고광보도상진행특정제취화강유,용허의유수고계책략예고원시도상적본정유수,병차재예고적기출상학정요보류적주성빈분량수목;연후용수학형태학조작재선취적주분량도상상제취목표적형태신식,득도확전적공역형태시량.최후,통과불동적조합책략,구조조합핵함수,종이재분류기중인입공역신식,화원유적보역신식일기,이용지지향량궤진행분류.고광보수거실험표명,재훈련시간몰유현저차별적정황하,총체분류정도화Kappa계수균제고료2%좌우.실험표명,본문제출적방법교단독사용보역혹공역신식진행분류구유일정적우월성.
