光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2014年
6期
1668-1676
,共9页
刘嘉敏%罗甫林%黄鸿%刘亦哲
劉嘉敏%囉甫林%黃鴻%劉亦哲
류가민%라보림%황홍%류역철
高光谱影像分类%流形学习%局部线性嵌入%相关近邻%相关最近邻分类器
高光譜影像分類%流形學習%跼部線性嵌入%相關近鄰%相關最近鄰分類器
고광보영상분류%류형학습%국부선성감입%상관근린%상관최근린분류기
hyperspectral image classification%manifold learning%Locally Linear Embedding (LLE)%Correlation Neighbor(CN)%Correlation Nearest Neighbor(CNN) classifier
传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定.针对此问题,本文提出了相关近邻(CN)LIE(CN-LLE)和相关最近邻分类(CNN)算法.提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类.在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明:本文提出的CN-LLE+ CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11％～11.55％,Kappa系数提升了o.026～0.143.由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类.
傳統的跼部線性嵌入(LLE)算法需用歐氏距離度量近鄰,但歐氏距離隻錶示兩點間的直線距離,在高維空間中不一定能反映數據間的真實空間分佈,導緻近鄰選取不穩定.針對此問題,本文提齣瞭相關近鄰(CN)LIE(CN-LLE)和相關最近鄰分類(CNN)算法.提齣的算法首先利用相關繫數度量數據間的近鄰,實現更準確的跼部重構,提取鑒彆特徵;然後用CNN對低維嵌入特徵進行分類.在KSC和Indian Pine高光譜遙感數據集上的地物分類實驗結果錶明:本文提齣的CN-LLE+ CNN算法比LLE、LLE+CNN和CN-LLE等算法的總分類精度提升瞭2.11％～11.55％,Kappa繫數提升瞭o.026～0.143.由于該算法增加瞭近鄰為同類的概率,便于更有效地提取同類數據的鑒彆特徵,且有更好的穩定性,故能更有效地實現高光譜遙感數據的地物分類.
전통적국부선성감입(LLE)산법수용구씨거리도량근린,단구씨거리지표시량점간적직선거리,재고유공간중불일정능반영수거간적진실공간분포,도치근린선취불은정.침대차문제,본문제출료상관근린(CN)LIE(CN-LLE)화상관최근린분류(CNN)산법.제출적산법수선이용상관계수도량수거간적근린,실현경준학적국부중구,제취감별특정;연후용CNN대저유감입특정진행분류.재KSC화Indian Pine고광보요감수거집상적지물분류실험결과표명:본문제출적CN-LLE+ CNN산법비LLE、LLE+CNN화CN-LLE등산법적총분류정도제승료2.11％～11.55％,Kappa계수제승료o.026～0.143.유우해산법증가료근린위동류적개솔,편우경유효지제취동류수거적감별특정,차유경호적은정성,고능경유효지실현고광보요감수거적지물분류.
