光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2014年
7期
1912-1920
,共9页
谭熊%余旭初%张鹏强%秦进春
譚熊%餘旭初%張鵬彊%秦進春
담웅%여욱초%장붕강%진진춘
混合像元分解%非线性分解%多核支持向量机%高光谱影像
混閤像元分解%非線性分解%多覈支持嚮量機%高光譜影像
혼합상원분해%비선성분해%다핵지지향량궤%고광보영상
mixed-pixel decomposition%nonlinear decomposition%Multiple Kernel Support Vetor Machine (MKSVM)%hyperspectral imagery
针对基于线性模型分解高光谱影像混合像元分解精度低,而非线性模型难以建立等问题,提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法.该方法在支持向量机的基础上,以线性加权组合核函数代替单核函数,采用简单多核学习方法迭代解算权系数来实现分类.然后,通过S型函数将分类器输出值转化为概率;将两两配对概率转换为多类后验概率.最后,利用后验概率实现高光谱影像的非线性混合像元分解.采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验,结果表明:该方法的分类精度分别提高到95.62％和91.51％,均方根误差(RMSE)最小分别为11.15％和7.55％,均小于15％.实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响,提高了分类精度.
針對基于線性模型分解高光譜影像混閤像元分解精度低,而非線性模型難以建立等問題,提齣瞭利用多覈支持嚮量機(MKSVM)的後驗概率進行高光譜影像非線性混閤像元分解的方法.該方法在支持嚮量機的基礎上,以線性加權組閤覈函數代替單覈函數,採用簡單多覈學習方法迭代解算權繫數來實現分類.然後,通過S型函數將分類器輸齣值轉化為概率;將兩兩配對概率轉換為多類後驗概率.最後,利用後驗概率實現高光譜影像的非線性混閤像元分解.採用該方法對兩組推帚式超光譜成像儀(PHI)的高光譜影像進行瞭對比實驗,結果錶明:該方法的分類精度分彆提高到95.62％和91.51％,均方根誤差(RMSE)最小分彆為11.15％和7.55％,均小于15％.實驗結果顯示提齣的方法基本消除瞭混閤像元對高光譜影像分類的影響,提高瞭分類精度.
침대기우선성모형분해고광보영상혼합상원분해정도저,이비선성모형난이건립등문제,제출료이용다핵지지향량궤(MKSVM)적후험개솔진행고광보영상비선성혼합상원분해적방법.해방법재지지향량궤적기출상,이선성가권조합핵함수대체단핵함수,채용간단다핵학습방법질대해산권계수래실현분류.연후,통과S형함수장분류기수출치전화위개솔;장량량배대개솔전환위다류후험개솔.최후,이용후험개솔실현고광보영상적비선성혼합상원분해.채용해방법대량조추추식초광보성상의(PHI)적고광보영상진행료대비실험,결과표명:해방법적분류정도분별제고도95.62％화91.51％,균방근오차(RMSE)최소분별위11.15％화7.55％,균소우15％.실험결과현시제출적방법기본소제료혼합상원대고광보영상분류적영향,제고료분류정도.
