1 武汉大学测绘遥感信息工程国家重点实验室, 武汉 430079
2 武汉大学计算机学院, 武汉 430079
针对传统融合空间和光谱特征方法仅使用单一空间特征, 并未充分利用其双高分辨率的特点, 提出了一种基于纹理特征和形态学特征融合的高光谱影像分类方法.首先利用传统主成份分析变换降低高光谱影像的维数, 消除空间相关性, 然后对每一主成分采用灰度共生矩阵提取纹理特征, 获得扩展纹理特征, 最后结合形态学特征和部分光谱特征进行高光谱影像的分类.实验证明, 本文提出的方法能更好地克服传统光谱特征分类的局限性, 提高高光谱影像的分类准确度.
主成分分析 形态学特征 纹理特征 高光谱 灰度共生矩阵 Principle component analysis Extend morphological profile Texture feature Hyperspectral Gray level co-occurrence matrix
1 武汉大学 计算机学院, 武汉 430072
2 武汉大学 测绘遥感信息工程国家重点实验室, 武汉 430072
本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点, 引入改进的流形学习方法对高光谱遥感数据进行降维处理, 以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息, 将输入样本的类别信息加入到常规流形学习方法的框架中, 从本质上提高输出的特征在低维空间中的判别力.同时, 引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明, 基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.
流形学习 高光谱降维 分类 Manifold learning Hyperspectral dimensional reduction Classification
