本文選題：高光譜影像 + 半監(jiān)督學(xué)習(xí)��； 參考：《測繪科學(xué)技術(shù)學(xué)報》2016年03期

【摘要】：針對高光譜影像特征提取中地物類別訓(xùn)練樣本獲取代價較高的情況,在線性判別分析的基礎(chǔ)上,結(jié)合核方法和半監(jiān)督學(xué)習(xí)理論,提出了一種基于核半監(jiān)督判別分析(KSDA)的高光譜影像特征提取方法。該方法同時利用少量已知類別和大量未知類別樣本數(shù)據(jù)進(jìn)行模型的學(xué)習(xí)和訓(xùn)練。通過OMIS高光譜影像數(shù)據(jù)實驗表明:在少量已知類別訓(xùn)練樣本的條件下,經(jīng)KSDA特征提取的樣本數(shù)據(jù)在特征空間中能更好地聚集成團(tuán),且類別之間的距離較大,增加了類別之間的可分性,得到了較高的分類精度;同時,提取的特征影像能夠較好地區(qū)分各種地物類別。
[Abstract]:In order to solve the problem of high cost in feature extraction of hyperspectral image, this paper combines kernel method and semi-supervised learning theory based on linear discriminant analysis (LDA). A method for feature extraction of hyperspectral images based on kernel semi-supervised discriminant analysis (KSDA) is proposed. The method uses both a small number of known categories and a large number of unknown class samples for model learning and training. The experimental results of OMIS hyperspectral image data show that under the condition of a small number of training samples of known categories, the sample data extracted by KSDA features can better gather into clusters in the feature space, and the distance between the categories is larger. It increases the separability among the categories and obtains a higher classification accuracy. At the same time, the extracted feature images can distinguish all kinds of ground objects better.
【作者單位】： 信息工程大學(xué);地理信息工程國家重點(diǎn)實驗室;
【基金】：地理信息工程國家重點(diǎn)實驗室開放研究基金項目(SKLGIE2015-M-3-2) 衛(wèi)星測繪技術(shù)與應(yīng)用國家測繪地理信息局重點(diǎn)實驗室經(jīng)費(fèi)項目(KLSMTA-201603)
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 甘甫平;王潤生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國土資源遙感;2007年04期

2 余旭初;楊國鵬;馮伍法;周欣;;基于簡約集支持向量機(jī)的高光譜影像分類[J];計算機(jī)科學(xué);2010年11期

3 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2006年03期

4 楊可明;陳云浩;郭達(dá)志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測與提取(英文)[J];光子學(xué)報;2008年01期

5 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

6 楊可明;李慧;郭達(dá)志;;基于最佳小波包基的高光譜影像特征制圖[J];測繪學(xué)報;2008年01期

7 楊國鵬;余旭初;劉偉;陳偉;;基于支持向量機(jī)的高光譜影像分類研究[J];計算機(jī)工程與設(shè)計;2008年08期

8 董超;趙慧潔;;關(guān)聯(lián)向量機(jī)在高光譜影像分類中的應(yīng)用[J];遙感學(xué)報;2010年06期

9 馮海亮;潘競文;黃鴻;;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應(yīng)用[J];計算機(jī)科學(xué);2014年S1期

10 杜輝強(qiáng);舒寧;;高光譜影像能量邊緣提取[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2006年02期

相關(guān)會議論文 前4條

1 于美嬌;董廣軍;張永生;紀(jì)松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強(qiáng)方法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

2 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

3 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標(biāo)提取[A];中國地震學(xué)會空間對地觀測專業(yè)委員會2013年學(xué)術(shù)研討會論文摘要集[C];2013年

4 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學(xué)院博士后學(xué)術(shù)年會暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會議程序冊[C];2010年

相關(guān)博士學(xué)位論文 前1條

1 楊國鵬;基于機(jī)器學(xué)習(xí)方法的高光譜影像分類研究[D];解放軍信息工程大學(xué);2010年

相關(guān)碩士學(xué)位論文 前6條

1 祝鵬飛;面向?qū)ο蟮母吖庾V影像地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2011年

2 楊國鵬;基于核方法的高光譜影像分類與特征提取[D];解放軍信息工程大學(xué);2007年

3 潘競文;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應(yīng)用[D];重慶大學(xué);2014年

4 徐衛(wèi)霄;高光譜影像集成學(xué)習(xí)分類及后處理技術(shù)研究[D];解放軍信息工程大學(xué);2011年

5 聞兵工;地物光譜特征分析技術(shù)研究[D];解放軍信息工程大學(xué);2009年

6 陳偉;高光譜影像混合像元分解技術(shù)研究[D];解放軍信息工程大學(xué);2009年

，

本文編號：1826532