高光譜圖像的眾多波段為地物分類提供了充分的特征信息,同時也為如何有效利用這些特性帶來難題。為了充分利用高光譜圖像的光譜信息實現(xiàn)地物目標(biāo)的精確分類,根據(jù)其像素光譜曲線所呈現(xiàn)出的多峰特性,提出一種基于加權(quán)指數(shù)函數(shù)模型（Weighted Exponential Function, WEF）)的高光譜圖像分類方法。首先,采用WEF建立像素光譜曲線的理想模型,其中WEF模型由多個具有不同權(quán)重的指數(shù)函數(shù)相加而成。由于該模型中參數(shù)較多,導(dǎo)致參數(shù)求解較為困難。因此,為簡單起見固定所有像素WEF模型中的峰值位置,并將由所有峰值位置構(gòu)建矢量集。然后,根據(jù)最小二乘原理求解WEF模型的參數(shù),以擬合光譜曲線。利用求得的參數(shù)集代替光譜測度矢量作為像素特征。最后,采用模糊C均值（Fuzzy C-means, FCM）算法實現(xiàn)圖像分類。為了驗證提出方法的可行性和有效性,分別以提出的分類方法、基于主成分分析（Principal Component Analysis,PCA）的分類方法、基于最小噪聲分離（Minimum Noise Fraction, MNF）的分類方法和以光譜測度矢量為分類特征的FCM方法對Salina... 

【文章來源】：地球信息科學(xué)學(xué)報. 2020,22(08)北大核心

【文章頁數(shù)】：12 頁

【部分圖文】：

不同的峰值位置、權(quán)重和峰寬的指數(shù)函數(shù)曲線

任意曲線擬合結(jié)果

對所提出的算法中各部分的時間復(fù)雜度進(jìn)行分析，首先利用最小二乘法對每一個像素進(jìn)行擬合的時間復(fù)雜度為O(L3）；其次，整幅圖像擬合的時間隨著像素數(shù)量的不斷增加而增加，復(fù)雜度成線性函數(shù)為O(n）；最后，在分類中利用的FCM算法的時間復(fù)雜度為O(n3log2n）。綜上，提出算法的整體時間復(fù)雜度為多項式時間，因此從算法時間上說提出算法具有實用性。在實際使用中，通過設(shè)計優(yōu)化的程序，即可提高算法效率。圖5 選取步長與時間和擬合精度的關(guān)系

【參考文獻(xiàn)】：
期刊論文
[1]基于空譜加權(quán)近鄰的高光譜圖像分類算法[J]. 紀(jì)磊,張欣,張麗梅,文章.  激光與光電子學(xué)進(jìn)展. 2020(06)
[2]海面溢油無人機高光譜遙感檢測與厚度估算方法[J]. 任廣波,過杰,馬毅,羅旭東.  海洋學(xué)報. 2019(05)
[3]高光譜信息的農(nóng)林植被種類區(qū)分[J]. 虞佳維,程志慶,張勁松,王鶴松,蔣躍林,楊書運.  光譜學(xué)與光譜分析. 2018(12)
[4]基于條件隨機場的高光譜遙感影像農(nóng)作物精細(xì)分類[J]. 余銘,魏立飛,尹峰,李丹丹,黃慶彬.  中國農(nóng)業(yè)信息. 2018(03)
[5]聚類與自適應(yīng)波段選擇結(jié)合的高光譜圖像降維[J]. 張悅,官云蘭.  遙感信息. 2018(02)
[6]三維卷積神經(jīng)網(wǎng)絡(luò)模型聯(lián)合條件隨機場優(yōu)化的高光譜遙感影像分類[J]. 李竺強,朱瑞飛,高放,孟祥玉,安源,鐘興.  光學(xué)學(xué)報. 2018(08)
[7]深度學(xué)習(xí)在高光譜圖像分類領(lǐng)域的研究現(xiàn)狀與展望[J]. 張?zhí)栧?李映,姜曄楠.  自動化學(xué)報. 2018(06)
[8]成像光譜技術(shù)的古畫隱藏信息提取[J]. 郭新蕾,張立福,吳太夏,張紅明,羅旭東.  中國圖象圖形學(xué)報. 2017(10)
[9]一種定標(biāo)缺失情況下的高光譜目標(biāo)識別方法[J]. 羅素群,郭寶峰,沈宏海,楊名宇.  火力與指揮控制. 2017(06)
[10]地物波譜數(shù)據(jù)庫建設(shè)進(jìn)展及應(yīng)用現(xiàn)狀[J]. 張瑩彤,肖青,聞建光,游冬琴,竇寶成,唐勇,彭實.  遙感學(xué)報. 2017(01)



本文編號：3076624