高光譜遙感可以得到更精確與豐富的遙感信息,因此涵蓋了各國家的航空、航天以及小范圍的地面觀測的多個層級與環(huán)節(jié),在對地觀測遙感領域占有不可取代的地位。但高光譜數(shù)據(jù)集往往非常龐大,且包含冗余信息,為后續(xù)處理帶來了不便。該研究選用拉普拉斯特征映射對高光譜數(shù)據(jù)降維與特征提取,并提出了一種權(quán)重樸素貝葉斯分類算法。通過獎勵權(quán)重的方法對經(jīng)典樸素貝葉斯分類器進行了改進,利用公開數(shù)據(jù)對算法進行驗證,判別地物信息準確率達到92.7%,相比于傳統(tǒng)方法有了大幅度的提高。 

【文章來源】：分析測試學報. 2020,39(10)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

高光譜數(shù)據(jù)降維方法的比較

印度松樹場景包含三分之二的農(nóng)業(yè)和三分之一的森林或其他天然多年生植被。有兩條主要雙車道高速公路,一條鐵路線,以及一些低密度住房、其他建筑結(jié)構(gòu)和較小的道路。由于6月份出現(xiàn)了部分作物,玉米、大豆處于早期增長階段,覆蓋率低于5%�？捎玫幕臼聦嵄环譃�16個類別,并不完全相互排斥。按真實地物信息(True ground)標記各個地物類別,得到分布圖如圖3A所示,圖3B為相機所拍攝得到的目標區(qū)域照片,后續(xù)以此為標準對本文算法進行驗證。上述16種地物種類的平均光譜如圖4所示。由圖4中可以看到,相比于普通遙感圖像,高光譜數(shù)據(jù)因具有不同地物像素點的光譜維度信息,更豐富的信息為更加準確的地物分類提供了可能與基礎。圖4 16種地物目標的平均光譜

16種地物目標的平均光譜


本文編號：3556327