【摘要】：提出一種稀疏自表達方法來研究高光譜影像分類中的波段選擇問題。該方法利用字典矩陣等于測量矩陣的條件來改進多觀測向量的稀疏表達模型,將波段子集看作高光譜影像波段集合中的代表子集。稀疏自表達方法將波段選擇轉換為尋求多觀測向量中稀疏系數矩陣的非零行向量問題,通過引入混合范數來限定非零元素行向量的個數,利用快速交替方向乘子方法求解稀疏系數矩陣,并聚類非零行向量,實現波段的有效選擇�；趦蓚�公開高光譜影像數據集并對比其他4種波段選取方法來驗稀疏自表達方法。實驗結果證明,稀疏自表達方法能夠在計算效率明顯優(yōu)于基于波段相關性的線性限制最小方差方法的同時,取得與該方法和非負稀疏矩陣分解方法相匹甚至略高的總體分類精度。
[Abstract]:A sparse self-representation method is proposed to study the band selection in hyperspectral image classification. The sparse representation model of multi-observation vectors is improved by using the condition that the dictionary matrix is equal to the measurement matrix, and the band subset is regarded as the representative subset in the band set of hyperspectral images. The sparse self-representation method transforms the band selection into the nonzero row vector problem which seeks the sparse coefficient matrix in the multi-observation vector, and defines the number of the non-zero element row vectors by introducing the mixed norm. The sparse coefficient matrix is solved by using the fast alternating direction multiplier method and the nonzero row vector is clustered to realize the effective band selection. Based on two open hyperspectral image data sets and comparing with the other four band selection methods, a sparse self-representation method is tested. The experimental results show that the sparse self-representation method is more efficient than the linear constrained minimum variance method based on band correlation. Compared with this method and the non-negative sparse matrix decomposition method, the overall classification accuracy is even higher.
【作者單位】： 航空遙感技術國家測繪地理信息局重點實驗室;寧波大學建筑工程與環(huán)境學院;武漢大學測繪遙感信息工程國家重點實驗室;上海師范大學城市發(fā)展研究院;
【基金】：國家自然科學基金(41671342,41401389) 航空遙感技術國家測繪地理信息局重點實驗室經費資助課題(2015B12) 中國博士后科學基金(2016T90732,2015M570668) 浙江省科技廳公益項目(2016C33021)~~
【分類號】：P237

【相似文獻】

相關期刊論文 前10條

1 范冬娟;張韶華;;高光譜影像反射率反演方法的研究[J];海洋測繪;2006年03期

2 甘甫平;王潤生;;高光譜遙感技術在地質領域中的應用[J];國土資源遙感;2007年04期

3 楊燕杰;趙英俊;秦凱;陸冬華;;高光譜影像預處理技術[J];科技導報;2013年09期

4 楊可明;張濤;王立博;錢小麗;王林偉;劉士文;;諧波分析法高光譜影像融合及其光譜信息保真度評價[J];光譜學與光譜分析;2013年09期

5 楊哲海,馮猛,張燕燕;高光譜影像處理方法的改進[J];海洋測繪;2004年04期

6 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];武漢大學學報(信息科學版);2006年03期

7 原傳綱;張廣有;吳迪;楊哲海;;面向應用的高光譜影像分類方法[J];測繪科學技術學報;2007年02期

8 楊可明;陳云浩;郭達志;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];光子學報;2008年01期

9 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研究[J];遙感技術與應用;2008年04期

10 馬莉;范文濤;;高光譜影像加權波段指數波段選擇算法[J];黑龍江科技信息;2010年04期

相關會議論文 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術與應用——中國科協2002年學術年會測繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀松;楊靖宇;;一種基于極大后驗估計的高光譜影像分辨率增強方法[A];圖像圖形技術與應用進展——第三屆圖像圖形技術與應用學術會議論文集[C];2008年

4 董廣軍;紀松;朱朝杰;;基于局部線性嵌入流形學習的高光譜影像分類技術[A];第六屆全國信息獲取與處理學術會議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災衛(wèi)星高光譜數據預處理[A];第十二屆全國數學地質與地學信息學術研討會論文集[C];2013年

6 黃遠程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國遙感大會摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數據挖掘技術研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數據融合提取城市目標提取[A];中國地震學會空間對地觀測專業(yè)委員會2013年學術研討會論文摘要集[C];2013年

10 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];第二屆中國科學院博士后學術年會暨高新技術前沿與發(fā)展學術會議程序冊[C];2010年

相關博士學位論文 前8條

1 劉軻;冬小麥葉面積指數高光譜遙感反演方法研究[D];中國農業(yè)科學院;2015年

2 楊國鵬;基于機器學習方法的高光譜影像分類研究[D];解放軍信息工程大學;2010年

3 路威;面向目標探測的高光譜影像特征提取與分類技術研究[D];中國人民解放軍信息工程大學;2005年

4 楊哲海;高光譜影像分類若干關鍵技術的研究[D];解放軍信息工程大學;2006年

5 王凱;基于多特征融合的高光譜影像地物精細分析方法研究[D];武漢大學;2013年

6 杜輝強;高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學;2004年

7 韋瑋;基于多角度高光譜CHRIS數據的濕地信息提取技術研究[D];中國林業(yè)科學研究院;2011年

8 龔鑓;基于HDA和MRF的高光譜影像同質區(qū)分析[D];武漢大學;2007年

相關碩士學位論文 前10條

1 司海青;含水量對土壤有機質含量高光譜估算的影響研究[D];中國農業(yè)科學院;2015年

2 汪重午;基于高光譜線性混合模型的地質勘查研究[D];成都理工大學;2015年

3 原娟;面向高光譜地物的在軌替代光譜定標影響因子分析[D];浙江農林大學;2015年

4 魏祥坡;高光譜影像土質要素和人工地物分類技術研究[D];解放軍信息工程大學;2015年

5 康苒;松嫩平原典型土壤有機質高光譜預測模型研究[D];東北農業(yè)大學;2016年

6 張穎;基于主動學習的高光譜影像分類[D];成都理工大學;2016年

7 張風;基于子空間學習的高光譜影像地物分類[D];西安電子科技大學;2015年

8 劉瑞香;基于多尺度局部二值模式的高光譜圖像分類算法研究[D];西安石油大學;2016年

9 董連鳳;高光譜影像預處理技術研究[D];長安大學;2007年

10 祝鵬飛;面向對象的高光譜影像地物分類技術研究[D];解放軍信息工程大學;2011年

，

本文編號：2131090