【摘要】：針對單一的濾波器提取高光譜圖像空間紋理信息時不能獲得完整的圖像特征的不足,提出一種結(jié)合雙邊濾波和域轉(zhuǎn)換標準卷積濾波的高光譜圖像分類算法.該方法采用空間信息自適應(yīng)融合的分類尋優(yōu),先對高光譜波段進行抽樣分組,再用雙邊濾波和域轉(zhuǎn)換標準卷積濾波對分組后的波段進行濾波,兩種空間信息進行線性融合后交由支持向量機完成分類.實驗表明,相比使用光譜信息、高光譜降維、空譜結(jié)合的支持向量機分類方法和邊緣保持濾波以及遞歸濾波的方法,本文所提算法對高光譜圖像的分類精度有較大提高,在訓練樣本僅為5%和3%的情況下,對印第安農(nóng)林和帕維亞大學圖像的總體分類精度分別達到了96.95%和97.89%,比其他算法高出213個百分點,驗證了該方法在高光譜圖像分類的有效性.
[Abstract]:In order to solve the problem that a single filter can not obtain complete image features when extracting spatial texture information from hyperspectral images, a hyperspectral image classification algorithm combining bilateral filtering and domain conversion standard convolution filtering is proposed. In this method, the classification and optimization of spatial information adaptive fusion are adopted. The hyperspectral bands are sampled and grouped first, and then the band after grouping is filtered by bilateral filtering and domain conversion standard convolution filtering. After linear fusion, the two spatial information are classified by support vector machine (SVM). The experimental results show that the proposed algorithm improves the classification accuracy of hyperspectral images greatly compared with the support vector machine classification method based on spectral information, hyperspectral dimensionality reduction, space-spectrum combination, edge preserving filtering and recursive filtering. When the training samples are only 5% and 3%, the overall classification accuracy of Indian agriculture, forestry and Pavia University images is 96.95% and 97.89% respectively, which is 213 percentage points higher than that of other algorithms. The validity of this method in hyperspectral image classification is verified.
【作者單位】： 廣東交通職業(yè)技術(shù)學院計算機工程學院;哈爾濱工程大學信息與通信工程學院;
【基金】：國家自然科學基金項目(Nos.61275010,61675051) 廣東省高等職業(yè)教育品牌專業(yè)建設(shè)項目(No.2016gzpp044)資助~~
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學學報(自然科學版);2012年02期

2 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測中的研究進展[J];食品研究與開發(fā);2013年10期

3 張綺瑋;機載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

4 陳雷;張曉林;劉榮科;雷志東;;光譜去相關(guān)技術(shù)在高光譜圖像小波壓縮中的應(yīng)用[J];光譜學與光譜分析;2010年06期

5 孫潔;周立儉;;遺傳模塊化神經(jīng)網(wǎng)絡(luò)的航空高光譜赤潮監(jiān)測[J];計算機仿真;2012年05期

6 蘇令華;衣同勝;萬建偉;;基于獨立分量分析的高光譜圖像壓縮[J];光子學報;2008年05期

7 趙桂林;朱啟兵;黃敏;;高光譜的有監(jiān)督Isomap-SVM蘋果粉質(zhì)化分類[J];激光與光電子學進展;2011年10期

8 吳瑞梅;吳彥紅;艾施榮;劉木華;趙杰文;嚴霖元;;茶葉外形品質(zhì)的高光譜圖像量化分析[J];江西農(nóng)業(yè)大學學報;2013年02期

9 艾施榮;吳瑞梅;吳彥紅;嚴霖元;;利用高光譜圖像技術(shù)鑒別廬山云霧茶產(chǎn)地[J];江西農(nóng)業(yè)大學學報;2014年02期

10 洪恒;何明一;;一種適于高光譜圖像壓縮的相關(guān)系數(shù)矩陣近似計算算法[J];電子設(shè)計工程;2013年12期

相關(guān)會議論文 前1條

1 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

相關(guān)博士學位論文 前10條

1 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學技術(shù)大學;2014年

2 魏然;基于成像機理分析的高光譜圖像信息恢復研究[D];哈爾濱工業(yè)大學;2015年

3 孫濤;快速多核學習分類研究及應(yīng)用[D];西安電子科技大學;2015年

4 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學;2015年

5 高放;高光譜圖像無損預(yù)測壓縮技術(shù)研究[D];吉林大學;2016年

6 陳雨時;基于光譜特性的高光譜圖像壓縮方法研究[D];哈爾濱工業(yè)大學;2007年

7 石吉勇;基于高光譜圖像技術(shù)的設(shè)施栽培作物營養(yǎng)元素虧缺診斷研究[D];江蘇大學;2012年

8 肖光潤;基于函數(shù)型數(shù)據(jù)分析的高光譜圖像分類研究[D];華中科技大學;2014年

9 許毅平;基于高光譜圖像多特征分析的目標提取研究[D];華中科技大學;2008年

10 王曉飛;高光譜圖像分辨率增強及在小目標檢測中的應(yīng)用研究[D];哈爾濱工業(yè)大學;2011年

相關(guān)碩士學位論文 前10條

1 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學;2015年

2 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學;2015年

3 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學;2015年

4 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學;2015年

5 劉攀;基于非負矩陣分解的高光譜圖像特征提取與分類算法研究[D];哈爾濱工業(yè)大學;2015年

6 趙宗然;快速無損高光譜圖像壓縮算法的研究[D];哈爾濱工業(yè)大學;2015年

7 王丹楓;基于在線字典學習的高光譜圖像壓縮技術(shù)研究[D];哈爾濱工業(yè)大學;2015年

8 任宇;基于空譜結(jié)構(gòu)性挖掘的高光譜圖像分類方法研究[D];西安電子科技大學;2014年

9 胡子帆;基于分類DCT的高光譜有損壓縮算法研究[D];西安電子科技大學;2014年

10 宋強;基于半監(jiān)督學習的高光譜圖像分類方法研究[D];西安電子科技大學;2014年

，

本文編號：2231272