本文選題：形態(tài)學(xué)屬性剖面　切入點(diǎn)：集成學(xué)習(xí)　出處：《遙感技術(shù)與應(yīng)用》2016年04期 　論文類型：期刊論文

【摘要】：傳統(tǒng)高光譜遙感影像逐像素分類方法未考慮像元之間的空間關(guān)聯(lián)性且泛化性能較低。形態(tài)學(xué)屬性剖面是表征影像空間結(jié)構(gòu)的有效方法,同時(shí)集成學(xué)習(xí)可顯著提升分類算法的泛化能力。為了在高光譜影像分類中充分利用影像的空間信息并提高分類的穩(wěn)定性,提出一種基于形態(tài)學(xué)屬性剖面高光譜遙感影像集成學(xué)習(xí)分類方法。首先,用主成分分析和最小噪聲變換進(jìn)行特征提取,并借助形態(tài)學(xué)屬性剖面獲取影像的多重空間特征;然后用極限學(xué)習(xí)和支持向量機(jī)的方法進(jìn)行分類;最后將多個(gè)分類結(jié)果以多數(shù)投票的方式集成。區(qū)別于已有集成學(xué)習(xí)方法,綜合考慮了不同特征提取和不同分類方法的聯(lián)合集成,并將形態(tài)學(xué)屬性剖面引入其中以充分利用影像的空間信息。采用AVIRIS和ROSIS兩組高光譜數(shù)據(jù)檢驗(yàn)該方法的分類性能,實(shí)驗(yàn)結(jié)果表明該方法可獲得高精度和高穩(wěn)定性的分類結(jié)果,總體精度分別達(dá)到83.41%和95.14%。
[Abstract]:Traditional hyperspectral remote sensing image pixel by pixel classification method does not take into account the spatial correlation among pixels and its generalization performance is low. Morphological attribute profile is an effective method to characterize the spatial structure of the image. In order to make full use of spatial information in hyperspectral image classification and improve the stability of classification, ensemble learning can significantly improve the generalization ability of classification algorithm. An integrated learning method based on morphological attribute profile hyperspectral remote sensing image is proposed. Firstly, feature extraction is performed by principal component analysis (PCA) and minimum noise transform (MNT), and multiple spatial features of the image are obtained by morphological attribute profile. Then we use the method of limit learning and support vector machine to classify. Finally, we integrate the classification results by majority vote. Different from the existing integrated learning methods, we consider the different feature extraction and the joint integration of different classification methods. The morphological attribute profile is introduced to make full use of the spatial information of the image. Two groups of hyperspectral data, AVIRIS and ROSIS, are used to test the classification performance of the method. The experimental results show that the proposed method can obtain high accuracy and high stability classification results. The overall accuracy reached 83.41% and 95.14 respectively.
【作者單位】： 天津市地質(zhì)調(diào)查研究院;衛(wèi)星測(cè)繪技術(shù)與應(yīng)用國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室南京大學(xué);江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室南京大學(xué);
【基金】：江蘇省杰出青年基金項(xiàng)目(BK2012018) 國(guó)家重大科學(xué)儀器設(shè)備開(kāi)發(fā)專項(xiàng)(012YQ050250)資助
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

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

3 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(píng)價(jià)[J];光譜學(xué)與光譜分析;2013年09期

4 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(bào)(信息科學(xué)版);2006年03期

5 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(cè)與提取(英文)[J];光子學(xué)報(bào);2008年01期

6 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

7 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(cè)繪學(xué)報(bào);2008年01期

8 楊國(guó)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(jì)算機(jī)工程與設(shè)計(jì);2008年08期

9 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(bào);2010年06期

10 董超;田聯(lián)房;趙慧潔;;遺傳關(guān)聯(lián)向量機(jī)高光譜影像分類[J];上海交通大學(xué)學(xué)報(bào);2011年10期

相關(guān)會(huì)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(shù)與應(yīng)用——中國(guó)科協(xié)2002年學(xué)術(shù)年會(huì)測(cè)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(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀(jì)松;楊靖宇;;一種基于極大后驗(yàn)估計(jì)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(huì)議論文集[C];2008年

4 董廣軍;紀(jì)松;朱朝杰;;基于局部線性嵌入流形學(xué)習(xí)的高光譜影像分類技術(shù)[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)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(zāi)衛(wèi)星高光譜數(shù)據(jù)預(yù)處理[A];第十二屆全國(guó)數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會(huì)論文集[C];2013年

6 黃遠(yuǎn)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(huì)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(guó)遙感大會(huì)摘要集[C];2010年

8 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(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

9 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(guó)地震學(xué)會(huì)空間對(duì)地觀測(cè)專業(yè)委員會(huì)2013年學(xué)術(shù)研討會(huì)論文摘要集[C];2013年

10 李飛;周成虎;陳榮國(guó);;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(guó)科學(xué)院博士后學(xué)術(shù)年會(huì)暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會(huì)議程序冊(cè)[C];2010年

相關(guān)博士學(xué)位論文 前8條

1 劉軻;冬小麥葉面積指數(shù)高光譜遙感反演方法研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

2 楊國(guó)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

3 路威;面向目標(biāo)探測(cè)的高光譜影像特征提取與分類技術(shù)研究[D];中國(guó)人民解放軍信息工程大學(xué);2005年

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

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

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

7 韋瑋;基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D];中國(guó)林業(yè)科學(xué)研究院;2011年

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

相關(guān)碩士學(xué)位論文 前10條

1 司海青;含水量對(duì)土壤有機(jī)質(zhì)含量高光譜估算的影響研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

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

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

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

5 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長(zhǎng)安大學(xué);2007年

6 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

7 楊國(guó)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

8 楊明;面向分類的高光譜影像特征提取技術(shù)研究[D];解放軍信息工程大學(xué);2012年

9 潘競(jìng)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

10 張麗;基于投影尋蹤的高光譜影像特征提取與自動(dòng)識(shí)別技術(shù)研究[D];長(zhǎng)安大學(xué);2006年

，

本文編號(hào)：1556756