本文選題：高光譜影像 + 頻率域變換�。� 參考：《計算機應(yīng)用研究》2017年05期

【摘要】：對于高光譜影像存在高維非線性、數(shù)據(jù)冗余多、純訓(xùn)練樣本難以提取等不足,引入頻率域空間的諧波分析(harmonic analysis,HA)理論并提出了一種高光譜影像的HA-Bayes監(jiān)督分類方法。該方法在保持高光譜數(shù)據(jù)空—譜特性不變的情況下,從光譜維角度分析不同分解層的影像光譜諧波特征,將高光譜影像變換成由諧波能量譜組成的頻率域特征矢量信息。通過建立諧波能量譜特征向量的先驗知識,實現(xiàn)Bayes準則下諧波能量譜特征矢量信息判別與分類,最終實現(xiàn)高光譜影像分類。將此方法應(yīng)用到ROSIS高光譜影像分類時獲得的分類總體精度達85.5%,Kappa系數(shù)也達到了0.812。進一步實驗也證明了頻率域的諧波分析在高光譜遙感影像特征提取與分類方面具有更好的優(yōu)勢和潛力。
[Abstract]:For hyperspectral images with high dimensional nonlinearity, high data redundancy and difficulty in extracting pure training samples, the theory of harmonic analysis in frequency domain is introduced and a HA-Bayes supervised classification method for hyperspectral images is proposed.Under the condition of keeping the space-spectrum characteristics of hyperspectral data unchanged, the spectral harmonic characteristics of different decomposition layers are analyzed from the perspective of spectral dimension, and the hyperspectral image is transformed into the characteristic vector information in frequency domain composed of harmonic energy spectrum.By establishing the prior knowledge of the characteristic vector of harmonic energy spectrum, we can distinguish and classify the characteristic vector information of harmonic energy spectrum under Bayes criterion, and finally realize the classification of hyperspectral image.When this method is applied to the classification of ROSIS hyperspectral images, the overall accuracy of the classification is up to 85. 5% and the coefficient of Kappa is 0. 812.Further experiments also prove that harmonic analysis in frequency domain has better advantages and potential in feature extraction and classification of hyperspectral remote sensing images.
【作者單位】： 中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項目(41271436) 中央高校基本科研業(yè)務(wù)費專項資金資助項目(2009QD02)
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

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

2 余旭初;楊國鵬;馮伍法;周欣;;基于簡約集支持向量機的高光譜影像分類[J];計算機科學(xué);2010年11期

3 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(信息科學(xué)版);2006年03期

4 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(xué)報;2008年01期

5 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

6 楊可明;李慧;郭達志;;基于最佳小波包基的高光譜影像特征制圖[J];測繪學(xué)報;2008年01期

7 楊國鵬;余旭初;劉偉;陳偉;;基于支持向量機的高光譜影像分類研究[J];計算機工程與設(shè)計;2008年08期

8 董超;趙慧潔;;關(guān)聯(lián)向量機在高光譜影像分類中的應(yīng)用[J];遙感學(xué)報;2010年06期

9 馮海亮;潘競文;黃鴻;;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應(yīng)用[J];計算機科學(xué);2014年S1期

10 杜輝強;舒寧;;高光譜影像能量邊緣提取[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2006年02期

相關(guān)會議論文 前4條

1 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(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

2 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

3 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標提取[A];中國地震學(xué)會空間對地觀測專業(yè)委員會2013年學(xué)術(shù)研討會論文摘要集[C];2013年

4 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(xué)院博士后學(xué)術(shù)年會暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會議程序冊[C];2010年

相關(guān)博士學(xué)位論文 前1條

1 楊國鵬;基于機器學(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

相關(guān)碩士學(xué)位論文 前7條

1 張風(fēng);基于子空間學(xué)習(xí)的高光譜影像地物分類[D];西安電子科技大學(xué);2015年

2 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

3 楊國鵬;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

4 潘競文;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

5 徐衛(wèi)霄;高光譜影像集成學(xué)習(xí)分類及后處理技術(shù)研究[D];解放軍信息工程大學(xué);2011年

6 聞兵工;地物光譜特征分析技術(shù)研究[D];解放軍信息工程大學(xué);2009年

7 陳偉;高光譜影像混合像元分解技術(shù)研究[D];解放軍信息工程大學(xué);2009年

，

本文編號：1735173