本文關鍵詞：基于分層稀疏表示特征學習的高光譜圖像分類研究，由筆耕文化傳播整理發(fā)布。

【摘要】：提出一種基于分層稀疏表示特征學習的方法即分層判別特征學習算法對高光譜圖像進行分類,在兩層的分層結構中用空間金字塔匹配模型在每層的稀疏編碼上用最大池化方法學習得到判別特征,用分層判別特征學習得到的特征表示對于分類更穩(wěn)健、判別性更好。在兩個高光譜數(shù)據(jù)集上評價該方法,結果表明,該方法具有更好的分類精度。
【作者單位】： 遼寧工程技術大學電子與信息工程學院;大連理工大學計算機科學與技術學院;
【關鍵詞】： 遙感 高光譜圖像分類 特征學習 稀疏表示
【基金】：國家自然科學基金(61402212) 國家科技支撐計劃(2013BAH12F00)
【分類號】：TP751
【正文快照】： 高光譜傳感器的發(fā)展取得了顯著的進步,帶來了農業(yè)監(jiān)控、環(huán)境污染監(jiān)測和目標檢測方面的革命[1-2]。利用高光譜圖像進行土地覆蓋分類是各種應用中一個重要的任務。然而高光譜數(shù)據(jù)的復雜特性給高光譜圖像分類的準確性帶來挑戰(zhàn)。大量的光譜波段與相應的光譜信息給高光譜圖像分類帶

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 金煒;符冉迪;葉明;;過完備字典稀疏表示的云圖超分辨率算法[J];遙感學報;2012年02期

2 宋相法;焦李成;;基于稀疏表示及光譜信息的高光譜遙感圖像分類[J];電子與信息學報;2012年02期

3 劉建軍;吳澤彬;韋志輝;肖亮;孫樂;;基于空間相關性約束稀疏表示的高光譜圖像分類[J];電子與信息學報;2012年11期

4 秦振濤;楊武年;潘佩芬;;基于稀疏表示和自適應字典學習的“高分一號”遙感圖像去噪[J];光電工程;2013年09期

5 殷飛;焦李成;;基于旋轉擴展和稀疏表示的魯棒遙感圖像目標識別[J];模式識別與人工智能;2012年01期

6 趙春暉;李曉慧;朱海峰;;空間4-鄰域稀疏表示的高光譜圖像目標檢測[J];哈爾濱工程大學學報;2013年09期

7 ;北方工業(yè)大學學報第25卷2013年總目次[J];北方工業(yè)大學學報;2013年04期

8 王雷;金煒;何艷;;采用冗余字典稀疏表達的紅外與水汽云圖融合[J];寧波大學學報(理工版);2014年03期

9 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 李濤;遙感影像稀疏表示中的字典學習算法及其應用[D];華中科技大學;2015年

2 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學;2015年

中國碩士學位論文全文數(shù)據(jù)庫 前6條

1 郝曉婷;基于學習字典稀疏表示的遙感圖像分類算法研究與應用[D];北方民族大學;2014年

2 付歡;高光譜圖像的稀疏表示和壓縮算法研究[D];河北大學;2014年

3 程丹丹;基于自適應稀疏表示的振動信號壓縮采樣研究與應用[D];寧波大學;2015年

4 王莎;自適應優(yōu)化稀疏表示的遙感圖像壓縮重構研究[D];浙江大學;2014年

5 查方興;基于稀疏表示和空間約束的高光譜遙感圖像分類方法研究[D];西安電子科技大學;2014年

6 步曉亮;基于稀疏表示的高空間分辨率遙感影像紋理描述方法的研究[D];上海交通大學;2012年

  本文關鍵詞：基于分層稀疏表示特征學習的高光譜圖像分類研究，，由筆耕文化傳播整理發(fā)布。

本文編號：422521