CN103868865B - 一种基于高光谱数据信息极大化的物质最优分类识别方法 - Google Patents
一种基于高光谱数据信息极大化的物质最优分类识别方法 Download PDFInfo
- Publication number
- CN103868865B CN103868865B CN201410061232.8A CN201410061232A CN103868865B CN 103868865 B CN103868865 B CN 103868865B CN 201410061232 A CN201410061232 A CN 201410061232A CN 103868865 B CN103868865 B CN 103868865B
- Authority
- CN
- China
- Prior art keywords
- dimensionality reduction
- matrix
- row
- data
- opt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
一种基于高光谱数据信息极大化的物质最优分类识别方法,步骤为:(1)从采集到的高光谱数据中选取训练数据;(2)对训练数据依次进行零均值化、保能量降维和单元规范化预处理;(3)根据预处理数据,估算行降维维数矩阵;(4)逐行降维维数数组进行信息极大化列降维特征矩阵计算;(5)逐列降维特征矩阵进行分类器训练;(6)根据训练结果,选择最优特征矩阵和最优分类器;(7)根据所得最优特征矩阵和最优分类器对待分类的高光谱数据进行物质分类识别。本发明方法可实现从高阶统计量角度对高光谱数据进行约减,达到更高的分类效率,并且易于扩展添加新的分类器,便于生成性能更优的分类器,从而更好的进行物质分类识别。
Description
技术领域
本发明属于高光谱数据处理技术领域,涉及一种对高光谱数据进行信息极大化最优分类利用的方法,由此可以对不同的物质进行最优分类。
背景技术
高光谱遥感技术(也称作成像光谱技术)是近二十年来发展起来的一种新兴遥感技术。高光谱遥感是当今遥感技术的前沿,高光谱技术首先应用在地质矿物的识别中,而后广泛地应用在大气科学、生态、地质、水文和海洋科学中。高光谱遥感数据相对于传统的多光谱数据拥有更加丰富的光谱信息,其成功应用表明高光谱遥感较高的应用潜力。我国是少数几个拥有高光谱成像技术的国家之一,近几年来我国技术学者在矿物识别、植被遥感、赤潮监测、精准农业等多个方面展开高光谱数据应用研究,均取得了较好的效果。
高光谱遥感之所以受到世界各国遥感科学家的普遍关注,是因为高光谱遥感具有不同于传统多光谱遥感的新特点,主要表现在:①波段多——可以为每个像元提供几十、数百甚至上千个波段;②光谱范围窄——波段范围一般小于10nm;③波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱;④数据量大——随着波段数的增加,数据量成指数增加;⑤信息冗余增加——由于相邻波段高度相关,冗余信息也相对增加。因此,一些针对传统遥感数据的图像处理方法和技术,如特征提取、图像分类等技术面临挑战。
现有的高光谱数据已经能够通过多种途径快速获取,能够用于物质分类确定中。常用的高光谱数据分类方法主要是基于以最大似然法、光谱角填图、主成分分析、小波变换、人工神经网络等为代表的分类方法,在特征提取时没有考虑到训练数据中的类别信息和高阶统计特征,并非按照分类能力进行特征选择和降维,一般只能用于进行数量较少种类物质的物质分类。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供了一种分类效率高、物质识别精度高的基于高光谱数据信息极大化的物质最优分类识别方法。
本发明的技术解决方案是:一种基于高光谱数据信息极大化的物质最优分类识别方法,步骤如下:
(1)从采集到的n维高光谱数据中选取t个数据组成t×n的训练数据矩阵X训练,选取不同于X训练的s个数据组成s×n的测试数据矩阵X测试,其中t和s均为正整数;
(2)将X训练中的每一列进行零均值处理,获得数据矩阵X;然后对斜方差X*XT做特征值分解,取保V%能量的特征值对应的特征向量作为行向量构成保能量降维矩阵R,100>V≥95,利用保能量降维矩阵R对数据矩阵X进行降维获得降维数据矩阵X*;最后对降维数据矩阵X*的每一行进行单元化处理,得到p×n的数据矩阵p由V唯一确定;
(3)根据步骤(2)的结果构建的行降维维数矩阵M,M中的第i行第j列的元素M(i,j)=K*i,其中符号表示取不大于b的最大整数,K为统计步长,取值范围为1、2或者3,L为统计次数,取值范围为10~20;
(4)针对行降维维数矩阵M中的每一个元素M(i,j),分别计算信息极大化列降维特征矩阵S,具体步骤如下:
(41)取数据矩阵的前M(i,j)行生成数据矩阵D;
(42)初始化分离矩阵Wk为M(i,j)维单位阵,初始化权系数αk=1,初始化迭代记数值k=0,初始化β=0;
(43)将数据矩阵D进行一次列向量随机重排列,得到数据矩阵
(44)采用如下迭代公式更新Sk、Yk、Wk和ck,其中Yk+1=1/(1+exp(-Sk+1)),Wk+1=Wk+αk*(I+(1-2*Yk+1)*Sk+1 T)*Wk,dk+1=Wk+1-Wk,ck+1=||dk+1||,I为单位阵,符号||||表示取模运算;
(45)如果k>2则更新后进入步骤(46),否则直接进入步骤(46);
(46)如果则更新αk=αk*δ后进入步骤(47),否则直接进入步骤(47),其中0.5≤δ≤0.9;
(47)如果ck+1>ε则更新αk+1=αk*τ,k=k+1,如果k小于设定的阈值则转步骤(43),其中0.5≤τ≤0.8,1.0×10-5≥ε≥1.0×10-9;如果ck+1<ε或者k大于设定的阈值则令Sij=Wk+1*D并输出;
(5)针对每一个M(i,j)对应的信息极大化列降维特征矩阵Sij,分别进行分类器的训练,具体步骤如下:
(51)初始化分类器集合{E1,...,EG},G为选取的有监督分类方法的个数,初始化当前列降维维数m=1,初始化当前分类器编号g=1,初始化最佳分类准确率aopt=0及相应的列降维维数dopt=1、分类器标记emark=1,初始化准确率矩阵A及相应的列降维维数矩阵DIM、分类器标记矩阵CMark,其中A、DIM和CMark的行数和列数均与行降维维数矩阵M相同;
(52)取Sij的前m行数据Sm,利用Sm对数据矩阵进行降维得到特征矩阵
(53)针对当前分类器Eg,对Qm进行有监督分类器训练,得到分类器
(54)将测试数据X测试进行零均值处理获得数据矩阵利用Sm对数据矩阵进行降维得到特征矩阵
(55)利用分类器对F*进行分类,统计其分类准确率a;
(56)如果aopt<a,则更新aopt=a、dopt=m、emark=g后进入步骤(57),否则直接进入步骤(57);
(57)如果g<G,则更新g=g+1后转步骤(53),否则进入步骤(58);
(58)如果m<M(i,j),则更新m=m+1后转步骤(52),否则结束并输出A(i,j)=aopt,DIM(i,j)=dopt和CMark(i,j)=emark,符号(i,j)表示相应矩阵中对应的第i行第j列的元素;
(6)遍历A中的所有元素A(i,j),找到A(i,j)中最大值对应的行号imax和列号jmax,由此确定最优列降维维数为DIM(imax,jmax),最优降维特征矩阵Sopt为的前DIM(imax,jmax)行元素,最优分类器ECMark(imax,jmax);
(7)利用最优降维特征矩阵Sopt和最优分类器ECMark(imax,jmax)对待分类的高光谱数据T进行物质分类识别。
本发明与现有技术相比的优点在于:
(1)本发明方法从高阶统计量角度对光谱数据进行降维处理,得到的特征具有更强的统计特性,与传统的分类特征相比,在同样规模的数据降维特征维数下,具有更高的分类效率和识别精度;
(2)本发明方法有效的结合了高阶统计特征和训练数据中的类别信息,形成了一种能够进行种类更多的物质分类识别的方法;
(3)本发明方法给出了一种最优分类器的选择机制,非常容易扩展添加新的分类器,便于产生性能更优的分类器;
(4)本发明方法充分考虑了现有高阶统计量优化计算的随机性特点,采用多次循环择优的方式来选择高阶统计特征,能够有效保证获得的高阶统计特征的质量,提高物质分类识别的精度。
附图说明
图1为本发明方法的流程图;
图2为本发明方法实例中采集的柳树叶高光谱数据示意图;
图3为本发明方法实例中采集的原始数据示意图;
图4为本发明方法实例中列降维特征矩阵中元素S1,1的四个行向量示意图;
图5为本发明方法实例中不同分类器准确率统计曲线示意图;
图6为本发明方法实例中准确率矩阵A示意图。
具体实施方式
如图1所示,为本发明方法的流程图,主要步骤如下:
(1)从采集到的n维高光谱数据中选取t个数据组成t×n的训练数据矩阵X训练,选取不同于X训练的s个数据组成s×n的测试数据矩阵X测试,其中t和s均为正整数。一般情况下,t取总数据量的70%,数据差异较小的情况下,t值可以取较小的值。如图2所示,实例中采集柳树叶的高光谱数据光谱波段为350-2500nm,插值后数据维数n=2151。如图3所示,实例中采集66种树种共3300次高光谱数据采样,图中x轴为样本标号,y轴为光谱波长,z轴为实际采集的物质的光谱反射率。由此可以得到,t=3300*70%=2310,而s取余下的990个数据。
(2)将X训练中的每一列进行零均值处理,获得数据矩阵X;然后对斜方差X*XT做特征值分解,获得按由大到小排序好的特征值数组{γ1,γ2...,γq}和相应的特征向量{v1,v2...,vq},计算构造p×n维保能量降维矩阵R={v1;v2;...;vp},100>V≥95,利用保能量降维矩阵R对数据矩阵X进行降维获得降维数据矩阵X*=R*X;最后对降维数据矩阵X*的每一行进行单元化处理,得到p×n的数据矩阵p由V唯一确定。若X*第h行向量为Xh *,1≤h≤p,第h行为则||||为取模运算。实例中计算得到p=54,矩阵X*的维数为54*2151。一般情况下V取99.9,以保存特征值的大部分的能量特征,矩阵的维数为54*2151。
(3)根据步骤(2)的结果构建的行降维维数矩阵M,M中的元素M(i,j)=K*i,其中符号表示取不大于b的最大整数,K为统计步长,取值范围为1、2或者3,L为统计次数,取值范围为10~20;实际例子中K=1,L=10,p=54,M维数为28*10。
(4)针对行降维维数矩阵M中的每一个元素M(i,j),分别计算信息极大化列降维特征矩阵S,具体步骤如下:
(41)取数据矩阵的前M(i,j)行生成数据矩阵D;
(42)初始化分离矩阵Wk为M(i,j)维单位阵,初始化权系数αk=1,初始化迭代记数值k=0,初始化β=0;
(43)将数据矩阵D进行一次列向量随机重排列,得到数据矩阵
(44)采用如下迭代公式更新Sk、Yk、Wk和ck,其中Yk+1=1/(1+exp(-Sk+1)),Wk+1=Wk+αk*(I+(1-2*Yk+1)*Sk+1 T)*Wk,dk+1=Wk+1-Wk,ck+1=||dk+1||,I为单位阵,符号||||表示取模运算;
(45)如果k>2则更新后进入步骤(46),否则直接进入步骤(46);
(46)如果则更新αk=αk*δ后进入步骤(47),否则直接进入步骤(47),其中0.5≤δ≤0.9;
(47)如果ck+1>ε则更新αk+1=αk*τ,k=k+1,如果k小于设定的阈值则转步骤(43),其中0.5≤τ≤0.8,1.0×10-5≥ε≥1.0×10-9;如果ck+1<ε或者k大于设定的阈值则令Sij=Wk+1*D并输出;图4为本实例中列降维特征矩阵S中S1,1四个行向量示意图,该行向量的维数为2151。
(5)针对每一个M(i,j)对应的信息极大化列降维特征矩阵Sij,分别进行分类器的训练,具体步骤如下:
(51)初始化分类器集合{E1,...,EG},G为选取的有监督分类方法的个数,初始化当前列降维维数m=1,初始化当前分类器编号g=1,初始化最佳分类准确率aopt=0及相应的列降维维数dopt=1、分类器标记emark=1,初始化准确率矩阵A及相应的列降维维数矩阵DIM、分类器标记矩阵CMark,其中A、DIM和CMark的行数和列数均与行降维维数矩阵M相同。本实例中选用了G=5种有监督分类方法,分别为线性判别分析、二次判别分析、对角线性判别分析、对角二次判别分析和马氏距离判别分析方法,具体分类方法如何应用可参阅相关资料。
(52)取Sij的前m行数据Sm,利用Sm对数据矩阵进行降维得到特征矩阵实例中Qm的维数为2310*m。
(53)针对当前分类器Eg,对Qm进行有监督分类器训练,得到分类器
(54)将测试数据X测试进行零均值处理获得数据矩阵利用Sm对数据矩阵进行降维得到特征矩阵实例中矩阵的维数为990*2151,F*的维数为990*m。
(55)利用分类器对F*进行分类,统计其分类准确率a;
(56)如果aopt<a,则更新aopt=a、dopt=m、emark=g后进入步骤(57),否则直接进入步骤(57);
(57)如果g<G,则更新g=g+1后转步骤(53),否则进入步骤(58);
(58)如果m<M(i,j),则更新m=m+1后转步骤(52),否则结束并输出A(i,j)=aopt,DIM(i,j)=dopt和CMark(i,j)=emark,符号(i,j)表示相应矩阵中对应的第i行第j列的元素。图5是实例中5种不同分类器某次迭代准确率统计曲线示意图,图中x轴为数据维数m的取值,y轴为分类准确率,从图上可以看出当m=20时,二次判别分析方法的分类准确率达到最高值92.6036%。
(6)遍历A中的所有元素A(i,j),找到A(i,j)中最大值对应的行号imax和列号jmax,由此确定最优列降维维数为DIM(imax,jmax),最优降维特征矩阵Sopt为的前DIM(imax,jmax)行元素,最优分类器ECMark(imax,jmax)。图6为本实例中准确率矩阵A的示意图,横轴为m的取值,纵轴为准确率。从图上可以看出,最大值对应的行号I=25和列号J=8。最优特征维数为25,最大值为92.6364%,最优分类器类型为二次判别分析方法分类器,最优降维特征矩阵Sopt的维数为25*2151。
(7)利用最优降维特征矩阵Sopt和最优分类器ECMark(imax,jmax)对待分类的高光谱数据T进行物质分类识别。
(71)将待分类物质的高光谱数据T的每一列进行做零均值处理,获得数据矩阵T*;实例中待分类高光谱数据共有1000条记录,矩阵T的维数为1000*2151。
(72)利用最优降维特征矩阵Sopt对数据矩阵T*进行降维得到特征矩阵实例中特征矩阵的维数为1000*27。
(73)根据最优分类器ECMark(imax,jmax)对特征矩阵进行物质分类识别。实例中最优分类器类型为二次判别分析方法分类器,具体物质分类识别器如何应用可参阅相关资料。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (1)
1.一种基于高光谱数据信息极大化的物质最优分类识别方法,其特征在于步骤如下:
(1)从采集到的n维高光谱数据中选取t个数据组成t×n的训练数据矩阵X训练,选取不同于X训练的s个数据组成s×n的测试数据矩阵X测试,其中t和s均为正整数;
(2)将X训练中的每一列进行零均值处理,获得数据矩阵X;然后对协方差X*XT做特征值分解,取保V%能量的特征值对应的特征向量作为行向量构成保能量降维矩阵R,100>V≥95,利用保能量降维矩阵R对数据矩阵X进行降维获得降维数据矩阵X*;最后对降维数据矩阵X*的每一行进行单元化处理,得到p×n的数据矩阵p由V唯一确定;
(3)根据步骤(2)的结果构建的行降维维数矩阵M,M中的第i行第j列的元素M(i,j)=K*i,其中符号表示取不大于的最大整数,K为统计步长,取值范围为1、2或者3,L为统计次数,取值范围为10~20;
(4)针对行降维维数矩阵M中的每一个元素M(i,j),分别计算信息极大化列降维特征矩阵S,具体步骤如下:
(41)取数据矩阵的前M(i,j)行生成数据矩阵D;
(42)初始化分离矩阵Wk为M(i,j)维单位阵,初始化权系数αk=1,初始化迭代记数值k=0,初始化β=0;
(43)将数据矩阵D进行一次列向量随机重排列,得到数据矩阵
(44)采用如下迭代公式更新Sk、Yk、Wk和ck,其中Yk+1=1/(1+exp(-Sk+1)),Wk+1=Wk+αk*(I+(1-2*Yk+1)*Sk+1 T)*Wk,dk+1=Wk+1-Wk,ck+1=||dk+1||,I为单位阵,符号||||表示取模运算;
(45)如果k>2则更新后进入步骤(46),否则直接进入步骤(46);
(46)如果则更新αk=αk*δ后进入步骤(47),否则直接进入步骤(47),其中0.5≤δ≤0.9;
(47)如果ck+1>ε则更新αk+1=αk*τ,k=k+1,如果k小于设定的阈值则转步骤(43),其中0.5≤τ≤0.8,1.0×10-5≥ε≥1.0×10-9;如果ck+1<ε或者k大于设定的阈值则令Sij=Wk+1*D并输出;
(5)针对每一个M(i,j)对应的信息极大化列降维特征矩阵Sij,分别进行分类器的训练,具体步骤如下:
(51)初始化分类器集合{E1,...,EG},G为选取的有监督分类方法的个数,初始化当前列降维维数m=1,初始化当前分类器编号g=1,初始化最佳分类准确率aopt=0及相应的列降维维数dopt=1、分类器标记emark=1,初始化准确率矩阵A及相应的列降维维数矩阵DIM、分类器标记矩阵CMark,其中A、DIM和CMark的行数和列数均与行降维维数矩阵M相同;
(52)取Sij的前m行数据Sm,利用Sm对数据矩阵进行降维得到特征矩阵
(53)针对当前分类器Eg,对Qm进行有监督分类器训练,得到分类器
(54)将测试数据X测试进行零均值处理获得数据矩阵利用Sm对数据矩阵进行降维得到特征矩阵
(55)利用分类器对F*进行分类,统计其分类准确率a;
(56)如果aopt<a,则更新aopt=a、dopt=m、emark=g后进入步骤(57),否则直接进入步骤(57);
(57)如果g<G,则更新g=g+1后转步骤(53),否则进入步骤(58);
(58)如果m<M(i,j),则更新m=m+1后转步骤(52),否则结束并输出A(i,j)=aopt,DIM(i,j)=dopt和CMark(i,j)=emark,符号(i,j)表示相应矩阵中对应的第i行第j列的元素;
(6)遍历A中的所有元素A(i,j),找到A(i,j)中最大值对应的行号imax和列号jmax,由此确定最优列降维维数为DIM(imax,jmax),最优降维特征矩阵Sopt为的前DIM(imax,jmax)行元素,最优分类器
(7)利用最优降维特征矩阵Sopt和最优分类器对待分类的高光谱数据T进行物质分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410061232.8A CN103868865B (zh) | 2014-02-24 | 2014-02-24 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410061232.8A CN103868865B (zh) | 2014-02-24 | 2014-02-24 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103868865A CN103868865A (zh) | 2014-06-18 |
CN103868865B true CN103868865B (zh) | 2016-03-02 |
Family
ID=50907632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410061232.8A Active CN103868865B (zh) | 2014-02-24 | 2014-02-24 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103868865B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463247B (zh) * | 2014-12-09 | 2016-08-31 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
CN104484571A (zh) * | 2014-12-22 | 2015-04-01 | 深圳先进技术研究院 | 一种基于边缘距离排序的集成学习机修剪方法及系统 |
CN106568724B (zh) * | 2016-11-01 | 2019-03-01 | 清华大学 | 光谱曲线预处理及特征挖掘方法及装置 |
CN108344701A (zh) * | 2018-02-02 | 2018-07-31 | 东北电力大学 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
CN110378268B (zh) * | 2019-07-10 | 2022-04-26 | 中国科学院长春光学精密机械与物理研究所 | 高光谱快速目标检测方法及系统 |
CN113670836B (zh) * | 2021-07-27 | 2024-03-12 | 中国地质调查局西安矿产资源调查中心 | 高光谱遥感蚀变矿物信息提取的方法和装置 |
CN115326722B (zh) * | 2022-08-12 | 2023-03-28 | 宁波拾烨智能科技有限公司 | 基于高光谱遥感数据的海洋赤潮预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102819745A (zh) * | 2012-07-04 | 2012-12-12 | 杭州电子科技大学 | 一种基于AdaBoost的高光谱遥感影像分类方法 |
CN103310230A (zh) * | 2013-06-17 | 2013-09-18 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103413151A (zh) * | 2013-07-22 | 2013-11-27 | 西安电子科技大学 | 基于图正则低秩表示维数约简的高光谱图像分类方法 |
CN103425995A (zh) * | 2013-07-22 | 2013-12-04 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7961957B2 (en) * | 2007-01-30 | 2011-06-14 | Alon Schclar | Diffusion bases methods for segmentation and clustering |
-
2014
- 2014-02-24 CN CN201410061232.8A patent/CN103868865B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208034A (zh) * | 2011-07-16 | 2011-10-05 | 西安电子科技大学 | 基于半监督维数约减的高光谱图像分类方法 |
CN102819745A (zh) * | 2012-07-04 | 2012-12-12 | 杭州电子科技大学 | 一种基于AdaBoost的高光谱遥感影像分类方法 |
CN103310230A (zh) * | 2013-06-17 | 2013-09-18 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
CN103324945A (zh) * | 2013-07-08 | 2013-09-25 | 南京大学 | 一种基于模式识别的森林点云分类方法 |
CN103413151A (zh) * | 2013-07-22 | 2013-11-27 | 西安电子科技大学 | 基于图正则低秩表示维数约简的高光谱图像分类方法 |
CN103425995A (zh) * | 2013-07-22 | 2013-12-04 | 西安电子科技大学 | 基于区域相似性低秩表示降维的高光谱图像分类方法 |
Non-Patent Citations (6)
Title |
---|
Hyperspectral Data Geometry-Based Estimation of Number of Endmembers Using p-Norm-Based Pure Pixel Identification Algorithm;A. Ambikapathi et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20130531;第51卷(第5期);第2753-2769页 * |
一种基于混合概率PCA模型的高光谱图像非监督分类方法;吴昊等;《国防科技大学学报》;20050430;第27卷(第02期);第61-64页 * |
一种用于多光谱纹理分类的ICA多尺度算子;胡文婷等;《青岛理工大学学报》;20110228;第32卷(第01期);第87-92页 * |
基于独立分量分析的遥感影像非监督分类方法;易尧华等;《武汉大学学报(信息科学版)》;20050131;第30卷(第01期);第19-22,55页 * |
基于独立成分分析和神经网络的高光谱遥感数据分类;宋江红等;《遥感技术与应用》;20060430;第21卷(第02期);第115-119页 * |
改进ICA算法及其在作物光谱分类中的应用;林婷等;《计算机工程》;20110630;第37卷(第11期);第272-274页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103868865A (zh) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103868865B (zh) | 一种基于高光谱数据信息极大化的物质最优分类识别方法 | |
Xiao et al. | Extraction and analysis of abandoned farmland: A case study of Qingyun and Wudi counties in Shandong Province | |
Löw et al. | Impact of feature selection on the accuracy and spatial uncertainty of per-field crop classification using support vector machines | |
Devadas et al. | Support vector machine classification of object-based data for crop mapping, using multi-temporal Landsat imagery | |
CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
Xi et al. | Exploitation of time series sentinel-2 data and different machine learning algorithms for detailed tree species classification | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
Song et al. | Predicting temperate conifer forest successional stage distributions with multitemporal Landsat Thematic Mapper imagery | |
CN112668400A (zh) | 一种植被识别方法及应用 | |
CN103440505A (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN104408466A (zh) | 基于局部流形学习构图的高光谱遥感图像半监督分类方法 | |
CN102903114A (zh) | 一种基于改进型层次聚类的高光谱遥感数据降维方法 | |
CN103544507A (zh) | 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法 | |
CN104392251A (zh) | 一种基于半监督字典学习的高光谱图像分类方法 | |
CN105005784A (zh) | 一种基于cd-dtw距离的时间序列遥感影像土地覆盖分类方法 | |
CN102073039B (zh) | 热红外高光谱发射率模拟方法和系统 | |
CN103208011A (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN104008394A (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
CN103413292A (zh) | 基于约束最小二乘的高光谱图像非线性丰度估计方法 | |
CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
CN102622611B (zh) | 基于特征扩展和模糊支持向量机的多分组图像分类方法 | |
Moumni et al. | A new synergistic approach for crop discrimination in a semi-arid region using Sentinel-2 time series and the multiple combination of machine learning classifiers | |
CN106127133A (zh) | 一种基于红光‑近红外光谱特征空间的水体提取方法 | |
Zhao et al. | Hyperspectral target detection method based on nonlocal self-similarity and rank-1 tensor | |
CN103679703B (zh) | 一种基于共形几何代数的高光谱遥感影像降维方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |