留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用小波核最小噪声分离进行高光谱影像SVM分类

白璘 刘盼芝 惠萌

白璘, 刘盼芝, 惠萌. 利用小波核最小噪声分离进行高光谱影像SVM分类[J]. 武汉大学学报 ● 信息科学版, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
引用本文: 白璘, 刘盼芝, 惠萌. 利用小波核最小噪声分离进行高光谱影像SVM分类[J]. 武汉大学学报 ● 信息科学版, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
BAI Lin, LIU Panzhi, HUI Meng. SVM Classification of Hyperspectral Image Based on Wavelet Kernel Minimum Noise Fraction[J]. Geomatics and Information Science of Wuhan University, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
Citation: BAI Lin, LIU Panzhi, HUI Meng. SVM Classification of Hyperspectral Image Based on Wavelet Kernel Minimum Noise Fraction[J]. Geomatics and Information Science of Wuhan University, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209

利用小波核最小噪声分离进行高光谱影像SVM分类

doi: 10.13203/j.whugis20140209
基金项目: 国家自然科学基金(51407012);中央高校基本科研业务费专项资金(310832163402,310832161001)。
详细信息
    作者简介:

    白璘,博士,副教授,主要从事遥感图像处理与信息获取研究。bai1981@sina.com

    通讯作者: 惠萌,博士,副教授。huimeng@chd.edu.cn
  • 中图分类号: P237.4;TP753

SVM Classification of Hyperspectral Image Based on Wavelet Kernel Minimum Noise Fraction

Funds: The National Natural Science Foundation of China, No. 51407012; the Special Fund for Basic Scientific Research of Central Colleges, Chang'an University, Nos. 310832163402, 310832161001.
  • 摘要: 针对高光谱遥感影像线性特征提取方法在一定程度上会降低地物类别的可分性问题,在最小噪声分离变换基础上引入核方法,以小波核函数代替传统核函数,并将新型核最小噪声分离方法与支持向量机方法相结合,对高光谱影像数据进行分类。实验结果表明,基于小波核最小噪声分离变换的方法适合于高光谱遥感影像的非线性特征,将其应用于HYDICE系统与AVIRIS系统所获得的实验数据集,与对照算法相比,总体分类精度可提高3%~9%。
  • [1] Wang Yiting, Huang Shiqi, Liu Daizhi, et al. Research Advance on Band Selection-Based Dimension Reduction of Hyperspectral Remote Sensing Images[J]. Remote Sensing, Environment and Transportation Engineering,2012(1):1-4
    [2] Dopido I, Villa A, Plaza A, et al. A Quantitative and Comparative Assessment of Unmixing-Based Feature Extraction Techniques for Hyperspectral Image Classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2):421-435
    [3] Goetz A F H. Three Decades of Hyperspectral Remote Sensing of the Earth:A Personal View[J]. Remote Sensing of Environment, 2009, 113(1):5-16
    [4] Plaza A. Recent Advances in Techniques for Hyperspectral Image Processing[J]. Remote Sensing of Environment, 2009, 113(1):110-122
    [5] Bioucas-Dias J M, Plaza A, Camps-Valls G, et al. Hyperspectral Remote Sensing Data Analysis and Future Challenges[J]. Geoscience and Remote Sensing Magazine, 2013(2):6-36
    [6] Hosseini S A, Ghassemian H. A New Fast Algorithm for Multiclass Hyperspectral Image Classification with SVM[J]. International Journal of Remote Sensing, 2011, 32(23):8657-8683
    [7] Fauvel M, Chanussot J, Benediktsson J A. A Spatial spectral Kernel Based Approach for the Classification of Remote sensing Images[J]. Pattern Recognition, 2012,45:381-392
    [8] Chen Yi, Nasser M, Trac D T. Hyperspectral Image Classification via Kernel Sparse Representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013,51(1):217-231
    [9] Lin Na, Yang Wunian, Wang Bin. Hyperspecral Image Feature Extraction via Kernel Minimum Noise Fraction Transform[J]. Geomatics and Information Science of Wuhan University,2013,38(8):988-992(林娜,杨武年,王斌. 高光谱遥感影像核最小噪声分离变换特征提取[J]. 武汉大学学报\5信息科学版,2013,38(8):988-992)
    [10] Zhao Chunhui, Zhang Yi, Wang Yulei. Relevant Vector Machine Classification of Hyperspectral Image Based on Wavelet Kernel Principal Component Analysis[J]. Journal of Electronics & Information Technology, 2012,34(8):1905-1910(赵春晖,张焱,王玉磊. 基于小波核主成分分析的相关向量机高光谱图像分类[J]. 电子与信息学报,2012,34(8):1905-1910)
    [11] Wu Fangfang, Zhao Yinliang. Novel Reduced Support Vector Machine on Morlet Wavelet Kernel Function[J]. Control and Decision, 2006,21(8):848-856(武方方,赵银亮. 一种基于Morlet小波核的约简支持向量机[J]. 控制与决策, 2006, 21(8):848-856)
    [12] Wan Jiaqiang, Wang Yue, Liu Yu. Improvement of KPCA on Feature Extraction of Classification Data[J]. Computer Engineering and Design, 2010,31(18):4085-4088(万家强,王越,刘羽.改进KPCA对分类数据的特征提取[J]. 计算机工程与设计,2010,31(18):4085-4088)
    [13] Yang Guopeng, Yu Xuchu, Zhou Xin, et al. Hyperspectral Image Feature Extraction Based on Generalized Discriminant Analysis[J].Journal of Dalian Maritime University, 2008,34(8):59-63(杨国鹏,余旭初,周欣,等.基于广义判别分析的高光谱影像特征提取[J].大连海事大学学报,2008,34(3):59-63)
    [14] Chen J, Wang C,Wang R. Using Stacked Generalization to Combine SVMs in Magnitude and Shape Feature Spaces for Classification of Hyperspectral Date[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(7):2193-2205
  • [1] 杨刚, 孙伟伟, 张殿发.  利用可分离非负矩阵分解实现高光谱波段选择 . 武汉大学学报 ● 信息科学版, 2019, 44(5): 737-744. doi: 10.13203/j.whugis20170174
    [2] 赵波, 苏红军, 蔡悦.  一种切空间协同表示的高光谱遥感影像分类方法 . 武汉大学学报 ● 信息科学版, 2018, 43(4): 555-562, 604. doi: 10.13203/j.whugis20150579
    [3] 孙伟伟, 蒋曼, 李巍岳.  利用稀疏自表达实现高光谱影像波段选择 . 武汉大学学报 ● 信息科学版, 2017, 42(4): 441-448. doi: 10.13203/j.whugis20150052
    [4] 王毅, 李季.  基于SVM的高光谱遥感图像亚像元定位 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
    [5] 鲍蕊, 薛朝辉, 张像源, 苏红军, 杜培军.  综合聚类和上下文特征的高光谱影像分类 . 武汉大学学报 ● 信息科学版, 2017, 42(7): 890-896. doi: 10.13203/j.whugis20150043
    [6] 王云艳, 何楚, 赵守能, 陈东, 廖明生.  基于多层反卷积网络的SAR图像分类 . 武汉大学学报 ● 信息科学版, 2015, 40(10): 1371-1376. doi: 10.13203/j.whugis20140366
    [7] 王凯, 舒宁, 孔祥兵, 李亮.  一种多特征转换的高光谱影像自适应分类方法 . 武汉大学学报 ● 信息科学版, 2015, 40(5): 612-616. doi: 10.13203/j.whugis20130384
    [8] 王凯, 舒宁, 李亮, 龚龑.  利用ICA正交子空间投影加权的高光谱影像目标探测算法 . 武汉大学学报 ● 信息科学版, 2013, 38(4): 440-444.
    [9] 何楚, 刘明, 许连玉, 刘龙珠.  利用特征选择自适应决策树的层次SAR图像分类 . 武汉大学学报 ● 信息科学版, 2012, 37(1): 46-49.
    [10] 刘梦玲, 何楚, 苏鑫, 孙洪.  基于pLSA和Topo-MRF模型的SAR图像分类算法研究 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 122-125.
    [11] 刘汉丽, 裴韬, 周成虎, 朱阿兴.  结合MNF变换与灰值形态学的三江平原多光谱、多时相MODIS遥感影像分类 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 153-156.
    [12] 黄远程, 李平湘, 张良培.  基于交互最小二乘优化的高光谱影像端元光谱分析 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1217-1221.
    [13] 马国锐, 眭海刚, 李平湘, 秦前清.  基于核函数度量相似性的遥感影像变化检测 . 武汉大学学报 ● 信息科学版, 2009, 34(1): 19-23.
    [14] 马国锐, 眭海刚, 李平湘, 秦前清.  一种遥感影像核变化检测方法 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 597-600.
    [15] 杜辉强, 舒宁.  高光谱影像能量边缘提取 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 132-135.
    [16] 徐新禹, 李建成, 邹贤才, 禇永海.  最小二乘法求解三类卫星重力梯度边值问题的研究 . 武汉大学学报 ● 信息科学版, 2006, 31(11): 987-990.
    [17] 李新双, 张良培, 李平湘, 吴波.  基于小波分量特征值匹配的高光谱影像分类 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 274-277.
    [18] 舒宁.  关于多光谱和高光谱影像的纹理问题 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 292-295.
    [19] 张世强, 卢健, 刘时银.  利用TM高光谱图像提取青藏高原喀喇昆仑山区现代冰川边界 . 武汉大学学报 ● 信息科学版, 2001, 26(5): 435-440.
    [20] 梁益同, 胡江林.  NOAA卫星图像神经网络分类方法的探讨 . 武汉大学学报 ● 信息科学版, 2000, 25(2): 148-152.
  • 加载中
计量
  • 文章访问数:  1091
  • HTML全文浏览量:  32
  • PDF下载量:  370
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-09-22
  • 刊出日期:  2016-05-05

利用小波核最小噪声分离进行高光谱影像SVM分类

doi: 10.13203/j.whugis20140209
    基金项目:  国家自然科学基金(51407012);中央高校基本科研业务费专项资金(310832163402,310832161001)。
    作者简介:

    白璘,博士,副教授,主要从事遥感图像处理与信息获取研究。bai1981@sina.com

    通讯作者: 惠萌,博士,副教授。huimeng@chd.edu.cn
  • 中图分类号: P237.4;TP753

摘要: 针对高光谱遥感影像线性特征提取方法在一定程度上会降低地物类别的可分性问题,在最小噪声分离变换基础上引入核方法,以小波核函数代替传统核函数,并将新型核最小噪声分离方法与支持向量机方法相结合,对高光谱影像数据进行分类。实验结果表明,基于小波核最小噪声分离变换的方法适合于高光谱遥感影像的非线性特征,将其应用于HYDICE系统与AVIRIS系统所获得的实验数据集,与对照算法相比,总体分类精度可提高3%~9%。

English Abstract

白璘, 刘盼芝, 惠萌. 利用小波核最小噪声分离进行高光谱影像SVM分类[J]. 武汉大学学报 ● 信息科学版, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
引用本文: 白璘, 刘盼芝, 惠萌. 利用小波核最小噪声分离进行高光谱影像SVM分类[J]. 武汉大学学报 ● 信息科学版, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
BAI Lin, LIU Panzhi, HUI Meng. SVM Classification of Hyperspectral Image Based on Wavelet Kernel Minimum Noise Fraction[J]. Geomatics and Information Science of Wuhan University, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
Citation: BAI Lin, LIU Panzhi, HUI Meng. SVM Classification of Hyperspectral Image Based on Wavelet Kernel Minimum Noise Fraction[J]. Geomatics and Information Science of Wuhan University, 2016, 41(5): 624-628,644. doi: 10.13203/j.whugis20140209
参考文献 (14)

目录

    /

    返回文章
    返回