排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
基于改进模糊ISODATA算法的遥感影像非监督聚类研究 总被引:4,自引:0,他引:4
F-ISODATA是一种有效的遥感图像非监督聚类算法.但是,最优迭代次数很难设定;一般遥感图像的数据量大,若迭代误差限取极小值,分类也很难实现.本文以某次迭代中"合并"和"分裂"都为零为求最优分类数的迭代条件,而不是预先设定迭代次数;取最大和最小隶属度取代每一个隶属度为比对特征值,提高了分类速度和精度;利用等效转换研究隶属度矩阵的迭代误差变化规律,得出变化速度趋于稳定时为求解最优隶属度矩阵的智能迭代控制,减少人为事先干预.最后,进行实验分析,结果显示整个改进的算法提高了分类的智能化,整体效果较好. 相似文献
2.
3.
基于高斯混合模型的遥感影像连续型朴素贝叶斯网络分类器 总被引:1,自引:0,他引:1
提出了一种新的嵌入高斯混合模型(GMM,Gaussian Mixture Model)遥感影像朴素贝叶斯网络模型GMM-NBC(GMMbased Na ve Bayesian Classifier)。针对连续型朴素贝叶斯网络分类器中假设地物服从单一高斯分布的缺点,该方法将地物在特征空间的分布用高斯混合模型来模拟,用改进EM算法自动获取高斯混合模型的参数;高斯混合模型整体作为一个子节点嵌入朴素贝叶斯网络中,将其输出作为节点(特征)的中间类后验概率,在朴素贝叶斯网络的框架下进行融合获得最终的类后验概率。对多光谱和高光谱数据的分类实验结果表明,该方法较传统贝叶斯分类器分类效果要好,且有较强的鲁棒性。 相似文献
4.
Naive Bayesian Classifier在遥感影像分类中的应用研究 总被引:2,自引:1,他引:1
将Naive Bayesian Classifier(简单贝叶斯网络分类器)用于遥感影像的分类,并对其主要问题如特征选择和后验概率推理等展开研究。使用K2结构学习算法选出具有类别可分性的波段,进一步利用互信息测试对遥感波段之间的相关性做分析,去除冗余信息。特征(波段)的条件独立性假设简化了联合概率的计算,以较小的计算代价获得后验概率。在此基础上,将Naive Bayesian Classifier用于多光谱和高光谱影像的分类,获得很好的性能和相当高的稳健性。 相似文献
5.
1