基于同质性降维和CMP算法的高光谱图像分类

针对高光谱数据维数高,波段间冗余信息大的问题,提出一种基于同质性降维和组合匹配追踪算法的高光谱图像分类方法。该方法首先利用均值漂移算法对高光谱图像进行分割得到同质性图像块,对同质性的图像块进行流行学习得到降维映射函数,然后由降维后的高光谱数据训练稀疏最小二乘支持向量机分类模型,为避免正交匹配追踪稀疏重构算法迭代次数多的缺点,提出一种基于组合匹配追踪的稀疏重构求解方法。通过高光谱数据的分类结果可以得出,该方法有效提高了高光谱图像的分类精度。     

一种高分辨率遥感影像分类的特征指数

随着影像分辨率的提高,传统的光谱特征不能有效地描述复杂的高分辨率影像信息,从而影响高分辨率遥感影像的分类。为了弥补传统光谱方法的不足,提出了一种加权对象相关指数(WOCI),并将其应用到基于支持向量机(SVM)的影像分类中。该指数是通过考虑具有相似性光谱的对象来构建的,可全面地描述影像的上下文结构。结果表明与仅考虑光谱特征和像素空间特征进行分类的方法相比,基于WOCI特征的分类结果有更高的精确性,且分类精度提高了7.16%。     

基于稀疏MK-LSSVM的高光谱图像不平衡分类

针对高光谱图像分类中没有考虑高光谱数据地物种类复杂、数据规模较大以及样本分布不规则而导致的少数类分类精度较低,分类器鲁棒性差的问题,提出一种基于稀疏多核最小二乘支持向量机(Multiple Kernel Least Squares Support Vector Machine,MK-LSSVM)的高光谱图像不平衡分类方法。该方法先用k均值聚类将多数类的训练样本分为k类,然后利用采样技术对每一群组中的样本进行处理与少数类样本均衡,最后建立最MK-LSSVM分类器。该方法对于MK-LSSVM不稀疏的问题,引入了压缩感知理论对其进行稀疏求解。实验表明本文提出的分类方法提高了少数地物的分类精度,同时减少了标准支持向量机训练样本时间消耗大的问题。