研究目的
提出一种新的高光谱图像(HSI)降维与分类方法,该方法基于互信息同时考虑光谱和空间信息,旨在提高分类精度。
研究成果
该方法通过灰度共生矩阵(GLCM)特征和互信息结合光谱与空间信息,相比现有先进方法显著提升了分类精度并降低了计算耗时。研究证明了降维作为高光谱图像(HSI)分类预处理步骤的重要性。未来工作可聚焦于优化该方法,以在不同类型地表覆盖中实现更优性能。
研究不足
该方法可能需要进一步优化以提高性能。计算时间随数据集规模的增大而增加,且纹理特征的有效性因土地覆盖类型(农业区与城市区域)而异。
1:实验设计与方法选择:
本研究结合光谱与空间信息对高光谱图像(HSI)进行降维与分类。通过灰度共生矩阵(GLCM)提取的纹理特征(同质性、对比度、相关性和能量)表征空间信息,采用互信息法进行波段选择,并使用支持向量机(SVM)进行分类。
2:样本选择与数据来源:
采用AVIRIS和ROSIS传感器采集的三个知名高光谱基准数据集。
3:实验设备与材料清单:
AVIRIS和ROSIS传感器的高光谱图像、MATLAB实现平台及用于SVM分类的Libsvm工具包。
4:实验流程与操作步骤:
所提算法通过GLCM提取纹理特征,经互信息法将其与光谱信息融合进行波段选择,最后对降维后的数据集采用SVM分类。
5:数据分析方法:
性能评估指标包括单类精度(ICA)、总体精度(OA)和Kappa系数(k),同时考虑计算耗时。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容