研究目的
提出一种高光谱图像特征提取新方法，该方法基于光谱特征建?？占湫畔ⅲ档图扑愠杀居胛?，同时提升分类性能。
研究成果
所提出的MQWLDH方法通过结合四元数表示和韦伯局部描述符，有效提取高光谱图像的空间特征，在降低维度和计算成本的同时，在多个数据集和分类器上实现了卓越的分类性能，展现出强大的鲁棒性和高效性。
研究不足
该方法依赖于前三个主成分，可能无法捕捉全部光谱信息；计算复杂度随主成分数量增加而上升；参数调整（ω、R、M）与数据相关，可能需要优化；尚未验证其对极高维高光谱图像或其他数据类型的适用性。
1：实验设计与方法选择：
该方法通过PCA降维提取前三个主成分，采用四元数统一表征，构建四元数韦伯局部描述符(QWLD)刻画空间变化，建立多尺度特征直方图捕捉不同尺度的空间信息，融合光谱与空间特征后使用SVM和SRC分类器进行分类。
2：样本选择与数据来源：
使用三个高光谱图像数据集：Indian Pines（AVIRIS传感器，145×145像素，200个波段）、University of Pavia（ROSIS传感器，610×340像素，103个波段）和Salinas（AVIRIS传感器，512×217像素，204个波段）。训练样本随机选?。ㄈ鏘ndian Pines选10%，其余选1%），其余用于测试。
3：实验设备与材料清单：
AVIRIS和ROSIS传感器的高光谱图像；MATLAB软件实现；配备3.60 GHz CPU和16.0 GB RAM的计算机。
4：60 GHz CPU和0 GB RAM的计算机。 实验流程与操作步骤：
4. 实验流程与操作步骤：对HSI进行归一化，应用PCA降维，将前三个主成分表示为四元数，计算QWLD（微分激励和方向特征），构建多尺度特征直方图，与光谱特征融合后使用SVM或SRC分类。
5：数据分析方法：
使用总体精度(OA)、平均精度(AA)、kappa系数(κ)及十次独立运行的标准差评估性能；对参数ω、R和M进行调优；与其他方法(SOMP、SADL、ELM-CK、KELM-CK、EMPS)进行比较。
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-
AVIRIS sensor
Acquires hyperspectral images with high spectral resolution.
-
ROSIS sensor
Acquires hyperspectral images in urban environments.
-
MATLAB
MathWorks
Software used for implementing and running the experiments.
-
Computer
Hardware for executing the computational tasks.
-
登录查看剩余2件设备及参数对照表
查看全部
