加权的判别性协同表示方法用于高光谱遥感图像分类

针对现有协同表示算法应用在高光谱遥感图像分类过程中出现的较差分类精度的问题,提出了一种基于加权判别性协同表示的分类算法。提出的算法对高光谱图像进行基于空间邻域的平滑化处理以消除图像中的噪声和异常光谱。通过考虑训练样本和测试样本的相关性提出基于相关性的加权正则项;通过考虑不同类别训练样本重构给定测试样本的误差进一步提出了基于最小重构误差的正则项。在Indian Pines和University of Pavia两种真实数据集上的实验结果表明,所提出的算法相比其他典型的基于协同表示的分类算法具有更高的分类精度,分别能获得98.2%和95.70%的总体精度。实验证明,所提出的分类器算法有效改善了现有基于协同表示的高光谱图像分类方法的低精度问题。

基于多时相TM和北京一号卫星影像的春播进度遥感监测

基于作物生长的物候规律,利用2007年4月26日、2007年5月28日Landsat TM影像和2007年6月28日北京一号卫星影像进行北京地区春播进度遥感监测。首先,分析了地物类型之间的光谱可分性距离;其次,采用逐步鉴别分析方法,并将掩膜技术和决策树分类方法相结合,监测北京2007年5月28日和6月28日的春播作物种植面积;最后,基于地面调查点对分类结果进行精度评价。结果表明5月28日总体精度为84.5%,6月28日总体精度为88.0%;逐步鉴别分析方法有利于寻找作物分类的光谱差异,建立多时相分类规则,简化了多时相多作物遥感分类流程并提高了分类精度。