基于数字脊波和样条权神经网络的高光谱图像融合分类

提出了一种基于数字脊波和样条权神经网络的高光谱图像融合分类新算法。在特征级融合中,针对数字脊波的特点,对不同分辨率的脊波系数采用局部信息熵进行融合,并运用样条权神经网络实现了分类。在决策级融合中,提出了先用样条权神经网络进行预分类,然后用主体投票法进行决策融合的算法,为避免作为局部分类器的神经网络结构过于复杂,对输入数据先进行了像素层的融合实现数据降维,这实质上体现了一种多层次融合的思想。实验结果表明,这两种方法都能有效的实现高光谱图像的融合及分类,在较少的训练样本下分类精度能达到92%以上,其中特征级融合可达到95.87%。

基于局部对偶框架的数字脊波重构

给出了数字脊波重构算法的全局对偶框架(GDF)表示,提出了局部对偶框架(LDF)的新概念,并讨论了LDF的性质,在此基础上给出了一种基于LDF的新的数字脊波重构算法.该算法减少了脊波重构的冗余,保持了快速计算的特点.用该算法对图像进行压缩和去噪,得到了很好的结果.