选取典型芦苇湿地基于芦苇叶片实测高光谱数据和叶面积指数(Leaf Area Index,LAI),在原始光谱的基础上进行了平滑(R)、一阶微分(FD)、倒数(RT)、对数(LT)、倒数一阶微分(RTFD)、对数一阶微分(LTFD)等六种光谱变换,利用竞争性自适应重加...选取典型芦苇湿地基于芦苇叶片实测高光谱数据和叶面积指数(Leaf Area Index,LAI),在原始光谱的基础上进行了平滑(R)、一阶微分(FD)、倒数(RT)、对数(LT)、倒数一阶微分(RTFD)、对数一阶微分(LTFD)等六种光谱变换,利用竞争性自适应重加权算法(CARS)对不同变换下芦苇LAI特征光谱波段予以筛选,进而用筛选的特征波段采用逐波段组合法(BCI)构建芦苇LAI敏感光谱指数,利用随机森林(RF)、极端梯度提升(XGBoost)以及支持向量机(SVM)回归算法,构建芦苇LAI的高光谱估算模型。结果表明,采用CARS算法筛选不同变换光谱的特征波段构建模型,发现经过FD变换(R^(2)=0.417,RMSE=0.905)的模型效果最优。在CARS基础上使用筛选过后的特征波段构建植被指数进行建模比较,模型效果最好的是XGBoost(R^(2)=0.620,RMSE=0.826)。展开更多
近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光...近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光谱图像的目标检测研究无疑会产生相当的促进作用。研究提出引入视觉注意机制理论应用于波段选择研究,构建面向目标检测应用的视觉注意机制波段选择模型。通过分析计算波段图幅的目标与背景的可识别程度,量化所在波段对地物目标与背景的判别能力,提出了基于目标视觉可识别度的波段选择方法;利用LC显著性算法进行空间域的视觉显著性目标分析,计算背景与目标的显著性差异绝对值,提出基于LC显著目标结构分布的波段选择方法。将这两种方法结合提出的改进子空间划分方法,建立面向目标检测的视觉注意机制波段选择模型,并经高光谱遥感AVIRIS San Diego公开数据集进行目标检测实验验证,结果表明所提出的基于视觉注意机制的波段选择模型对于目标检测应用具有较好的检测效果,实现了数据降维和高效的计算处理。展开更多
文摘选取典型芦苇湿地基于芦苇叶片实测高光谱数据和叶面积指数(Leaf Area Index,LAI),在原始光谱的基础上进行了平滑(R)、一阶微分(FD)、倒数(RT)、对数(LT)、倒数一阶微分(RTFD)、对数一阶微分(LTFD)等六种光谱变换,利用竞争性自适应重加权算法(CARS)对不同变换下芦苇LAI特征光谱波段予以筛选,进而用筛选的特征波段采用逐波段组合法(BCI)构建芦苇LAI敏感光谱指数,利用随机森林(RF)、极端梯度提升(XGBoost)以及支持向量机(SVM)回归算法,构建芦苇LAI的高光谱估算模型。结果表明,采用CARS算法筛选不同变换光谱的特征波段构建模型,发现经过FD变换(R^(2)=0.417,RMSE=0.905)的模型效果最优。在CARS基础上使用筛选过后的特征波段构建植被指数进行建模比较,模型效果最好的是XGBoost(R^(2)=0.620,RMSE=0.826)。
文摘近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光谱图像的目标检测研究无疑会产生相当的促进作用。研究提出引入视觉注意机制理论应用于波段选择研究,构建面向目标检测应用的视觉注意机制波段选择模型。通过分析计算波段图幅的目标与背景的可识别程度,量化所在波段对地物目标与背景的判别能力,提出了基于目标视觉可识别度的波段选择方法;利用LC显著性算法进行空间域的视觉显著性目标分析,计算背景与目标的显著性差异绝对值,提出基于LC显著目标结构分布的波段选择方法。将这两种方法结合提出的改进子空间划分方法,建立面向目标检测的视觉注意机制波段选择模型,并经高光谱遥感AVIRIS San Diego公开数据集进行目标检测实验验证,结果表明所提出的基于视觉注意机制的波段选择模型对于目标检测应用具有较好的检测效果,实现了数据降维和高效的计算处理。
