基于主基底分析降维方法的水稻冠层叶片叶绿素含量估算

针对无人机高光谱遥感数据的高维特性,本文提出了一种基于主基底分析的降维方法。选取对叶绿素敏感的400～1 000 nm波段进行Gram_Schmidt变换找到投影空间,构造集中波段信息的主基底,建立最小二乘回归模型来进行叶绿素含量估算。结果表明:基于主基底分析降维方法的建模决定系数(R^2)为0.689,均方根误差(root mean square error,RMSE)为2.20,验证模型的RMSE为1.20;与3种植被指数PRI、RD_2和MCARI降维后建立的相同模型预测精度相比,该方法的建模R^2有了很大的提升,而验证模型的RMSE有所降低。研究结果验证了所提算法的有效性,对植物叶片的叶绿素含量估算具有重要意义。

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始未降维数据,降维后的高光谱图像分类精度有较大幅度的提高.