基于自适应子空间分解的自适应超谱图像波段选择方法

针对超谱图像数据波段选择问题,最大限度地保留图像数据中的分类诊断特征,提高分类识别的精度,本文提出了一种基于自适应子空间分解的自适应波段选择的新方法。通过仿真实验,证明了这种方法对超谱图像数据分类的有效性。

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器;利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.

基于信息融合的超谱图象分类方法研究

针对高数据维给超谱图象有效信息提取和分类造成的困难 ,引入了自适应子空间分解方法进行数据源的划分 ,并在此基础上进行了基于信息融合的超谱图象分类研究 .在根据超谱数据本身特点获得的子空间上进行信息融合 ,有利于分类特征的集中和提取 .实验结果表明 ,利用自适应子空间分解方法划分数据源是有效的 。