基于高光谱图像的分类方法研究

随着高光谱图像技术的发展,高光谱图像在众多领域得到了广泛应用.高光谱图像分类是其应用领域的一个重要分支,其中高精度的分类算法则是实现准确分类的前提.高光谱图像分辨率高、波段数多、数据量大等特点给传统分类技术带来了巨大挑战.该文综述了基于高光谱图像的支持向量机分类法、人工神经元网络分类法、决策树分类法、最大似然分类法等监督分类方法以及K-均值聚类法和迭代自组织方法等非监督分类方法,并结合实际高光谱图像数据给出应用实例.基于不同应用需求,以上两类分类方法均能最大程度地挖掘高光谱图像的图谱信息,从而实现更加准确和精细的模式识别.

基于颜色的自组织聚类分析图象检索算法

本文提出了一种改进的迭代自组织聚类分析方法（ISODATA）来实现基于颜色的图象检索。算法选择符合的人的视觉的HSV模型，充分发挥了色度的描述作用。同时，选择HSV空间上的颜色直方图作为颜色特征，该特征描述了图像颜色的统计分布特征，且具有平移，尺度和旋转不变性，算法改进了ISODATA的初始聚类中心的选取方法，其初始聚类中心的选择是面向数据分布的，具有较好的通用性，因此适合各种分布特性的数据对象，实验结果表明，算法的检索精度明显好于传统的基于RGB直方图的检索结果。

基于集对分析的半监督ISODATA聚类

提出一个基于集对分析的半监督ISODATA聚类算法,用于网络异常检测。在三方面进行了改进:首先,算法能够直接处理字符数字混合属性的数据,并使用集对分析来计算数据记录之间的距离;其次,算法同时处理有标号和无标号的数据,并利用少量的有标号数据来指导算法的分裂过程;最后,将算法的输入参数减少到只有两个。在KDD99入侵检测数据集上的实验结果显示,该算法获得了95.62%的检测率和1.29%的误报率。