基于聚类的高光谱图像非监督波段选择方法

非监督波段选择方法是高光谱图像降维的主要方法,但现有方法应用到实际高光谱图像分类时,分类精度并不理想。本文提出一种改进的基于聚类的高光谱图像非监督波段选择方法,主要通过对传统的K-means聚类算法进行两方面改进:一方面是相似性度量函数;另一方面是聚类中心的选取。然后,通过实验数据用支持向量机法(SVM)对所提算法及现有的三种非监督波段选择方法进行分类。最后,用总体精度(OA)和Kappa系数评价分类结果。表明本文所提方法在分类精度方面优于其他现有方法。

p值统计量建模独立性的高光谱波段选择方法

近年来,p值统计量的使用规范引起了统计学界的极大关注和集中讨论,广泛认为,p值统计量可表达观测数据与备择假设之间的不相容程度。为探究高光谱图像波段的相关分析p值与其样本独立性的联系,进行了演绎推理和实例验证,研究表明,与相关系数r统计量相比,相关分析p统计量可直接表达波段样本的独立性,且p值矩阵具有高水平的自稀疏性,便于建模和计算。进而,对相关性p值矩阵进行直方图频数统计,提出一种基于p值的高光谱自适应波段选择方法 p SMBS。选取典型数据进行了监督分类实验,结果表明,在Kappa系数、总体精度(OA)和平均精度(AA)上,p SMBS均优于同类方法 ABS、Inf FS和LSFS。说明p SMBS在高光谱波段选择方面具有突出的有效性,这也佐证了相关性p值对波段独立性的强表征能力。

高光谱图像的JM变换自适应降维

在无需先验标签样本的情况下,非监督降维可以有效简化高光谱图像的特征空间,避免目标分类中的霍夫效应。本文提出JM非线性变换优化的自适应降维模型来研究面向图像目标分类的高光谱波段选择问题。该方法考虑波段的信息量和独立性等两个重要因子,针对其测度方法的差异性问题,引入JM变换函数进行规范化优化。选用线阵高光谱和面阵显微光谱等两个图像数据集,在k最邻近和随机森林分类器下,进行了多组监督分类实验,结果表明,在Kappa系数、总体分类精度和平均分类精度上,本文方法均优于3种非监督方法MABS、InfFS和LSFS。说明本文提出的JM变换的自适应降维模型能够有效降低特征维度,满足高光谱图像分类的高精度要求。