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。

基于快速子空间分解的组滤波自适应杂波抑制算法

针对部分相关、中等起伏目标的最佳检测，本文提出了基于快速子空间分解的组滤波自适应杂波抑制算法．由于采用了快速子空间分解方法，明显降低了算法运算量而使其易于实时实现．文中所采用的最小二乘同组滤波相结合的方法使得即使在非平稳的条件下也可以获得良好的杂波谱估计，进而可以有针对性地完成特定多普勒域的目标提取，实现在变化杂波条件下的有效杂波抑制和目标检测．

基于子空间划分的高光谱图像波段选择方法

高光谱遥感图像数据具有数据量大、波段冗余度大、波段间相关性强的特点,不利于图像的判读解译。如何从上百个波段中选出最优的波段组合对目标识别和分类是需要解决的问题。论文利用自动子空间划分法,结合相关系数矩阵"分块"的特点将所有波段进行大致划分,运用自适应波段选择法和光谱角制图算法进行波段选择。首先对所有波段利用相关系数矩阵划分子空间,再在各个子空间提取指数最大的波段,最后依据地物光谱可分性选取最佳的波段组合。最终计算论文方法与常用波段选择方法所选波段的相关系数和以及均方差,验证了论文方法的优越性。

一种改进的高光谱遥感数据波段选择方法的研究

高光谱遥感数据波段多、数据量大的优点同样给数据处理带来了极大的困难,通过对已有常见波段选择方法的研究,发现其无法同时满足所选择波段相关性小、所含信息量大且光谱可分性好等要求。针对以上问题,本文提出了一种新的方法,综合使用了子空间划分、自适应波段选择和光谱可分性距离等方法,得到最优波段组合。

基于子空间划分和自我表示学习的高光谱波段选择

基于高光谱图像的应用,在不降低性能的前提下,选择具有信息和代表性的波段是大数据环境下一项具有挑战性的任务。许多波段选择方法忽略波段的有序性,只考虑波段的冗余性,这会导致有价值的波段丢失,而保留无用的波段。针对此问题,提出了一种自适应子空间划分和自我表示学习的高光谱波段选择方法(Adaptive subspace partition-Self-representcd learning,ASP-SRL),该方法最大限度地利用类间距离与类内距离之比,将高光谱图像立方体分割为多个子立方体。子立方体采用自表示学习算法处理,在处理完所有子立方体以后,采用记忆向量q进行波段选择。与三个公开高光谱影像数据集和最新的波段选择方法Multi-dictijonary sparse representation(MDSR)、Scalable one-pass self-representation learning(SOP-SRL)、Adaptive subspace partition strategy(ASPS)相比,所提出方法在OA、AA和Kappa三个指标上都优于其他算法。