基于改进最小噪声分离变换的特征提取与分类.pdf

《基于改进最小噪声分离变换的特征提取与分类.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、CN43—1258／TP计算机工程与科学第37卷第7期2015年7月ISSN1007—130XComputerEngineering&ScienceVo1．37．No．7．Ju1．2015文章编号：1007—130X(2015)07—1344—05基于改进最小噪声分离变换的特征提取与分类白磷，惠萌(长安大学电子与控制工程学院，陕西西安710064)摘要：在最小噪声分离变换的基础上，引入核方法，采用小波核函数代替传统核函数对最小噪声分离变换予以改进。小波核函数的多分辨率分析特性可进一步提高算法的非线性映射能力。相关向量机高

2、光谱图像分类是一种较新的高光谱图像分类方法，将新型核最小噪声分离变换方法与相关向量机相结合，对高光谱影像数据进行分类实验。仿真实验结果表明，基于小波核最小噪声分离变换的方法体现了高光谱影像的非线性特征，将所提出的方法应用于HYDICE系统在WashingtonDCMall上空拍摄的数据，与对照算法相比，分类精度可提高39／6～8，并可有效地提高小样本区域的分类精度。关键词：相关向量机；高光谱图像分类；核方法；最小噪声分离变换中图分类号：TP391．4文献标志码：Adoi：10．3969／j．issn．1007—130X．

3、2O15．O7．019Classificati0nandfeatureextractionofhyperspectralimagesbasedonimprovedminimumnoisefractiontransformationBAILin，HUIMeng(SchoolofElectronicsandControlEngineering，Chang’anUniversity，Xi’an710064，China)Abstract：Basedonminimumnoisefractiontransformation，wein

4、troduceanovelwaveletkernelmethod，whichimprovestheminimumnoisefractiontransformationbyreplacingthetraditionalkernelfunctionwiththewaveletkernelfunction，foritsfeatureofmulti—resolutionanalysiscanimprovethenonlinearmappingcapabilityofthekernelminimumnoisefractiontra

5、nsformationmethod．Therelevancevectormachineclassificationofhyperspectralimagesisanewclassificationmethodwhichcombinesthenovelkernelminimumnoisefractiontransformationwiththerelevancevectormachine．Simulationre-suhsshowthat，thewaveletkernelminimumnoisefractiontransf

6、ormationmethodreflectsthenonlinearcharacteristicsofthehyperspectralimages．TheproposedmethodisappliedtOtheHYDICEdata(shootoverinWashingtonDCMal1)，andcomparedwiththecomparealgorithm，itsclassificationaccuracycanbeincreasedby3～8andtheclassificationprecisionofareaswit

7、hsmallsampledatacanbeimprovedeffectively．Keywords：RVM；hyperspectralclassification；kernelmethod；minimumnoisefraction以满足高光谱图像分类的需求，面临相当大的困难1引言与挑战]。按照训练过程中是否需要训练样本，HSI影像分类分为非监督分类和监督分类两大类。高光谱影像HSI(HyperSpectralImagery)分非监督分类主要包括：K均值类方法、ISODATA类长期以来一直面I临着小样本、非线性及高数据维动

8、态聚类方法、模糊C均值聚类等~7典型方法。等问题。传统的遥感影像处理模型与方法难非监督分类算法由于没有训练样本，因此对大样白磷等：基于改进最小噪声分离变换的特征提取与分类1345本、高维数数据的分类精度不高。可记为信号分量cs和噪声分量CN之和C—cs+在监督分类中，近年来广泛应用的支持向量机CN。定义噪声分数F和信