基于一类支持向量机的高光谱影像地物识别

被引：8

作者：

陈伟 ^{[1
]}

余旭初 ^{[1
]}

张鹏强 ^{[1
]}

王智超 ^{[2
]}

王鹤 ^{[3
]}

机构：

[1] 信息工程大学测绘学院

[2] 部队

[3] 北京望神州科技有限公司销售部

来源：

计算机应用 | 2011年 / 31卷 / 08期

关键词：

高光谱影像; 一类支持向量机; 支持向量数据描述; 地物识别; 参数选择;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

081002 ;

摘要：

高光谱遥感影像具有丰富的光谱信息,在地物识别方面具有明显的优势。一类支持向量机(OCSVM)不仅保留了支持向量机的原有优势,而且只需要待识别类型的训练样本。为此提出了算法,通过数学模型选择、核函数设计与参数的自适应调整将OCSVM原理融入到高光谱影像的地物识别算法中,提高了识别的精度,降低了对训练样本的要求。最后利用两幅高光谱影像进行了实验分析,实验结果证明了所提算法的有效性。

引用

页码：2092 / 2096+2100 +2100

页数：6

共 9 条

[1] 高光谱图像目标检测研究进展 [J].

贺霖 ;

潘泉 ;

邸韡 ;

李远清 .

电子学报, 2009, 37 (09) :2016-2024

[2]

基于光谱角度匹配方法提取黑土边界.[J].张新乐;张树文;李颖;刘焕军;.光谱学与光谱分析.2009, 04

[3] 基于支撑向量回归的高光谱混合像元非线性分解 [J].

吴波 ;

张良培 ;

李平湘 .

遥感学报, 2006, (03) :312-318

[4] 高光谱──遥感测绘的新机遇 [J].

余旭初 ;

冯伍法 ;

林丽霞 .

测绘科学技术学报, 2006, (02) :101-105

[5] Estimating the support of a high-dimensional distribution [J].

Schölkopf, B ;

Platt, JC ;

Shawe-Taylor, J ;

Smola, AJ ;

Williamson, RC .

NEURAL COMPUTATION, 2001, 13 (07) :1443-1471

[6] New support vector algorithms [J].

Schölkopf, B ;

Smola, AJ ;

Williamson, RC ;

Bartlett, PL .

NEURAL COMPUTATION, 2000, 12 (05) :1207-1245

[7]

支持向量机理论及工程应用实例.[M].白鹏等; 编著.西安电子科技大学出版社.2008,

[8]

高光谱遥感应用研究.[M].万余庆; 谭克龙; 著.科学出版社.2006,

[9]

基于机器学习方法的高光谱影像分类研究.[D].杨国鹏.解放军信息工程大学.2010, 07

← 1 →