首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
结合分水岭分割的合成核SVM高光谱分类
Combining Watershed Segmentation with Composite-kernels for Hyperspectral Image Classification
投稿时间:2016-03-29  最后修改时间:2016-04-12
DOI:
中文关键词:  分类;高光谱图像;分水岭分割;空间近邻;合成核SVM
英文关键词:Classification; hyperspectral image; watershed segmentation; spatial neighbors; composite-kernels SVM
基金项目:江苏省自然科学基金重点重大专项“面向物联网和云计算环境的海量数据管理与分析”(BK2011005);国家自然科学基金面上项目“多重代价失衡的机器学习算法研究”(61272222);江苏省自然科学基金“增强型大间隔分类器机器拓展研究”(BK2011782)
作者单位E-mail
赵振凯 南京师范大学计算机学院 zzkgo@qq.com 
杨明 南京师范大学计算机学院 myang@njnu.edu.cn 
摘要点击次数: 91
全文下载次数: 
中文摘要:
      高光谱图像丰富的光谱信息,使其在目标检测,地物分类,污染防治以及军事侦查等领域都具有重要应用,分类作为高光谱应用的重要中间步骤引起了广泛关注。高光谱图像空间信息刻画了光谱像素点与近邻关系,可以较好的弥补单纯使用光谱信息难以解决的同物异谱,同谱异物以及高维小样本等问题。传统预处理方式空间信息的使用是基于固定结构(如方窗)选择的空间近邻计算空间特征辅助分类,然而这种方式会由于窗口大小影响空间特征质量,特别是当待分类像素点位于空间边界。为此本文提出了结合分水岭分割的合成核SVM高光谱分类方法,首先根据分水岭过分割区域自适应选择更紧致与判别性强的空间近邻,然后通过合成核SVM有效的把空间信息融入到原光谱信息分类中,核方法又在一定程度解决高维小样本问题。实验结果表明,本文提出的方法能够更好的使用空间信息,实现在少量样本下高光谱图像的快速高精度分类。
英文摘要:
      The rich spectral information of Hyperspectral images makes it widely used in target dectection, terrain classification, pollution prevention and military reconnaissance. And classification being the fundamental step to further explore the Hyperspectral images arises wide concern. The spatial information describes the connections between pixels with its spatial neighbors which can help solve the problems like metameric substance of same spectrum, metameric spectrum of same substance and insufficient labeled samples with a high dimension while the spectral information can’t handle these problems well. The traditional preprocessing way employs a structure element to get the spatial neighbors and assist the last classification with the extracted spatial features. It’s obvious that the structure element matters much, however we can’t find a suitable size to meet all demands especially when the pixels locate besides the boundary. For dealing this, we propose a method combing watershed segmentation with composite-kernels SVM. Firstly it is the characteristics of over segmentation that we use to get a self-adapting spatial neighbors containing less dissimilar pixels and being more discriminant for every pixel. Then we fuse the spatial features and the spectral through the composite-kernels SVM and give a reliable judgement lastly, the kernel method in some degree solves the high-dimensional space and small sample size problem. Experiments show that the proposed method can make a better use of the spatial imformation and achieve a high accuracy with limited training samples.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第895021位访问者 本站今日一共被访问208

技术支持:北京勤云科技发展有限公司