共查询到10条相似文献,搜索用时 15 毫秒
1.
遥感图像分类时,如果类别不明,K-means算法随机选取不同初值会导致分类结果有较大的差异.针对此问题,提出了一种改进的K-means算法.首先对遥感数据进行对数变换;然后采用主成分变换,依据主成分贡献率(≥85%)选择参与分类的主成分数;根据第一主成分的概率密度函数确定初始分类数和初始分类中心,并确定初始分类标签作为... 相似文献
2.
基于K-L变换的BP神经网络遥感图像分类 总被引:5,自引:1,他引:4
为了提高多光谱遥感图像的分类正确,提出了一种基于主成分分析(K-L变换)的分类方法。该方法先应用K-L变换对多波段遥感图像进行降维,提取最主要的三个成分合成假彩色图,然后利用BP神经网络对假彩色图进行监督分类。由于主成分之间是不相关的,增强了图象信息,降低了神经网络的计算量,提高了分类精度。实验结果证明,该算法分类精度优于传统分类方法,总正确率为88.5%,Kappa系数为0.862,因而具有实用价值。 相似文献
3.
4.
5.
6.
7.
8.
利用基于光谱维的特征提取方法将原始高光谱图像数据降到一定维数,对降维后的数据采用多尺度自适应加权滤波器(adaptive weighted filters,AWF)进行滤波,将在所有尺度上得到的滤波结果分层融合为新的图像,设计了分层融合框架,有效提取出了高光谱图像中重要的空谱特征,从而提高了分类精度。又将主成分分析(principal component analysis,PCA)算法融入到该框架中,提出了分层融合-主成分分析(hierarchical fusion principal component analysis,HF-PCA)算法。该方法不仅降低了波段间的冗余性,而且削弱了样本的类内差异性,提高了高光谱图像的分类精度。在Indian Pines和Salinas数据库上的实验结果表明,即使在训练样本数量较少的情况下,由HFPCA算法得到的分类精度明显高于其他算法,2种数据总体分类精度的最大值分别为86. 73%和95. 01%,有效提高了高光谱图像的分类精度。 相似文献
9.