| 优化子空间SVM集成的高光谱图像分类 |
| |
| 作者姓名： | 杨凯歌 冯学智 肖鹏峰 朱榴骏 |
| |
| 作者单位： | 南京大学 地理信息科学系, 江苏省地理信息技术重点实验室, 卫星测绘技术与应用国家测绘地理信息局重点实验室, 南京 210023,南京大学 地理信息科学系, 江苏省地理信息技术重点实验室, 卫星测绘技术与应用国家测绘地理信息局重点实验室, 南京 210023,南京大学 地理信息科学系, 江苏省地理信息技术重点实验室, 卫星测绘技术与应用国家测绘地理信息局重点实验室, 南京 210023,南京大学 地理信息科学系, 江苏省地理信息技术重点实验室, 卫星测绘技术与应用国家测绘地理信息局重点实验室, 南京 210023 |
| |
| 基金项目： | 江苏省自然科学基金项目(编号:BK20131056);福建省自然科学基金项目(编号:2015J01175) |
| |
| 摘 要： | 
随机子空间集成是很有前景的高光谱图像分类技术,子空间的多样性和单个子空间的性能与集成后的分类精度密切相关。传统方法在增强单个子空间性能的同时,往往会获得大量最优但相似的子空间,因而减小它们之间的多样性,限制集成系统的分类精度。为此,提出优化子空间SVM集成的高光谱图像分类方法。该方法采用支持向量机(SVM)作为基分类器,并通过SVM之间的模式差别对随机子空间进行k-means聚类,最后选择每类中J-M距离最大的子空间进行集成,从而实现高光谱图像分类。实验结果显示,优化子空间SVM集成的高光谱图像分类方法能够有效解决小样本情况下的Hughes效应问题;总体精度达到75%–80%,Kappa系数达到0.61–0.74;比随机子空间集成方法和随机森林方法分类精度更高、更稳定,适合高光谱图像分类。
|
| 关 键 词： | 高光谱图像分类 随机子空间 优化子空间 支持向量机 |
| 收稿时间： | 2015-08-15 |
| 修稿时间： | 2015-01-12 |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《遥感学报》浏览原始摘要信息 |
|
点击此处可从《遥感学报》下载免费的PDF全文 |
|
