| 404 | 10 | 79 |
| 下载次数 | 被引频次 | 阅读次数 |
根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善。
Abstract：In this paper,according to hyperspectral RS image data characteristics,it is carried on to select feature by spectral relevance,and then the SVM is used for analysis and interpretation of hyperspectral RS image,finally,test is done on the AVIRIS image and the results show that classification accuracy is better than conventional methods.
[1]童庆禧,张兵,郑兰芬.高光谱遥感-原理、技术与应用[M].北京:高等教育出版社,2006
[2]杨志民,刘广利.不确定性支持向量机原理与应用[M].北京:科学出版社,2007
[3]舒宁.应加强多光谱图像理解理论与方法的研究[J].国土资源遥感,1999(3):28-30
[4]夏建涛.基于机器学习的高维多光谱数据分类[D].西安:西北工业大学博士论文,2002
[5]Kim K I,Park S H,Kim H J.Kernel Principal Component Analysis for Texture Classification[J].IEEE Signal Processing Letters,2001,8(2):39-41
[6]徐勋华,王继成.支撑向量机的多类分类方法[J].微电子学与计算机,2004(10):149-152
[7]于宁锋,杨化超.一种用于高光谱遥感影像分类的改进多类支持向量机[J].遥感信息,2007(5):7-11
[8]赵春晖,陈万海,万建.一种改进的多类支持向量机超光谱图像分类方法[J].智能系统学报,2008(2):77-82
基本信息:
中图分类号:P237
引用信息:
[1]沈照庆,王建宾,陶建斌.基于光谱相关性的SVM高光谱遥感影像分类[J].地理空间信息,2009,7(04):88-91.
基金信息:
国家973计划资助项目(2006CB701303)