首页|基于多特征融合与典型降维方法的高光谱影像分类

基于多特征融合与典型降维方法的高光谱影像分类

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
高光谱影像的冗余信息给影像的分类效果带来一定的负面影响.本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法.结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高.②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高.在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01％;Kappa系数为0.9699.
Hyperspectral image classification based on multi-feature fusion and dimensionality reduction algorithms

窦世卿、陈治宇、徐勇、郑贺刚、苗林林、宋莹莹

展开 >

桂林理工大学测绘地理信息学院,广西 桂林541006

高光谱影像 影像分类 降维 特征融合 随机森林

广西八桂学者专项国家自然科学基金广西自然科学基金桂林市科技局重点项目广西空间信息与测绘重点实验室项目

420610592020JJB15002520210128151428212191851016

2022

测绘通报
测绘出版社

测绘通报

CSTPCDCSCD北大核心
影响因子：1.027
ISSN：0494-0911
年,卷(期)：2022.(4)
  • 12