-
公开(公告)号：CN104820840B
公开(公告)日：2018-03-06
申请号：CN201510232962.4
申请日：2015-05-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于字典和波段重组的最近邻高光谱图像分类方法，实现步骤有：用高光谱图像的空间信息，对每一像素点进行L‑邻域均值化处理；按每波段像素点均值大小波段重组并n‑等分为子波段；随机抽取部分像素构成字典，其它像素构成测试样本集合，按子波段将字典与测试样本集合分割为n个子字典与子测试样本集合并对照相应的子字典作最近邻判别，得n幅初始分类图；进行n‑KNN判别，得最终结果图。本发明解决了分类精度不高，分类效果不好及普通空‑谱结合法时间复杂度高，空‑谱信息结合不紧密的问题，引入波段重组与分割，进行多波段多字典判别，利用空‑谱结合的方法进行分类，在较短时间内，获得了较高精度的分类图。精度高，时间复杂度低。
-
Patent Agency Ranking
公开(公告)号：CN104820840A
公开(公告)日：2015-08-05
申请号：CN201510232962.4
申请日：2015-05-08
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于字典和波段重组的最近邻高光谱图像分类方法，实现步骤有：用高光谱图像的空间信息，对每一像素点进行L-邻域均值化处理；按每波段像素点均值大小波段重组并n-等分为子波段；随机抽取部分像素构成字典，其它像素构成测试样本集合，按子波段将字典与测试样本集合分割为n个子字典与子测试样本集合并对照相应的子字典作最近邻判别，得n幅初始分类图；进行n-KNN判别，得最终结果图。本发明解决了分类精度不高，分类效果不好及普通空-谱结合法时间复杂度高，空-谱信息结合不紧密的问题，引入波段重组与分割，进行多波段多字典判别，利用空-谱结合的方法进行分类，在较短时间内，获得了较高精度的分类图。精度高，时间复杂度低。
-
公开(公告)号：CN105956612B
公开(公告)日：2019-03-26
申请号：CN201610261010.X
申请日：2016-04-25
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于主动学习和半监督学习的高光谱图像分类方法，克服了现有技术下标记样本数不足、选取的样本信息量低的问题。本发明具体实现的步骤为：(1)输入数据；(2)获取聚类图；(3)设置最大迭代次数为22；(4)分类；(5)区域划分；(6)区域样本标记；(7)更新样本集；(8)判断最大迭代次数是否为0，若是，则执行步骤(9)，否则，将最大迭代次数减1后执行步骤(4)；(9)利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高光谱图像分类图。本发明利用了区域划分策略选取信息量高的样本，同时，也减少了标记样本的数量，促进了分类精度快速地提高。
-
公开(公告)号：CN104484681B
公开(公告)日：2018-03-13
申请号：CN201410577411.7
申请日：2014-10-24
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于空间信息和集成学习的高光谱遥感影像分类方法，主要解决传统单一分类器自身的局限性和现有集成方法只是利用光谱信息而忽略空间信息的问题。其实现步骤为：1)对高光谱遥感影像数据做PCA变换并提取第一主成分，并对第一主成分进行图像分割，得到一幅分割图；2)用随机特征子集选择方法得到Z个波段子集；3)用SVM对特征子集分别进行训练和测试，得到Z个预测集；4)用多数投票法融合分割图和Z个预测集，得到Z个融合后的标签集；5)对Z个标签集再次用多数投票法进行融合，得到最终的分类映射。本发明在随机特征子集选择集成方法中引入空间信息，极大的提高了分类效果，可用于实际中训练样本特别少的分类。
-
公开(公告)号：CN105956612A
公开(公告)日：2016-09-21
申请号：CN201610261010.X
申请日：2016-04-25
Applicant: 西安电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明公开了一种基于主动学习和半监督学习的高光谱图像分类方法，克服了现有技术下标记样本数不足、选取的样本信息量低的问题。本发明具体实现的步骤为：(1)输入数据；(2)获取聚类图；(3)设置最大迭代次数为22；(4)分类；(5)区域划分；(6)区域样本标记；(7)更新样本集；(8)判断最大迭代次数是否为0，若是，则执行步骤(9)，否则，将最大迭代次数减1后执行步骤(4)；(9)利用更新后的训练样本集训练支撑向量机SVM对测试样本集进行分类，输出高光谱图像分类图。本发明利用了区域划分策略选取信息量高的样本，同时，也减少了标记样本的数量，促进了分类精度快速地提高。
-
公开(公告)号：CN104484681A
公开(公告)日：2015-04-01
申请号：CN201410577411.7
申请日：2014-10-24
Applicant: 西安电子科技大学
CPC classification number: G06K9/6269
Abstract: 本发明公开了一种基于空间信息和集成学习的高光谱遥感影像分类方法，主要解决传统单一分类器自身的局限性和现有集成方法只是利用光谱信息而忽略空间信息的问题。其实现步骤为：1)对高光谱遥感影像数据做PCA变换并提取第一主成分，并对第一主成分进行图像分割，得到一幅分割图；2)用随机特征子集选择方法得到Z个波段子集；3)用SVM对特征子集分别进行训练和测试，得到Z个预测集；4)用多数投票法融合分割图和Z个预测集，得到Z个融合后的标签集；5)对Z个标签集再次用多数投票法进行融合，得到最终的分类映射。本发明在随机特征子集选择集成方法中引入空间信息，极大的提高了分类效果，可用于实际中训练样本特别少的分类。
-
-
-
-
-
Search Results
6
records
(took 0.036 seconds)
