多尺度样本熵高光谱图像分类

摘要：

针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法.先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数.在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法.将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类.将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价.实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了 98.64％和96.49％,明显高于两种对比算法,同时在时间效率上也有了显著提升.

关键词：高光谱图像分类、多尺度样本熵、支持向量机、深入特征融合网络、自适应波段选择

所属期刊栏目：48

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金;辽宁省教育厅项目

在线出版日期：2023-05-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：117-126