基于多特征融合与典型降维方法的高光谱影像分类
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.
高光谱影像、影像分类、降维、特征融合、随机森林
P237(摄影测量学与测绘遥感)
广西八桂学者专项项目;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资助课题
2022-05-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
32-36,50