高光谱影像光谱-空间多特征加权概率融合分类
提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法.首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF 特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征；然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果；最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果.为了验证该方法的有效性,利用 ROSIS和 AVIRIS影像进行试验,总体分类精度分别达到97．65％和96．62％.结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果.
光谱-空间特征、概率融合、支持向量机、高光谱、分类
P227(大地测量学)
国家自然科学基金41101410;陕西省自然科学基金2010JM5009Foundation support:The National Natural Science Foundation of China41101410;The National Natural Science Foundation of Shaanxi Province of China2010JM5009
2015-09-18（万方平台首次上网日期，不代表论文的发表时间）
共10页
909-918
