联合改进拉普拉斯特征映射和k-近邻分类器的高光谱影像分类
高光谱影像利用流形学习降维和分类器分类时往往忽略了影像本身的空间特征,这将严重制约最终的分类精度.因此,本文以拉普拉斯特征映射和k-近邻分类器为例,提出了自适应加权综合核距离来同时改进流形学习方法和分类器方法,目的在于改善高光谱影像的分类结果.自适应加权综合核距离同时考虑高光谱影像的光谱特征和空间特征,且能够针对每个像素点自动估算空间邻域来描述空间特征.通过Indian和PaviaU两个数据集来分析和验证本文提出的组合策略,实验结果表明,本文提出的组合策略得到的分类结果明显优于常规拉普拉斯特征映射降维和常规k-近邻分类的组合策略,能够得到更高精度的分类结果.
高光谱分类、非线性降维、改进拉普拉斯特征映射、改进k-近邻分类、自适应加权综合核距离
40
P237.3;TP753(摄影测量学与测绘遥感)
国家自然科学基金资助项目41401389;中国博士后科学基金第57批面上资助项目2015M570668;宁波市自然科学基金资助项目2014A610173;浙江省教育厅科研项目Y201430436;宁波大学学科建设项目ZX2014000400;矿山空间信息技术国家测绘地理信息局重点实验室开放基金资助项目KLM201309.The National Nature Science Foundation of China,No.41401389;The 57th Chinese Postdoctoral Science Foundation,No.2015M570668;Ningbo Natural Science Foundation,No.2014A610173;Research Project of Zhejiang Educational Committee,No.Y201430436;Discipline Construction Project of Ningbo University,No.ZX2014000400;Key Laboratory of Mining Spatial Information Technology of NASMG,No.KLM201309.
2015-10-23（万方平台首次上网日期，不代表论文的发表时间）
1151-1156
