利用特征子空间评价与多分类器融合的高光谱图像分类

杨艺; 韩崇昭; 韩德强

您当前的位置：

首页 >

文章列表页 >

利用特征子空间评价与多分类器融合的高光谱图像分类

更新时间：2025-07-09

- 利用特征子空间评价与多分类器融合的高光谱图像分类
- Hyperspectral Image Classification Based on Feature Subspace Evaluation and Multiple Classifier Fusion
- 西安交通大学学报 2010年44卷第8期页码：20-24
- 作者机构：
  
  西安交通大学电子与信息工程学院,西安,710049
- 作者简介：
- 基金信息：
  
  :2009-12-06. 作者简介: 杨艺(1980-),女,博士生;韩崇昭(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(60605009);国家重点基础研究发展规划资助项目(2007CB311006);陕西省电子信息系统综合集成重点实验室资助项目(200910A)
- DOI：
  中图分类号： TP391
- 网络首发：2010-08-10，
  
  纸质出版：2010
- 稿件说明：
移动端阅览
杨艺, 韩崇昭, 韩德强. 利用特征子空间评价与多分类器融合的高光谱图像分类[J]. 西安交通大学学报, 2010,44(8):20-24.

Hyperspectral Image Classification Based on Feature Subspace Evaluation and Multiple Classifier Fusion[J]. 2010, 44(8): 20-24.
杨艺, 韩崇昭, 韩德强. 利用特征子空间评价与多分类器融合的高光谱图像分类[J]. 西安交通大学学报, 2010,44(8):20-24. DOI：

Hyperspectral Image Classification Based on Feature Subspace Evaluation and Multiple Classifier Fusion[J]. 2010, 44(8): 20-24. DOI：

摘要

为应对高光谱图像分类中的特征高维度问题

提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性

通过自适应子空间分解产生多个特征子空间

进而训练生成子分类器; 利用ReliefF-S算法

对各特征子空间进行评价并生成各子分类器的权重

最终通过加权表决融合实现分类决策.实验表明

所提方法可有效规避高维特征问题并提升分类性能.

Abstract

A novel approach for hyperspectral image classification is proposed based on fusion of multiple classifiers to deal with the high dimension in applications of hyperspectral image classification. High correlation of neighboring bands of hyperspectral image data is used to generate feature subsets through adaptive subspace decomposition. A modified ReliefF algorithm(ReliefF-S)is proposed to evaluate feature subsets and to generate their corresponding weight values. Member classifiers are trained based on resulting feature subspaces and their weighted majority voting

and then the fusion of multiple classifiers is accomplished. Experimental results show that the proposed approach reduces the dimension of features effectively

and improves the classification performance.

关键词

Keywords

references

PLAZA A, BENEDIKTSSON J A, BOARDMAN J W. Recent advances in techniques for hyperspectral image processing [J]. Remote Sensing of Environment 2009, 113: S110-S122.

LANDGREBE D. Hyperspectral image data analysis[J]. IEEE Signal Processing Magazine, 2002, 19(1):17-28.

LANDGREBE D. On information extraction principles for hyperspectral data: a white paper[R]. West Lafayette, Indianan, USA: Purdue University. School of Electrical and Computer Engineering, 1997.

SUN Yijun. Iterative relief for feature weighting: algorithms, theories, and applications[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2007, 29(6):1035-1051.

KUNCHEVA L I. Combining pattern classifiers: methods and algorithms[M]. New York, USA: Wiley, 2004.

HO T H. The random subspace method for constructing decision forests [J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 1998, 20(8): 832-844.

TU T M, CHEN C H, WU J L, et al. A fast two-stage classification method for high-dimensional remote sensing data [J]. IEEE Trans on Geoscience and Remote Sensing, 1998, 36(1): 182-191.

ZHANG Ye, MITA D, ZHANG Junping, et al. Adaptive subspace decomposition for hyperspectral data dimensionality reduction [C]∥ Proceedings of IEEE International Conference on Image Processing. Piscataway, NJ, USA: IEEE, 1999: 326-329.

BEHROOZ P. Voting algorithms [J]. IEEE Trans on Reliability, 1994, 43(4):617-629.

孙亮. 高维遥感数据融合与分类的知识发现方法研究[D]. 西安: 西安交通大学电子与信息工程学院,2006.

韩德强. 基于证据推理的多源分类融合理论与方法研究[D].西安: 西安交通大学电子与信息工程学院,2008.

ITT. ENVI tutorial: vegetation hyperspectral analysis [EB/OL].[2009-11-06].http:∥www.ittvis.com/portals/o/tutorials/envi/Vegetation-Analysis.pdf.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向高海拔空冷发电机防晕性能演化规律的电热耦合研究

电子级超纯氮深冷空分流程节能优化研究

超临界二氧化碳向心透平轮背间隙内风阻损失及流动特性研究

张角凹坑气膜孔对双层壁气膜冷却特性的影响

结构-语义-残差协同的图像压缩框架：面向隐私保护与高保真重建