基于核熵成分分析的高光谱遥感图像分类算法

›› 2012, Vol. ›› Issue (06): 1597-1601.

基于核熵成分分析的高光谱遥感图像分类算法

王瀛, 郭雷, 梁楠

西北工业大学自动化学院, 西安 710129

收稿日期:2011-09-08 出版日期:2012-11-01
通讯作者: 郭雷(1956-),男,教授,博士生导师.研究方向:模式识别与图像处理.E-mail:lguo@nwpu.edu.cn E-mail:lguo@nwpu.edu.cn
基金资助:
国家自然科学基金项目(60802084).

Classification algorithm of hyperspectral images based on kernel entropy analysis

WANG Ying, GUO Lei, LIANG Nan

Institute of Automatic, Northwest Polytechnical University, Xi'an 710129, China

Received:2011-09-08 Online:2012-11-01

摘要/Abstract

摘要： 根据核熵成分分析(KECA)的特点提出了基于凸面几何学概念的样本集选取方法和以特征空间光谱角为相似性度量的C-均值分类算法,并将其用于高光谱遥感图像分类。在HYDICE高光谱数据上的试验表明,本文提出的算法可以有效地提高分类精度。

关键词: 信息处理技术, 高光谱图像, Renyi熵, 图像分类, 核熵成分分析

Abstract: To take advantage of the characteristics of KECA for hyperspectral remote sensing image classification, an approach of sample set selection and C-means classification is proposed. The sample selection is based on convex geometry concepts and C-means classification uses spectral angles as distance metrics in feature space. Experiment results of HYDICE hyperspectral data confirm that the proposed approach can improve classification accuracy effectively.

Key words: information processing, hyperspectral image, Renyi entropy, image classification, kernel entropy component analysis

中图分类号:

TN911.73

王瀛, 郭雷, 梁楠. 基于核熵成分分析的高光谱遥感图像分类算法[J]. , 2012, (06): 1597-1601.

WANG Ying, GUO Lei, LIANG Nan. Classification algorithm of hyperspectral images based on kernel entropy analysis[J]. , 2012, (06): 1597-1601.

参考文献

[1] Jia X, Richards J A. Segmented principal components transformation for efficient hyperspectral remote sensing image display and classification[J]. Geosci Remote Sensing, 1999, 37(1): 538-542.
[2] Hughes G. On the mean accuracy of statistical pattern recognizers[J]. IEEE Transactions on Information Theory, 1968, 14(1):55-63.
[3] Jolliffe I. Principal Component Analysis[M]. New York: Springer-Verlag, 1986.
[4] Guo B, Gunn S R, Damper R I, et al. Band selection for hyperspectral image classification using mutual information[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(4): 522-526.
[5] Landgrebe D A. Signal Theory Methods in Multispectral Remote Sensing[M]. N J Hoboken: JohnWiley & Sons, 2003.
[6] Sch?lkopf B, Smola A, M黮ler K R. Nonlinear component analysis as a Kernel eigenvalue problem[J]. Neural Computation,1998,10(5): 1299-1319.
[7] Bxi Y, Melgani F. Toward an optimal SVM classification system for hyperspectral remote sensing images[J]. IEEE Transactions on Geoscience Sensing, 2006, 44(11): 3374-3385.
[8] Camps-Valls G, Luis G C, Jordi M M, et al. Composite kernels for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(1): 93-97.
[9] Tuia D, Ratle F, Pozdnoukhov A, et al. Multi-source composite kernels for urban image classification[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(1): 88-92.
[10] Jenssen R, Eltoft T, Girolami M, et al. Kernel maximum entropy data transformation and an enhanced spectral clustering algorithm[C]//Advances in Neural Information Processing Systems 19, Columbia, Canada, 2007:633-640.
[11] Jenssen R. Kernel entropy component analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(5):847-860.
[12] Fauvel M, Chanussot J, Benediktsson J A. Kernel principal component analysis for the classification of hyperspectral remote sensing data over urban areas[J]. Journal on Advances in Signal Processing, 2009(11):1-14.

相关文章 15

[1]	苏寒松,代志涛,刘高华,张倩芳. 结合吸收Markov链和流行排序的显著性区域检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1887-1894.
[2]	徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[3]	黄勇,杨德运,乔赛,慕振国. 高分辨合成孔径雷达图像的耦合传统恒虚警目标检测[J]. 吉林大学学报(工学版), 2018, 48(6): 1904-1909.
[4]	李居朋,张祖成,李墨羽,缪德芳. 基于Kalman滤波的电容屏触控轨迹平滑算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1910-1916.
[5]	应欢,刘松华,唐博文,韩丽芳,周亮. 基于自适应释放策略的低开销确定性重放方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1917-1924.
[6]	陆智俊,钟超,吴敬玉. 星载合成孔径雷达图像小特征的准确分割方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1925-1930.
[7]	刘仲民,王阳,李战明,胡文瑾. 基于简单线性迭代聚类和快速最近邻区域合并的图像分割算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1931-1937.
[8]	单泽彪,刘小松,史红伟,王春阳,石要武. 动态压缩感知波达方向跟踪算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1938-1944.
[9]	姚海洋, 王海燕, 张之琛, 申晓红. 双Duffing振子逆向联合信号检测模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1282-1290.
[10]	全薇, 郝晓明, 孙雅东, 柏葆华, 王禹亭. 基于实际眼结构的个性化投影式头盔物镜研制[J]. 吉林大学学报(工学版), 2018, 48(4): 1291-1297.
[11]	陈绵书, 苏越, 桑爱军, 李培鹏. 基于空间矢量模型的图像分类方法[J]. 吉林大学学报(工学版), 2018, 48(3): 943-951.
[12]	陈涛, 崔岳寒, 郭立民. 适用于单快拍的多重信号分类改进算法[J]. 吉林大学学报(工学版), 2018, 48(3): 952-956.
[13]	孟广伟, 李荣佳, 王欣, 周立明, 顾帅. 压电双材料界面裂纹的强度因子分析[J]. 吉林大学学报(工学版), 2018, 48(2): 500-506.
[14]	林金花, 王延杰, 孙宏海. 改进的自适应特征细分方法及其对Catmull-Clark曲面的实时绘制[J]. 吉林大学学报(工学版), 2018, 48(2): 625-632.
[15]	王柯, 刘富, 康冰, 霍彤彤, 周求湛. 基于沙蝎定位猎物的仿生震源定位方法[J]. 吉林大学学报(工学版), 2018, 48(2): 633-639.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed