吉林大学学报(工学版)

• • 上一篇    下一篇

基于鲁棒支持向量机的光谱解译

王立国1,张晔2,陈浩2   

  1. 1.哈尔滨工程大学 信息与通信工程学院,哈尔滨 150001; 2.哈尔滨工
    业大学 信息工程系,哈尔滨 150006
  • 收稿日期:2006-03-26 修回日期:2006-08-25 出版日期:2007-01-01 发布日期:2007-01-01
  • 通讯作者: 张晔

Spectral unmixing based on robust support vector machine

Wang Li-guo1,Zhang Ye2,Chen Hao2   

  1. 1.College of Information and Communications Engineering, Harbi
    n Engineering University,Harbin 150001,China;
    2.Deptartment of Information Engineering,Harbin Institute of Technology,Harbin 150006,China
  • Received:2006-03-26 Revised:2006-08-25 Online:2007-01-01 Published:2007-01-01
  • Contact: Zhang Ye

摘要: 在传统基于线性光谱混合模型的光谱解译方法中,模型自身的不足以及在光谱解译过程中无
关类别的参与都影响着解译效果。为此,提出一种基于支持向量机并结合空间信息的光谱解
译方法。首先创建一种具有鲁棒特性的线性最小平方支持向量机(LLSSVM),并将其应用于初次光谱解译;然后利用空间信息进行智能性纯像素判定、解译结果校正,并对混合像素进行相关类别
选择;最后再次应用LLSSVM在相关类别内进行二次解译。仿真试验中,本文方法比传统方法在解译精度上提高了10%,表明了该方法具有良好的解译效果。

关键词: 计算机应用, 通信技术, 光谱解译, 线性最小平方支持向量机, 线性光谱混合模型, 空间信息, 鲁棒性

Abstract: In traditional spectral unmixing method based on linear spectral mixing model (LSMM), unmixing accuracy is deteriorated both by the deficiency of the model and the participation of unrelated classes. Therefore, to solve this problem, a method with spatial information considered was proposed based on linear least square support vector machines (LLSSVM). A robust LLSSVM was constructed and then applied to spectral unmixing. Then pure pixels were determined and unmixing results were corrected with related classes selection for each mixing pixel. Ultimately LLSSVM was used again for spectral unmixing with only related classes considered. Simulation results indicate that the unmixing accuracy of the proposed method is improved by 10% higher than that of the traditional methods and is also high in efficiency.

Key words: computer application, communication, spectral unmixing, linear least square su pport vector machines(LLSSVM), linear spectral mixing models(LSMM), spatial inform ation, robustness

中图分类号: 

  • TP751
[1] 刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2] 王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3] 金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4] 赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5] 刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6] 周彦果,张海林,陈瑞瑞,周韬. 协作网络中采用双层博弈的资源分配方案[J]. 吉林大学学报(工学版), 2018, 48(6): 1879-1886.
[7] 欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[8] 刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[9] 车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[10] 桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[11] 刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[12] 孙晓颖, 扈泽正, 杨锦鹏. 基于分层贝叶斯网络的车辆发动机系统电磁脉冲敏感度评估[J]. 吉林大学学报(工学版), 2018, 48(4): 1254-1264.
[13] 董颖, 崔梦瑶, 吴昊, 王雨后. 基于能量预测的分簇可充电无线传感器网络充电调度[J]. 吉林大学学报(工学版), 2018, 48(4): 1265-1273.
[14] 曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[15] 牟宗磊, 宋萍, 翟亚宇, 陈晓笑. 分布式测试系统同步触发脉冲传输时延的高精度测量方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1274-1281.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!