光电工程, 2012, 39 (11): 88, 网络出版: 2012-11-22   

基于光谱特征和纹理特征协同学习的高光谱图像数据分类

Hyperspectral Data Classification with Spectral and Texture Features by Co-training Algorithm
作者单位
1 浙江警察学院刑事科学技术系, 杭州 310053
2 深圳大学计算机与软件学院, 广东 深圳 518060
3 浙江科技学院 信息与电子工程学院,杭州 310023
摘要
高光谱遥感图像中包含有大量的高维数据, 传统的有监督学习算法在对这些数据进行分类时要求获取足够多的有标记样本用于分类器的训练。然而, 对高光谱图像中大量的复杂地物像元所属类别进行准确标注通常需要耗费极大的人力。在本文中, 我们提出了一种基于半监督学习的光谱和纹理特征协同学习 (STF-CT)算法, 利用协同学习机制将高光谱图像光谱特征和空间纹理特征这两种不同的特征结合起来, 用于小训练样本集下的高光谱图像数据分类问题。 STF-CT算法充分利用了高光谱图像的光谱和纹理特征这两个独立视图, 构建起一种有效的半监督分类方法, 用于提升分类器在小训练样本集情况下的分类精度。实验结果表明该算法在小训练样本集下的高光谱地物分类问题上具有很好的效果。
Abstract
Obtaining labeled training sets for hyperspectral image data classification is often time consuming and expensive. Therefore, classification of hyperspectral data with insufficient training samples catches the attention of researchers lately. A spectral and texture feature co-training algorithm is proposed based on a semi-supervised classification scheme. The two views of spectral and spatial information of hyperspectral imagery are combined by using Co-training mechanism. Our algorithm is well suited for the hyperspectral image data classification problem, especially when the size of training samples is small. Experimental results on real data demonstrate that the algorithm can yield good results in land-cover classification with hyperspectral image data.

李吉明, 贾森, 彭艳斌. 基于光谱特征和纹理特征协同学习的高光谱图像数据分类[J]. 光电工程, 2012, 39(11): 88. 李吉明, 贾森, 彭艳斌. Hyperspectral Data Classification with Spectral and Texture Features by Co-training Algorithm[J]. Opto-Electronic Engineering, 2012, 39(11): 88.

本文已被 3 篇论文引用
被引统计数据来源于中国光学期刊网
引用该论文: TXT   |   EndNote

相关论文

加载中...

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!