传统的基于Prim算法的高光谱图像波段分组排序需要计算所有波段之间的相关系数,并采用满秩相关系数矩阵作为邻接矩阵进行比较,计算复杂度较高。结合模糊数学的相似度衡量理论和高光谱图像的特点,首先提出使用计算简单的最大最小贴近度(m...传统的基于Prim算法的高光谱图像波段分组排序需要计算所有波段之间的相关系数,并采用满秩相关系数矩阵作为邻接矩阵进行比较,计算复杂度较高。结合模糊数学的相似度衡量理论和高光谱图像的特点,首先提出使用计算简单的最大最小贴近度(maximum and minimum closeness,MMC)作为衡量高光谱图像波段间相关性的参数;然后将MMC的满秩邻接矩阵稀疏化,提取有效波段进行排序,明显降低了排序的波段数目和比较次数。实验结果表明,与传统的Prim算法相比,所提出的算法在保持原有压缩效率的同时,大大降低了波段排序的复杂度,平均波段排序运行时间减少了27%。展开更多
文摘传统的基于Prim算法的高光谱图像波段分组排序需要计算所有波段之间的相关系数,并采用满秩相关系数矩阵作为邻接矩阵进行比较,计算复杂度较高。结合模糊数学的相似度衡量理论和高光谱图像的特点,首先提出使用计算简单的最大最小贴近度(maximum and minimum closeness,MMC)作为衡量高光谱图像波段间相关性的参数;然后将MMC的满秩邻接矩阵稀疏化,提取有效波段进行排序,明显降低了排序的波段数目和比较次数。实验结果表明,与传统的Prim算法相比,所提出的算法在保持原有压缩效率的同时,大大降低了波段排序的复杂度,平均波段排序运行时间减少了27%。
