针对单一使用联合稀疏表示分类(JSRC)或支持向量机(SVM)对高光谱遥感图像进行分类时,单级分类器不能很好适应高光谱遥感图像所具有的维度高、像元信号相似度高和线性混杂的特点导致分类精度差的问题,提出一种两级分类器方法对高光谱图...针对单一使用联合稀疏表示分类(JSRC)或支持向量机(SVM)对高光谱遥感图像进行分类时,单级分类器不能很好适应高光谱遥感图像所具有的维度高、像元信号相似度高和线性混杂的特点导致分类精度差的问题,提出一种两级分类器方法对高光谱图像进行分类。首先将JSRC作为前级分类器进行分类,然后选出重构残差最小的两个类计算辨识系数,当系数大于预设阈值时,直接采纳JSRC分类结果,否则用这两个基原子对应类的训练样本去训练后级SVM分类器,再输出SVM的分类结果。实验结果表明,在帕维亚大学(University of Pavia)数据集上两级分类器算法的总分类精度与JSRC相比提高了3.26%;与SVM相比总分类精度提高了2.33%。所提算法克服了JSRC和SVM对高光谱图像信号适应性不稳定的缺点,在高光谱遥感图像的分类精度上有较大的优势。展开更多
文摘针对单一使用联合稀疏表示分类(JSRC)或支持向量机(SVM)对高光谱遥感图像进行分类时,单级分类器不能很好适应高光谱遥感图像所具有的维度高、像元信号相似度高和线性混杂的特点导致分类精度差的问题,提出一种两级分类器方法对高光谱图像进行分类。首先将JSRC作为前级分类器进行分类,然后选出重构残差最小的两个类计算辨识系数,当系数大于预设阈值时,直接采纳JSRC分类结果,否则用这两个基原子对应类的训练样本去训练后级SVM分类器,再输出SVM的分类结果。实验结果表明,在帕维亚大学(University of Pavia)数据集上两级分类器算法的总分类精度与JSRC相比提高了3.26%;与SVM相比总分类精度提高了2.33%。所提算法克服了JSRC和SVM对高光谱图像信号适应性不稳定的缺点,在高光谱遥感图像的分类精度上有较大的优势。
