为了提高分类精度和边缘辨识性,该文引入图像空间一致性降元(pixels reduction with spatialcoherence property,PRSCP)及线性回归分析,提出了一种基于空间一致性降元的非监督分类。该方法从像元光谱相似性出发,利用像元最小关联窗口合...为了提高分类精度和边缘辨识性,该文引入图像空间一致性降元(pixels reduction with spatialcoherence property,PRSCP)及线性回归分析,提出了一种基于空间一致性降元的非监督分类。该方法从像元光谱相似性出发,利用像元最小关联窗口合并相邻相似像元为像块完成降元。使用线性关系建模像块内像元的光谱向量,并利用F检验判断像块数据的线性显著性。利用一元线性回归(one dimensional linear regression,ODLR)估计出像块的基准向量,根据基准向量合并相似(同类)像块完成分类。利用AVIRIS数据评估了该方法性能,实验结果表明:与K-MEANS和ISODATA方法相比,该方法精度高、边缘辨识度好及鲁棒性强。展开更多
文摘为了提高分类精度和边缘辨识性,该文引入图像空间一致性降元(pixels reduction with spatialcoherence property,PRSCP)及线性回归分析,提出了一种基于空间一致性降元的非监督分类。该方法从像元光谱相似性出发,利用像元最小关联窗口合并相邻相似像元为像块完成降元。使用线性关系建模像块内像元的光谱向量,并利用F检验判断像块数据的线性显著性。利用一元线性回归(one dimensional linear regression,ODLR)估计出像块的基准向量,根据基准向量合并相似(同类)像块完成分类。利用AVIRIS数据评估了该方法性能,实验结果表明:与K-MEANS和ISODATA方法相比,该方法精度高、边缘辨识度好及鲁棒性强。
