研究目的
提出一种基于局部加权判别分析(LWDA)的新监督降维方法,该方法融合光谱与空间信息,以解决高光谱图像分类中的特征冗余问题。
研究成果
所提出的LWDA方法通过加权散射矩阵和空间一致性有效融合光谱与空间信息,显著提升了高光谱图像分类效果。该方法在现有降维技术中表现突出,尤其适用于小规模训练集场景,能实现显著精度提升(例如在τ=0.05时,Indian Pines数据集提升20%,KSC数据集提升17%)。未来工作将聚焦于提升计算效率以实现在线应用。
研究不足
LWDA的计算成本高于某些基线方法,因为需要为每个训练样本计算投影矩阵。该方法假设小邻域内具有空间一致性,但这一假设可能不适用于所有高光谱图像数据。参数r(邻域大?。┖挺拢ㄈê庀凳┬枰械饔牛庖还炭赡芙衔氖?。
1:实验设计与方法选择:
本研究提出LWDA方法,通过构建加权散布矩阵和空间一致性矩阵实现降维,利用判别信息和空-谱信息优化投影矩阵。
2:样本选择与数据来源:
采用两个真实高光谱图像数据集——Indian Pines(10,249个像素点,16类,200个波段)和Kennedy Space Center(KSC)(5,211个像素点,13类,176个波段),由AVIRIS传感器获取。数据按比例τ(如0.05)划分为训练集和测试集。
3:05)划分为训练集和测试集。
实验设备与材料清单:
3. 实验设备与材料清单:使用配备Intel Xeon CPU E5-2643 v3(3.40 GHz)、64 GB内存、64位Windows 7系统和MATLAB R2017b的个人计算机进行计算。
4:40 GHz)、64 GB内存、64位Windows 7系统和MATLAB R2017b的个人计算机进行计算。
实验流程与操作步骤:
4. 实验流程与操作步骤:针对每个数据集,训练阶段计算加权散布矩阵和空间一致性矩阵后推导投影矩阵;测试阶段利用最近邻训练样本的投影矩阵投影测试样本,并通过最近邻分类器分类。实验重复五次以确??煽啃?。
5:数据分析方法:
采用平均精度(AA)、总体精度(OA)、卡帕系数(KC)及其标准差评估性能,通过McNemar检验比较统计显著性。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容