|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
: G o7 q- V- b8 n摘要:稀疏多元逻辑回归(SMLR)是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归(KSMLR)可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取Ll范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差(Total Variation,TV)正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.
. z. _3 ?0 a' {* I. @7 b
# p# I' R" O& P% p1 I关键词:高光谱;图像分类;核稀疏多元逻辑回归;错误剔除
( _# v# l# e1 c( f9 l& Z+ ]
- L9 o: C* t W* ]+ g1 c6 y; O& J! q9 _ 在高光谱成像仪对地观测环境中,高光谱成像仪可从可见光到红外光谱区域数百个狭窄且连续的波段上获取光谱成像数据.高光谱图像的每个像元都以向量形式存在,其不同元素对应不同波段下的光谱响应值.通常不同物质在特定波段上反射不同的电磁能量，从而可以根据光谱特征来区别不同的物质.
) n, ]; V* {4 ?* _$ L9 x0 E
; A) m$ N" ^5 V) Q6 l
^: {7 m3 Y5 ~ `3 s+ @# ^
9 d- s% _3 y. d$ ]5 [' O
6 t) r2 w9 P, E" f* o+ {" P9 Y( h
' c! B+ R7 g8 L/ v
|
|
/1 
发表于 2021-4-14 09:42
收藏
淘帖
支持！
反对！