首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 109 毫秒
1.
空-谱二维蚁群组合优化SVM的高光谱图像分类   总被引:1,自引:0,他引:1  
提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。  相似文献   

2.
支持向量机复合核函数的高光谱显微成像木材树种分类   总被引:1,自引:0,他引:1  
采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53~1 038.57 nm)波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱,分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵(GLCM)的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。  相似文献   

3.
基于克隆选择支持向量机高光谱遥感影像分类技术   总被引:2,自引:0,他引:2  
作为支持向量机(support vector machine,SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM,CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机(gird search SVM,GSSVM)分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明:提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。  相似文献   

4.
基于广义判别分析的光谱分类   总被引:5,自引:4,他引:1  
提出了基于广义判别分析(generalized discriminant analysis,GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类.广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析.实验对比了LDA,GDA,PCA,KPCA算法对于恒星、星系和类星体的光谱分类性能.结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差.  相似文献   

5.
多光谱遥感图像的波段设定在理论和实践上都极具地物针对性,在更有效的数据挖掘方法帮助下可以提取足够的光谱特征以区分地物,本文将光谱匹配技术用于相似性度量,以提高分类准确度.首先选定光谱角制图、光谱相关制图、Mahalanobis距离、光谱相似度和光谱信息差异做为光谱度量;随后选择高斯核函数,在选定核函数之后,得到了核映射下的光谱特征度量来挖掘高光谱遥感数据的光谱特征.最后采用核映射多光谱特征融合法对多光谱遥感图像光谱特征的相似性进行描述,得到基于核映射多光谱特征融合的高光谱遥感图像分类算法.使用MATLAB中的LIBSVM工具箱对AVIRIS高光谱遥感数据进行分类实验,并与已有算法进行对比,结果表明本文提出的算法具有较高的分类准确度和性能.  相似文献   

6.
针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,并将该定位结果作为后验信息输入到SVM中;依据后验信息与核空间散度准则自适应确定SVM中核函数的参数,并使用SVM在核空间中寻找分离目标和背景的最佳超平面;利用该超平面将像元重新分类为背景和目标,并且迭代上述操作,得到精确且稳定的目标检测结果。大量实验结果表明,与经典RX方法、核RX方法、支持向量数据描述(SVDD)方法相比,该方法可以更有效、精确地检测出高光谱遥感图像中的小目标。  相似文献   

7.
研究遥感图像多光谱特征分布是设计分类算法的关键.针对土地利用/覆盖类别由多种地物组成,难以求取多元分布模型分析类别多光谱特征的问题,提出了一种遥感图像土地利用/覆盖多光谱特征分布空间距离分析方法,以样品均值矢量作为类别中心,用最大最小法聚类形成类别多聚类中心,计算各聚类中心与类别中心的空间距离,以距离为横坐标、聚类中心含有的像元数占样品总数的百分比为纵坐标作图,形成内类、类间空间距离分布曲线分析遥感图像土地利用/覆盖类别多光谱特征.分类实验结果与空间距离分析结论吻合,说明空间距离分析方法可行.该方法利用空间距离把多维光谱分布转化为一维距离分布,计算简单,聚类门限值易于确定,多光谱分布特征清晰,较好地解决了多光谱特征的多元分布问题.  相似文献   

8.
基于ICA与SVM算法的高光谱遥感影像分类   总被引:5,自引:0,他引:5  
提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。  相似文献   

9.
基于核独立成分分析的人脸识别   总被引:1,自引:0,他引:1  
张燕昆  刘重庆 《光学技术》2004,30(5):613-615
研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。  相似文献   

10.
梅锋  赵春晖  王立国  尤佳 《光子学报》2014,38(11):2820-2825
提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.  相似文献   

11.
In this paper, we propose a novel classification framework using single feature kernel matrix. Different from the traditional kernel matrices which make use of the whole features of samples to build the kernel matrix, this research uses features of the same dimension of any two samples to build a sub-kernel matrix and sums up all the sub-kernel matrices to get the single feature kernel matrix. We also use single feature kernel matrix to build a new SVM classifier, and adapt SMO (Sequential Minimal Optimization) algorithm to solve the problem of SVM classifier. The results of the experiments on several artificial datasets and some challenging public cancer datasets display the classification performance of the algorithm. The comparisons between our algorithm and L2-norm SVM on the cancer datasets demonstrate that the accuracy of our algorithm is higher, and the number of support vectors selected is fewer, indicating that our proposed framework is a more practical approach.  相似文献   

12.
An improvement to the nearest neighbor classifier (INNC) has shown its excellent classification performance on some classification tasks. However, it is not very clearly known why INNC is able to obtain good performance and what the underlying classification mechanism is. Moreover, INNC cannot classify low-dimensional data well and some high-dimensional data in which sample vectors belonging to different class distribution but have the same vector direction. In order to solve these problems, this paper proposes a novel classification method, named kernel representation-based nearest neighbor classifier (KRNNC), which can not only remedy the drawback of INNC on low-dimensional data, but also obtain competitive classification results on high-dimensional data. We reveal the underlying classification mechanism of KRNNC in details, which can also be regarded as a theoretical supplement of INNC. We first implicitly map all samples into a kernel feature space by using a nonlinear mapping associated with a kernel function. Then, we represent a test sample as a linear combination of all training samples and use the representation ability to perform classification. From the way of classifying test samples, KRNNC can be regarded as the nonlinear extension of INNC. Extensive experimental studies on benchmark datasets and face image databases show the effectiveness of KRNNC.  相似文献   

13.
基于混合概率核主成分二次相关红外目标检测   总被引:1,自引:0,他引:1  
魏坤  赵永强  高仕博  潘泉  张洪才 《光子学报》2008,37(9):1883-1889
在主成分特征提取基础上,提出了一种把子空间二次综合判别函数(Subspace Quadratic Dynthetic Discriminant Function,SSQSDF)作为相关滤波器的红外目标检测算法.该算法把混合概率核主成分分析推广到混合概率模型,在核空间对样本进行特征提取,获取目标样本的低维主特征向量.对训练和待检测样本向主特征向量投影获得它们的低维特征分量,并把获取的特征量作为SSQSDF的样本参量.最后,SSQSDF滤波器输出大于给定阈值所对应的检测区域,将其作为检测目标.实验证明,该算法能较强抑制目标背景噪音,提高目标检测准确度,具有一定的可行性和有效性.  相似文献   

14.
针对近红外光谱高维、高冗余、非线性和小样本等特点导致光谱相似性度量时出现的“维度灾难”,提出一种基于核映射和rank-order距离的局部保持投影(KRLPP)算法。首先将光谱数据经过核变换映射到更高维空间,有效保证了流形结构的非线性特征。然后改进局部保持投影(LPP)算法对数据进行降维操作,将rank-order距离替代传统的欧氏距离或测地线距离,通过共享邻近点的信息,得到更加准确的局部邻域关系。最后在低维空间通过距离的计算实现光谱的度量。该方法不仅有效解决了高维空间存在的“距离失效”问题,同时还提高了相似性度量结果的精度。为了验证KRLPP算法的有效性,首先根据降维前后数据集信息残差的变化确定了最佳参数近邻点的个数k和降维后的维数d。其次,从光谱降维投影效果和模型分类效果两个角度与PCA,LPP和INLPP算法进行了对比,结果表明KRLPP算法对于烟叶的部位有较好的区分能力,降维效果以及对于不同部位的正确识别率明显优于PCA,LPP和INLPP。最后,从某品牌卷烟叶组配方中选取了5个代表性烟叶作为目标烟叶,分别采用PCA,LPP和KRLPP方法从300个用于配方维护的烟叶样品中为每个目标烟叶寻找相似烟叶,并从化学成分和感官评价两方面对替换前后的烟叶及叶组配方进行了评价分析。其中LPP和KRLPP用于降维的参数选择保持一致,PCA选择前6个主成分。结果表明,由KRLPP选出的替换烟叶与替换配方在总糖、还原糖、总烟碱、总氮等化学成分以及香气、烟气、口感等感官指标上较PCA、LPP方法差异最小,相似性度量准确度最高。该方法可应用于配方产品替换原料的查找,辅助企业实现产品质量的维护。  相似文献   

15.
To improve the classification accuracy of face recognition, a sparse representation method based on kernel and virtual samples is proposed in this paper. The proposed method has the following basic idea: first, it extends the training samples by copying the left side of the original training samples to the right side to form virtual training samples. Then the virtual training samples and the original training samples make up a new training set and we use a kernel-induced distance to determine M nearest neighbors of the test sample from the new training set. Second, it expresses the test sample as a linear combination of the selected M nearest training samples and finally exploits the determined linear combination to perform classification of the test sample. A large number of face recognition experiments on different face databases illustrate that the error ratios obtained by our method are always lower more or less than face recognition methods including the method mentioned in Xu and Zhu [21], the method proposed in Xu and Zhu [39], sparse representation method based on virtual samples (SRMVS), collaborative representation based classification with regularized least square (CRC_RLS), two-phase test sample sparse representation (TPTSSR), and the feature space-based representation method.  相似文献   

16.
王昕  康哲铭  刘龙  范贤光 《光子学报》2020,49(3):124-133
针对多通道拉曼成像系统常会受荧光背景、噪声等非线性因素的影响而导致拉曼光谱重建结果一般的问题,提出了一种基于高斯核主成分分析的拉曼光谱重建算法.首先利用相似度因子对标定样本数据集进行预处理,其次通过高斯核函数将标定样本以非线性形式映射至高维特征空间,接着在特征空间中对映射后的数据集提取基函数并通过伪逆法求得与之对应的基函数系数.使用聚甲基丙烯酸甲酯作为测试样本,并引入均方根误差来评估拉曼光谱重建结果的准确性.实验结果表明,相比传统的伪逆法与维纳估计法,该算法具有更高的重建精度及抗噪能力,且能有效降低标定样本中不良数据和成像系统中非线性因素对拉曼光谱重建的影响.因此,该算法可以为多通道拉曼快速成像提供一种有效的拉曼光谱重建算法.  相似文献   

17.
郭利强  孟庆超 《光子学报》2020,49(5):115-127
针对高光谱图像维度高、地物间非线性可分造成的分类精度低等问题,提出一种基于多标签共享子空间和内核脊回归的空谱分类算法.该算法利用内核脊回归将地物相近像素在线性空间的不可分特征映射到高维空间中,实现分类特性在高维空间下的有效分离,以提高地物相近特性的区分精度;同时将高维样本数据映射到低维共享子空间中,在低维环境下以多类标为指导,引入低秩矩阵建立类别标签与共享空间的预测关系,挖掘多标签间的共同特性,提高融合利用多类别间的共同属性提高高光谱图像的分类精度;最后利用奇异值分解迭代法求解目标函数,一定程度上加速参数求解.在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验,实验结果表明,与其他同类算法相比,在低样本比例下,本文算法在总体分类精度、平均分类精度和Kappa系数等评价指标上至少提高4.76%、4.24%和5.19%,与非内核化的算法相比,本文算法在基本不增加运行时间的情况下总体分类精度、平均分类精度和Kappa系数至少提高2.92%、2.8%和3.48%.  相似文献   

18.
In this paper, we propose a palmprint recognition method based on the representation in the feature space. The proposed method seeks to represent the test sample as a linear combination of all the training samples in the feature space and then exploits the obtained linear combination to perform palmprint recognition. We can implement the mapping from the original space to the feature space by using the kernel functions such as radial basis function (RBF). In this method, the selection of the parameter of the kernel function is important. We propose an automatic algorithm for selecting the parameter. The basic idea of the algorithm is to optimize the feature space such that the samples from the same class are well clustered while the samples from different classes are pushed far away. The proposed criterion measures the goodness of a feature space, and the optimal kernel parameter is obtained by minimizing this criterion. Experimental results on multispectral palmprint database show that the proposed method is more effective than 2DPCA, 2DLDA, AANNC, CRC_RLS, nearest neighbor method (NN) and competitive coding method in terms of the correct recognition rate.  相似文献   

19.
Speech signal is corrupted unavoidably by noisy environment in subway, factory, and restaurant or speech from other speakers in speech communication. Speech enhancement methods have been widely studied to minimize noise influence in different linear transform domain, such as discrete Fourier transform domain, Karhunen-Loeve transform domain or discrete cosine transform domain. Kernel method as a nonlinear transform has received a lot of interest recently and is commonly used in many applications including audio signal processing. However this kind of method typically suffers from the computational complexity. In this paper, we propose a speech enhancement algorithm using low-rank approximation in a reproducing kernel Hilbert space to reduce storage space and running time with very little performance loss in the enhanced speech. We also analyze the root mean squared error bound between the enhanced vectors obtained by the approximation kernel matrix and the full kernel matrix. Simulations show that the proposed method can improve the computation speed of the algorithm with the approximate performance compared with that of the full kernel matrix.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号