摘要
非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。
Unsupervised classification algorithms used for principle components extraction in hyperspectral imagery are sensitive to noise and data distribution,which result in low accuracy.This paper presented an unsupervised classification algorithm based on SOFM(Self Organizing Feature Mapping) neural network with region feature spectrum.In place of pixels spectrum,the algorithm firstly extracted region feature spectrum obtained through spatial neighborhood clustering as training samples,and then acquired the class...
出处
《宇航学报》
EI
CAS
CSCD
北大核心
2007年第6期1689-1692,共4页
Journal of Astronautics
基金
国防基础科研支持(02220061046)
关键词
高光谱图像
主成分提取
空间邻域聚类
区域特征光谱
SOFM
Hyperspectral imagery
Principle component extraction
Spatial neighborhood clustering
Region feature spectrum
SOFM
