近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获...近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获相似类别的相对差异性信息问题,提出采用Fisher字典学习方法增强相似类训练样本的可区分性。此外,考虑到高光谱图像具有较强空间相关性的特点,设计一种简单有效的投票策略进行类别判决。大量实验表明:基于Fisher字典学习的联合投票分类方法能够较好地改善高光谱分类精度。展开更多
文摘地震数据去噪在地震资料处理中扮演着关键的角色,提升地震数据的信噪比将为后续高质量处理和精确解释奠定坚实基础。目前,地震数据去噪的方法已经得到了广泛发展,其中字典学习方法具有独特的优势。当前经典的K-奇异值分解(K-singular value decomposition,K-SVD)字典学习算法存在去噪结果损失了部分原始信号和计算效率不太理想等问题,为了将这些问题进一步优化,提出了一种基于顺序广义K-均值算法(sequential generalized K-means,SGK)的字典学习方法用于地震数据去噪。首先,从样本数据中提取随机位置的块,并移除空白块,以初始化字典。接着,在字典学习阶段,通过地震数据本身的特征自适应地构造出最新的稀疏表示字典。随后,利用学得的字典对包含噪声的地震数据分块进行去噪处理,将去噪后的块进行平均处理,并重新构建图像块,最终实现地震数据的去噪。通过合成数据和实际数据的实验,从信噪比、计算效率以及对有效信号的保护方面验证本文方法的去噪性能。
文摘近年基于稀疏表示的分类框架(Sparse Representation based Classification,SRC)在计算机视觉和模式识别领域取得了巨大成功,高光谱图像解译也逐渐引入稀疏表示方法。针对基于SRC的高光谱图像分类算法随机抽取训练样本构成字典较难捕获相似类别的相对差异性信息问题,提出采用Fisher字典学习方法增强相似类训练样本的可区分性。此外,考虑到高光谱图像具有较强空间相关性的特点,设计一种简单有效的投票策略进行类别判决。大量实验表明:基于Fisher字典学习的联合投票分类方法能够较好地改善高光谱分类精度。
