• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Remote Sensing >Spectral-Spatial Hyperspectral Image Classification Using Subspace-Based Support Vector Machines and Adaptive Markov Random Fields
【24h】

Spectral-Spatial Hyperspectral Image Classification Using Subspace-Based Support Vector Machines and Adaptive Markov Random Fields

机译：基于子空间的支持向量机和自适应马尔可夫随机场的光谱空间高光谱图像分类

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper introduces a new supervised classification method for hyperspectral images that combines spectral and spatial information. A support vector machine (SVM) classifier, integrated with a subspace projection method to address the problems of mixed pixels and noise, is first used to model the posterior distributions of the classes based on the spectral information. Then, the spatial information of the image pixels is modeled using an adaptive Markov random field (MRF) method. Finally, the maximum posterior probability classification is computed via the simulated annealing (SA) optimization algorithm. The combination of subspace-based SVMs and adaptive MRFs is the main contribution of this paper. The resulting methods, called SVMsub-eMRF and SVMsub-aMRF, were experimentally validated using two typical real hyperspectral data sets. The obtained results indicate that the proposed methods demonstrate superior performance compared with other classical hyperspectral image classification methods.
机译：本文介绍了一种结合光谱和空间信息的高光谱图像监督分类新方法。首先，将支持向量机（SVM）分类器与子空间投影方法集成在一起，以解决像素混合和噪声问题，该模型基于光谱信息对类的后验分布进行建模。然后，使用自适应马尔可夫随机场（MRF）方法对图像像素的空间信息进行建模。最后，通过模拟退火（SA）优化算法计算最大后验概率分类。基于子空间的SVM和自适应MRF的结合是本文的主要贡献。使用两个典型的真实高光谱数据集对实验所得的方法分别称为SVMsub-eMRF和SVMsub-aMRF进行了验证。获得的结果表明，与其他经典的高光谱图像分类方法相比，该方法具有更好的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号