...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Geoscience and Remote Sensing Letters >Subspace Detection Using a Mutual Information Measure for Hyperspectral Image Classification
【24h】

Subspace Detection Using a Mutual Information Measure for Hyperspectral Image Classification

机译：使用互信息量度进行高光谱图像分类的子空间检测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Finding a subspace which consists of the most informative features for reliable hyperspectral image classification is a challenging task. Feature reduction is often achieved via feature selection and feature extraction techniques. In this letter, a hybrid approach which combines both treatments is proposed. Principal Component Analysis (PCA) is applied as a preprocessing step so that each of the new features is generated from the complete set of the original spectral bands. Feature selection is then performed effectively using a normalized Mutual Information (nMI) measure with two constraints to maximize general relevance and minimize redundancy in the selected subspace. The proposed algorithm (PCA-nMI) is tested on hyperspectral images and the experimental results show that the modifications give significant improvement in terms of classification accuracy.
机译：为可靠的高光谱图像分类找到一个包含最多信息的特征的子空间是一项艰巨的任务。通常通过特征选择和特征提取技术来实现特征缩减。在这封信中，提出了一种结合了两种治疗方法的混合方法。主成分分析（PCA）被用作预处理步骤，以便从完整的原始光谱带集中生成每个新特征。然后，使用具有两个约束条件的归一化互信息（nMI）度量来有效地执行特征选择，以使总体相关性最大化并使所选子空间中的冗余性最小化。在高光谱图像上测试了所提出的算法（PCA-nMI），实验结果表明，改进算法在分类精度上有明显提高。

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