留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

改进独立成分分析在高光谱图像分类中的应用

赵慧洁 李娜 贾国瑞 董超

赵慧洁, 李娜, 贾国瑞, 等 . 改进独立成分分析在高光谱图像分类中的应用[J]. 北京航空航天大学学报, 2006, 32(11): 1333-1336.
引用本文: 赵慧洁, 李娜, 贾国瑞, 等 . 改进独立成分分析在高光谱图像分类中的应用[J]. 北京航空航天大学学报, 2006, 32(11): 1333-1336.
Zhao Huijie, Li Na, Jia Guorui, et al. Improved independent component analysis applied to classification hyperspectral imagery[J]. Journal of Beijing University of Aeronautics and Astronautics, 2006, 32(11): 1333-1336. (in Chinese)
Citation: Zhao Huijie, Li Na, Jia Guorui, et al. Improved independent component analysis applied to classification hyperspectral imagery[J]. Journal of Beijing University of Aeronautics and Astronautics, 2006, 32(11): 1333-1336. (in Chinese)

改进独立成分分析在高光谱图像分类中的应用

详细信息
    作者简介:

    赵慧洁(1966-),女,辽宁沈阳人,教授, hjzhao@buaa.edu.cn.

  • 中图分类号: TP 751.1

Improved independent component analysis applied to classification hyperspectral imagery

  • 摘要: 针对独立成分分析在使用常规数值求解时容易陷入局部最优解的问题,以及采用神经学习算法时神经元激活函数的限制问题,将遗传算法与独立成分分析相结合,并对模型进行改进,提出了适合于高光谱数据无监督分类的模型.该算法采用最大化非高斯性进行成分的统计独立性度量,利用四阶累积量-峰度作为遗传算法的适应度函数.在应用分析中,将该算法应用于推扫式高光谱成像仪(PHI,Push-broom Hyperspectral technique Imager)数据地物分类能够获得全局最优解,在没有先验信息情况下实现地物的精细分类;与传统高光谱无监督分类算法比较,表明该算法的适用性,并具有更高的分类精度和准确性.

     

  • [1] 张钧萍, 张晔, 周廷显. 成像光谱技术超谱图像分类研究现状与分析[J]. 中国空间科学技术. 2001, 2(1):37-44 Zhang Junping, Zhang Ye, Zhou Tingxian. State-of-arts and analysis on hyperspectral image classification in imaging spectral technique[J]. Chinese Space Science and Technology, 2001,2(1):37-44(in Chinese) [2] Hyvrinen A, Karhunen J, Oja E. Independent component analysis . [2001] .http://www.cis.hut.fi [3] Stefan A Robila, Pramod K Varshney. Target detection in hyperspectral images based on independent component analysis Proc SPIE of Int Soc Opt Eng. Orlando, USA:SPIE,2002,4726:173-182 [4] Chiang Shao-Shan, Chang Chein-I, Ginsberg I W. Unsupervised target detection in hyperspectral images using projection pursuit [J]. IEEE Trans Geoscience and Remote Sensing, 2001, 39(7):1380~1391 [5] Shah C A, Arora M K, Robila S A, et al. ICA mixture model based unsupervised classification of hyperspectral imagery 31st Applied Imagery Pattern Recognition Workshop. USA:IEEE,2002:29~35 [6] Huang Yaping, Luo Siwei. Genetic algorithm applied to ICA feature selection Neural Networks, 2003 proceeding of the International Joint Conference. USA:IEEE, 2003:704-707
  • 加载中
计量
  • 文章访问数:  3600
  • HTML全文浏览量:  215
  • PDF下载量:  900
  • 被引次数: 0
出版历程
  • 收稿日期:  2006-04-30
  • 网络出版日期:  2006-11-30

目录

    /

    返回文章
    返回
    常见问答