高光谱图像分类方法.pptx

  1. 1、本文档共17页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

高光谱图像分类方法2010.10.111

提纲监督分类无监督分类2

监督分类最小距离法光谱角度填图平行管道法最大似然法典范分析3

最小距离法Envi演示4

最大似然法关键在于训练样本统计参数的估计训练样本的个数要足够多Envi演示5

典范分析最小类内聚合度最大类间离散度6

典范分析7

无监督分类方法KmeansIsodata万有引力8

Kmeans初始点的选取类别数的给定最小距离迭代重复上述步骤Envi演示9

基于万有引力的高光谱图象分类算法本算法的思想源于下面一个假想的景象:浩瀚的宇宙中,每一个星球只在别的星球的万有引力作用下运动,大的星球不断吸引着周围的小星球,通过不断的聚集,最后形成若干个大的星团。我们把需要分类的所有样本比作质量相同的球体,这样样本分布比较密的地方就对应着大的星球,样本分布比较稀疏的地方对应着小的星球,在相互之间的万有引力作用下,经过一段时间的聚集之后,最后形成的大的星团就对应着我们所要的分类结果。10

11

人工模拟数据实验情况12

13

Quickbird图象实验情况原始假彩色合成图像(波段4,3,2)及其分块图象14

分类结果15

用于处理的Cuprite区域的AVIRIS数据假彩色合成图(2101nm,2200.8nm,2340.2nm)K-Means聚类结果(10)万有引力再聚类结果(10)16

感兴趣区域内主要为流纹质,硅质凝灰岩,但是由于地形,阴影等因素的影响,使得它们在特征空间中主要呈现线性变化分布特征,k_means和Isodata等传统的非监督分类方法对此类分布特征失效.而利用我们的方法就能很好的将它们归为一类.17

文档评论(0)

hylsx + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档