典型文献
结合弹性网络与低秩表示的高光谱遥感影像分类方法
文献摘要：
近年来,低秩表示LRR(Low-rank Representation)在高光谱遥感影像分类中的应用越来越广泛,如何利用LRR准确地对地物进行分类已成为高光谱遥感研究的一个挑战.针对以上问题,本文设计了基于弹性网络的低秩表示ENLRR(Low-rank Representation based on Elastic Net)方法,并将该算法扩展到了核空间提出了基于弹性网络的核低秩表示方法KENLRR(Kernel ENLRR).低秩表示分类可以充分利用影像的全局信息,它的基本思想是利用尽可能少的训练样本的线性组合来表示整个测试影像,再通过表示系数和训练样本对目标影像进行恢复重建,并根据最小重构误差准则判断每个像素的类别.提出的ENLRR方法的基本思想是在LRR中引入弹性网络思想,利用系数矩阵的核范数和F-范数代替秩函数进行低秩优化求解.为了更好地解决非线性数据的分类问题,在ENLRR方法中引入核函数,提出KENLRR方法,通过邻域滤波核函数将原数据映射到高维特征空间中,实现空谱联合分类,进一步提高分类精度.实验部分选用3组高光谱遥感数据,利用提出的算法与SVM、KNN、ELM、LRR、MFLRR、LSLRR和KLRR等对比算法进行地物分类.结果表明,提出的两种算法在高光谱遥感地物分类方面效果较好,而且具有良好的稳定性和适应性.与LRR算法相比,提出的算法在Washington DC数据集上的精度分别提高了4.55％和6.74％,在Purdue Campus数据集上的精度分别提高了 14.22％和23.30％,在高分五号GF-5(Gaofen-5)黄河口湿地数据集上的精度分别提高了 8.45％和15.40％,而且结果也表明KENLRR算法具有最佳的分类表现.精确的分类结果为分析地物分布格局提供了技术支撑,也证明了本文提出的两种算法在高光谱遥感影像分类上的优越性.
文献关键词：
高光谱遥感;低秩表示;ENLRR;KENLRR;影像分类
中图分类号：
作者姓名：
苏红军;姚文静;吴曌月
作者机构：
河海大学地球科学与工程学院,南京211100
文献出处：
引用格式：
[1]苏红军;姚文静;吴曌月-.结合弹性网络与低秩表示的高光谱遥感影像分类方法)[J].遥感学报,2022(11):2354-2368
A类：
ENLRR,KENLRR,MFLRR,LSLRR,KLRR
B类：
合弹,弹性网络,低秩表示,高光谱遥感影像,遥感影像分类,分类方法,Low,rank,Representation,地对地,Elastic,Net,表示方法,Kernel,全局信息,基本思想,用尽,尽可能少,训练样本,线性组合,恢复重建,重构误差,像素,网络思想,利用系数,系数矩阵,核范数,数代,秩函数,优化求解,决非,分类问题,核函数,邻域,数据映射,射到,高维特征空间,空谱联合,分类精度,分选,遥感数据,KNN,ELM,对比算法,地物分类,Washington,DC,Purdue,Campus,高分五号,GF,Gaofen,黄河口湿地,分类表,分布格局
AB值：
0.303266
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
