基于滤波后处理的主动学习高光谱遥感图像分类

有限的样本数据和高维的特征向量使得高光谱图像分类面临巨大挑战.提出一种结合主动学习和滤波器的高光谱遥感图像分类方法.该方法首先选取部分训练样本得到分类模型,然后采用主动学习通过迭代从非训练样本中选择信息量大的样本不断扩大有效样本数,减少了初始训练样本数降低"维数灾难"出现的可能,同时提高了分类器的泛化性能及准确率.通过主动学习和多项逻辑回归分类器对高光谱遥感图像进行初始分类,然后运用滤波器对初始分类结果保边去噪.实验结果表明,本文方法的分类精度高,分类稳定性好.     

Shearlet变换与图像处理应用

Shearlet是一种新的多维函数稀疏表示工具,采用具有合成膨胀的仿射系统来构造基函数,具有数学结构简单、多分辨率、多方向性和局部化等优良特性,能够高效地捕获到多维数据的几何结构,更加适合处理图像等高维信号.在分析Shearlet变换的数学框架及其数字实现方法的基础上,介绍了它在图像处理中的部分应用,并对其研究前景进行了展望.     

基于L_1稀疏解混的水体变化检测

稀疏表示利用高光谱丰度矩阵的稀疏特性来获取更有价值的信息,使得稀疏正则化后的高光谱数据更加精确。以景德镇玉田湖水库为研究对象,通过Landsat8卫星获取的玉田湖水库不同时期的水体信息数据,利用了经典的L1稀疏解混的方法对卫星数据进行水域信息提取,然后对不同时期水域变化情况进行检测。检测结果验证算法有效性。