資源描述：
《基于獨(dú)立分量分析的高光譜遙感影像決策樹分類》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。
1、萬(wàn)方數(shù)據(jù)Jo哪al0fComputerApplications計(jì)算機(jī)應(yīng)用，2012，32(2)：524—527ISSN1001．908lCODENJYlIDU2012．02．01http：∥www．joca．cn文章編號(hào)：100l一908l(2012)02一0524一04doi：10．372．4／SP．J．1087．2012．00524基于獨(dú)立分量分析的高光譜遙感影像決策樹分類林志壘，晏路明。(福建師范大學(xué)地理科學(xué)學(xué)院，福州350007)(·通信作者電子郵箱ymlm@163．com)摘要：為解決高光譜遙感影像波段眾多所帶來(lái)的信息豐富與“
2、維數(shù)災(zāi)難”間的矛盾并提高分類精度，針對(duì)傳統(tǒng)特征選擇方法信息損失大的缺陷，基于EO．1Hype血n高光譜遙感影像，采用獨(dú)立分量分析(ICA)和決策樹分類(D1℃)方法聯(lián)合運(yùn)作流程，開展影像的地物分類實(shí)驗(yàn)研究，提出了IcA-DTc模型。首先運(yùn)用lcA方法對(duì)影像進(jìn)行特征提取，并以所提取的獨(dú)立分量特征及其他地理輔助要素組成分類指標(biāo)集；繼而選擇適當(dāng)?shù)闹笜?biāo)組合和閩值設(shè)定判別規(guī)則，建立D1rc模型進(jìn)行影像的地物分類；最后將分類結(jié)果與傳統(tǒng)最大似然分類法進(jìn)行比對(duì)。結(jié)果顯示：從分類的總體精度看，前者可述89．34％，高出后者18．8％；從單一地物的分類精度
3、看，前者僅水體的精度略低于后者，而其他11種地物的精度都高于后者。理論分析與實(shí)驗(yàn)結(jié)果均表明，IcA-D’rc模型可有效提高復(fù)雜地形條件下的地物分類精度。關(guān)鍵詞：高光譜影像；獨(dú)立分量分析；特征提??；決策樹分類中圖分類號(hào)：7rIy751．1文獻(xiàn)標(biāo)志碼：ADecisiontreedassincationofhyperspectmlremotesensingimagerybasedOnindependentcomponentanalysisLINZhi．1ei，YANLu．ming。(coz婦PD，僥刪面越＆話，∞，凡如，lⅣom甜‰iMs魄n
4、∞b“凡洳n350007，Ch泐)Abst豫ct：Hyperspectralrelnotesen8jngimagerycontainsabund螄tspect珀li血舢a(chǎn)tionbeca∞eofitsnuI№rol塢baIlds，butitalsocausesthecurse0fdimen8ionaIity．Howto陀soIve山iscofl
5、1ict柚dimpmvethecl鵲sificationacc啪cy0fhyperspectralremotesensingimageryisthemajorconcem．Therefore，t
6、IlethesisproposedICA一∥rCmodelthatc鯽binedIndependentComponentAnalysis(ICA)witIlDecisionr11reeCIassmer(∥I'C)toI℃searchtllehyperspect颶limagerycl鷦s擊cationb曬edonE0-lHyperion．First，ICAw鵲印pliedtocarry傭tllef毫atureextraction明hype礙pectralr；emotesensingim蹭ery．Basedontllis，tIIechara
7、cteristiccomponentsandothergeogmphy叫】【iliaryeleInent8we陽(yáng)selected鷦testv麗ables，小eappmpriateth陀sholdwasseIectedto鴕tdiscriminatingnlle，舳dt
8、Ie【)TCmodelw鷓estabIishedtoclassi每hyperspectralremotesensingimagery．ThentheresultsobtainedbytIlismethodwerecompa陀d衍thtllatobtainedbytraId
9、itionalmaxim砌hkelih00dclass訊cation．TheexperimentalresultsshowthatICAcaIlextractn帆linearcharacteristics缸粕su而Bcefeatur∞weU鋤dICA-DCTmodelc曲e‰ctivelyimprove山ecL鷦sificationaccur∞yofsud砬efeatu陀sundercomplexte刪n．1nte硼of出etotalcl腦si6cationaccuracy，nlefo珊erisupto89．34％，18．8％hi曲er
10、th柚tllelatter．1ntem璩oftllecl鵲sificationacc嗽cyofasindes山{如efeature，thefo珊erisonlyslightlylowertIl習(xí)mtIIel
