-
公开(公告)号：CN105389597B
公开(公告)日：2018-07-27
申请号：CN201510969347.1
申请日：2015-12-22
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 本发明公开了种基于Chernoff距离和SVM的高光谱数据多分类方法,其步骤如下:、对输入数据进行预处理,得到归化数据;二、计算任意两个类别之间的Chernoff距离,得到Chernoff距离矩阵;三、确定多分类任务OAA策略下的执行顺序表,得到每个波段以及全波段的可分性度量;四、构建基于Chernoff距离的子分类器指导系数;五、采用基于Chernoff距离的加权SVM分类器执行整个OAA策略所确定的分类任务,直到得到各个测试样本的最终单类别属性。本发明不仅提高了传统的SVM方法的精确度,而且对小样本类别的分类精度有较大的提高,适用于基于OAA分类策略的高光谱图像模式识别应用。
-
Patent Agency Ranking
公开(公告)号：CN108009559B
公开(公告)日：2021-12-24
申请号：CN201610942406.0
申请日：2016-11-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于空谱联合信息的高光谱数据分类方法，本发明提出用卷积神经网络和超像素划分方法，解决了当前高光谱图像对空间信息的利用问题。本发明的步骤为：一、建立卷积神经网络模型并进行特征提取，得到提取的特征向量。二、利用M‑SLIC算法对高光谱图像进行超像素划分，得到超像素划分后的标签图。三、对高光谱特征图像进行聚类并结合BoVW模型产生新特征向量，完成分类过程。本发明利用卷积神经网络，通过多层卷积层和下采样层提取高维的非线性特征，通过加入空间信息降低拍摄条件差异对光谱信息的影响，然后通过特征光谱图进行聚类，将经过卷积神经网络一次特征提取的特征光谱替换为运用BoVW模型得到的二次特征，进一步降低分类的误差，有较强的理论和工程实际意义。
-
公开(公告)号：CN105631474B
公开(公告)日：2019-01-11
申请号：CN201510990997.4
申请日：2015-12-26
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于Jeffries‑Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries‑Matusita距离，得到Jeffries‑Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries‑Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries‑Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。
-
公开(公告)号：CN105389597A
公开(公告)日：2016-03-09
申请号：CN201510969347.1
申请日：2015-12-22
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本发明公开了一种基于Chernoff距离和SVM的高光谱数据多分类方法，其步骤如下：一、对输入数据进行预处理，得到归一化数据；二、计算任意两个类别之间的Chernoff距离，得到Chernoff距离矩阵；三、确定多分类任务OAA策略下的执行顺序表，得到每个波段以及全波段的可分性度量；四、构建基于Chernoff距离的子分类器指导系数；五、采用基于Chernoff距离的加权SVM分类器执行整个OAA策略所确定的分类任务，直到得到各个测试样本的最终单一类别属性。本发明不仅提高了传统的SVM方法的精确度，而且对小样本类别的分类精度有较大的提高，适用于基于OAA分类策略的高光谱图像模式识别应用。
-
公开(公告)号：CN108009559A
公开(公告)日：2018-05-08
申请号：CN201610942406.0
申请日：2016-11-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于空谱联合信息的高光谱数据分类方法，本发明提出用卷积神经网络和超像素划分方法，解决了当前高光谱图像对空间信息的利用问题。本发明的步骤为：一、建立卷积神经网络模型并进行特征提取，得到提取的特征向量。二、利用M-SLIC算法对高光谱图像进行超像素划分，得到超像素划分后的标签图。三、对高光谱特征图像进行聚类并结合BoVW模型产生新特征向量，完成分类过程。本发明利用卷积神经网络，通过多层卷积层和下采样层提取高维的非线性特征，通过加入空间信息降低拍摄条件差异对光谱信息的影响，然后通过特征光谱图进行聚类，将经过卷积神经网络一次特征提取的特征光谱替换为运用BoVW模型得到的二次特征，进一步降低分类的误差，有较强的理论和工程实际意义。
-
公开(公告)号：CN105631474A
公开(公告)日：2016-06-01
申请号：CN201510990997.4
申请日：2015-12-26
Applicant: 哈尔滨工业大学
CPC classification number: G06K9/6269 , G06K9/00973
Abstract: 本发明公开了一种基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries-Matusita距离，得到Jeffries-Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries-Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries-Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
