• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    濱海濕地稀疏采樣重構(gòu)高光譜圖像分類精度評(píng)價(jià)

    2017-05-12 11:29:15孫欽佩
    海洋技術(shù)學(xué)報(bào) 2017年2期
    關(guān)鍵詞:空域重構(gòu)光譜

    孫欽佩,馬 毅,張 杰*

    (1.山東科技大學(xué),山東 青島 266590;2.國(guó)家海洋局第一海洋研究所,山東 青島 266061)

    濱海濕地稀疏采樣重構(gòu)高光譜圖像分類精度評(píng)價(jià)

    孫欽佩1,2,馬 毅1,2,張 杰1,2*

    (1.山東科技大學(xué),山東 青島 266590;2.國(guó)家海洋局第一海洋研究所,山東 青島 266061)

    高光譜遙感影像維數(shù)高、數(shù)據(jù)量大、波段之間的相關(guān)性強(qiáng),分類時(shí)易出現(xiàn)"Hughes"現(xiàn)象,因此在分類過(guò)程中如何有效減小數(shù)據(jù)處理過(guò)程中的計(jì)算量,又保證原始數(shù)據(jù)重要的地物信息不丟失具有重要的意義。壓縮感知理論可通過(guò)遠(yuǎn)低于耐奎斯特的采樣率和少量觀測(cè)數(shù)據(jù)實(shí)現(xiàn)信號(hào)的精確重構(gòu),具有對(duì)硬件讀寫(xiě)要求低、圖像恢復(fù)效果好等優(yōu)勢(shì)。通過(guò)利用基于小波變換的壓縮感知算法對(duì)黃河口地區(qū)的高光譜影像進(jìn)行圖像重構(gòu),然后分別采用SVM算法、最大似然法以及神經(jīng)網(wǎng)絡(luò)分類法對(duì)重構(gòu)后的影像進(jìn)行分類,并對(duì)分類結(jié)果的精度分別從空域和小波域、不同的測(cè)量值等維度進(jìn)行了分析和比較。結(jié)果表明:(1)壓縮感知理論重構(gòu)后的影像保留了原始影像的基本信息,保證了分類精度;(2)SVM算法的分類精度最好,空域和小波域的分類精度基本一致;(3)分類精度隨測(cè)量值的增加先逐漸提高,然后趨于穩(wěn)定。

    高光譜影像;稀疏采樣;壓縮感知;圖像分類

    濱海濕地是陸地生態(tài)系統(tǒng)和海洋生態(tài)系統(tǒng)的交錯(cuò)過(guò)渡地帶,主要包括灘涂濕地、淺海濕地、島嶼濕地等。濱海濕地?fù)碛斜姸嘁吧鷦?dòng)植物資源,并且具有強(qiáng)大的生態(tài)凈化作用,是重要的生態(tài)系統(tǒng),因此對(duì)濕地及濕地中的豐富物種的研究及保護(hù)具有重要的意義。

    高光譜遙感影像將傳統(tǒng)的圖像維和光譜維信息融為一體,實(shí)現(xiàn)了“圖譜合一”,在對(duì)目標(biāo)的空間特征成像的同時(shí),每個(gè)空間像元覆蓋了幾十乃至幾百個(gè)窄波段連續(xù)的光譜,提供了地面單元精細(xì)的光譜特征。通過(guò)對(duì)圖像和光譜數(shù)據(jù)進(jìn)行處理,可以獲得大量隱含的特征信息,用于地物的識(shí)別、分類等。分類是遙感影像數(shù)據(jù)處理中關(guān)鍵內(nèi)容之一,通過(guò)分類可以獲得諸多精細(xì)的高光譜信息。但是高光譜數(shù)據(jù)在提供豐富信息的同時(shí),由于不同波段,特別是相鄰長(zhǎng)波段之間往往具有較強(qiáng)的相關(guān)性,導(dǎo)致信息冗余,對(duì)數(shù)據(jù)的存儲(chǔ)和傳輸提出了更高的要求;此外,直接利用所有的波段信息進(jìn)行分類時(shí),亦有可能會(huì)使分類精度降低。如何既能有效地降低高光譜圖像處理過(guò)程中的復(fù)雜度又可以保證分類的精度,對(duì)高光譜數(shù)據(jù)處理具有重要的意義。因此,有必要對(duì)圖像分類后的精度進(jìn)行評(píng)價(jià)。

    1996 年,Olshausen[1]等指出自然圖像本身存在稀疏性,并揭示了圖像數(shù)據(jù)的稀疏本質(zhì),目前已經(jīng)有很多學(xué)者成功地將稀疏表示理論應(yīng)用到了圖像分類中。Siddiqui[2]等提出稀疏主成分分析方法,將稀疏表示方法應(yīng)用于高光譜圖像分類;Yi Chen[3-4]等將稀疏表示用于高光譜遙感圖像的分類和目標(biāo)檢測(cè)中,并與支持向量機(jī)(Support vector machine,SVM)等方法進(jìn)行了對(duì)比分析;何同弟[5]等提出了自適應(yīng)的稀疏表示方法來(lái)進(jìn)行高光譜遙感圖像分類;宋相法[6]等結(jié)合稀疏表示和光譜信息,利用隨機(jī)森林法對(duì)高光譜遙感圖像進(jìn)行了分類。但由于基于規(guī)則信號(hào)進(jìn)行重建缺乏泛化性能,為了克服這種局限性,杜培軍[7]等提出一種通過(guò)字典重建和帶有全變差的稀疏表示模型規(guī)則化的判別分類器學(xué)習(xí)方法,并取得了較好的分類效果。以上方法均利用稀疏理論產(chǎn)生的特征進(jìn)行分類。2006年,D.Donoho和E. eandesJ.Romberg[8-10]等在稀疏理論的基礎(chǔ)上提出了壓縮感知(Compressed Sensing,CS)理論框架,將稀疏理論發(fā)展到一個(gè)新的高度[11],到目前為止壓縮感知理論已經(jīng)成功應(yīng)用到攝影、醫(yī)學(xué)、人臉識(shí)別、地球物理和遙感等領(lǐng)域[12-16]。在高光譜影像分類方面,其分類算法通常分為監(jiān)督分類和非監(jiān)督分類,代表性的監(jiān)督分類方法主要有支持向量機(jī)法、最大似然法、神經(jīng)網(wǎng)絡(luò)法和最小距離法等;非監(jiān)督分類法主要有ISODATA法和K均值聚類方法等。以上這些分類方法直接對(duì)圖像進(jìn)行分類處理,計(jì)算量較大。壓縮感知理論,以遠(yuǎn)低于耐奎斯特的采樣率進(jìn)行采樣,通過(guò)少量觀測(cè)數(shù)據(jù)即可精確重構(gòu)原始信號(hào),是一種對(duì)存儲(chǔ)和傳輸要求低、圖像恢復(fù)效果好的圖像重構(gòu)算法。通過(guò)壓縮感知算法對(duì)圖像進(jìn)行稀疏采樣重構(gòu),既可以降低圖像處理的復(fù)雜度,又保留了圖像的基本信息,對(duì)高光譜數(shù)據(jù)處理具有重要的意義。

    本文通過(guò)對(duì)一景地物類型豐富的濱海濕地PROBA CHRIS高光譜遙感圖像進(jìn)行處理,采用基于小波變換的壓縮感知算法進(jìn)行圖像重構(gòu),然后分別利用SVM法、最大似然法以及神經(jīng)網(wǎng)絡(luò)分類方法對(duì)重構(gòu)后的影像進(jìn)行分類,并對(duì)分類后的結(jié)果精度分別從空域和小波域、不同的測(cè)量值等維度進(jìn)行了分析和比較。

    1 數(shù)據(jù)與方法

    1.1 數(shù)據(jù)

    (1)CHRIS影像黃河口數(shù)據(jù)。 CHRIS是ESA搭載于小衛(wèi)星PROBA上的傳感器,全稱為緊湊式高分辨率成像光譜儀,具有5種成像模式(見(jiàn)表1),可獲取0°,+36°,-36°,+55°和-55°等5種角度的高光譜圖像。本文應(yīng)用的實(shí)驗(yàn)數(shù)據(jù)選自2012年6月CHRIS利用工作模式2獲取的黃河口濱海濕地的0°圖像(圖1),其光譜范圍為406~1 035 nm,光譜分辨率為1.25~11.00 nm,地面分辨率17 m。CHRIS圖像覆蓋的區(qū)域位于黃河入??谛吕虾拥澜唤缣?。該區(qū)域濕地地物豐富,包含有天然濕地和人工濕地,其中包括蘆葦、翅堿蓬、檉柳和灘涂等天然濕地和養(yǎng)殖水面、水庫(kù)等人工濕地。

    圖1 研究區(qū)影像示意圖

    圖2 實(shí)驗(yàn)驗(yàn)證數(shù)據(jù)

    表1 CHRIS衛(wèi)星遙感影像詳細(xì)參數(shù)

    (2)驗(yàn)證數(shù)據(jù)。 實(shí)驗(yàn)所采用的驗(yàn)證數(shù)據(jù)是根據(jù)所獲取的影像數(shù)據(jù)和現(xiàn)場(chǎng)踏勘的資料,然后經(jīng)人工解譯而成。研究區(qū)域總共劃分為5個(gè)類別,其中深藍(lán)色區(qū)域表示水體,淺藍(lán)色區(qū)域表示灘涂與裸地,紅色區(qū)域表示蘆葦,綠色區(qū)域表示堿蓬檉柳混生,黃色區(qū)域表示互花米草,如圖2所示。

    1.2 方法

    1.2.1 壓縮感知算法 經(jīng)典的香農(nóng)采樣定理認(rèn)為,為了不失真地恢復(fù)模擬信號(hào),采樣頻率應(yīng)不小于模擬信號(hào)頻譜中高頻率的2倍,因此,數(shù)據(jù)中存在較大程度冗余。Donoho[8]等提出的壓縮感知方法充分運(yùn)用了大部分信號(hào)可以稀疏表示這一先驗(yàn)信息,利用隨機(jī)投影在遠(yuǎn)低于奈奎斯特頻率的采樣頻率下,對(duì)壓縮數(shù)據(jù)進(jìn)行了直接采集,突破了香農(nóng)采樣定理的瓶頸,使得在第一頻域內(nèi)高分辨率信號(hào)的采集成為可能。壓縮感知理論指出,如果信號(hào)在某一變換域內(nèi)是k稀疏的,那么可以設(shè)計(jì)一個(gè)與表達(dá)基不相關(guān)的非滿秩矩陣(測(cè)量矩陣)來(lái)對(duì)信號(hào)進(jìn)行測(cè)量,該測(cè)量值的長(zhǎng)度遠(yuǎn)小于原始信號(hào)的長(zhǎng)度,然后利用測(cè)量值,通過(guò)求解一個(gè)凸最優(yōu)化問(wèn)題來(lái)實(shí)現(xiàn)原始信號(hào)的重構(gòu)。常用的稀疏基有正交基、正弦基、余弦基、傅里葉基以及小波基等,本文采用的是小波基。

    假設(shè)圖X可用小波基Ψ=[Ψ1,Ψ2…,Ψm]的線性組合表示,即:

    當(dāng)圖像X在小波基ψ上僅有k<<n個(gè)非零系數(shù)αk時(shí),稱ψ為X的表達(dá)基。將圖像X通過(guò)Hadamard測(cè)量矩陣Φ[φ1,φ2,…,φm]投影到Y(jié),即:

    將式(1)代入式(2),則有:

    由于α是k稀疏的,且k<<n,則可以利用稀疏分解算法,在表達(dá)基ψ和測(cè)量矩陣Φ不相關(guān)的情形下,通過(guò)式(3)就可求解得到稀疏系數(shù)α。利用小波壓縮感知進(jìn)行圖像重構(gòu)的過(guò)程包括:通過(guò)測(cè)量矩陣Φ計(jì)算測(cè)量投影值Y,應(yīng)用式(3)求解稀疏系數(shù)α,將稀疏系數(shù)α代入式(1)就可重構(gòu)圖像Xˉ。

    1.2.2 遙感圖像分類算法 常見(jiàn)的高光譜分類方法主要有SVM法、最大似然法、決策樹(shù)方法、神經(jīng)網(wǎng)絡(luò)法和最小距離法等。本文主要采用SVM法、最大似然法、以及神經(jīng)網(wǎng)絡(luò)分類法對(duì)圖像進(jìn)行分類。

    (1)支持向量機(jī)法(SVM)。支持向量機(jī)(Support Vector Machine,SVM)是針對(duì)兩類問(wèn)題的判別分類器,以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為基礎(chǔ)(Vapnik,1998),其目的是在特征空間中尋找擁有最大分類間隔的線性判別準(zhǔn)則[17]。通過(guò)使用一個(gè)非線性映射p,將樣本空間映射到一個(gè)高維特征空間中使其線性可分。在特征空間中建構(gòu)最優(yōu)分割超平面,轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題的求解,使其間隔最大化,使得學(xué)習(xí)器得到全局最優(yōu)化。SVM作為一種最新的也是最有效的統(tǒng)計(jì)學(xué)習(xí)方法,因其適用高維特征以及小樣本不確定性問(wèn)題,是一種極具潛力的高光譜分類方法[18]。

    (2)最大似然法(MLC)。最大似然分類法根據(jù)最大似然比貝葉斯判決準(zhǔn)則法,采用統(tǒng)計(jì)方法對(duì)感興趣區(qū)域進(jìn)行計(jì)算,建立非線性判別函數(shù)集,假設(shè)分布函數(shù)為正態(tài)分布。將待分類圖像中的每個(gè)像元代入各個(gè)類別的分類函數(shù),將函數(shù)返回值最大的類別作為該像元的歸屬類別,從而達(dá)到分類的效果。

    在遙感影像的分類中,最大似然法假設(shè)影像多波段數(shù)據(jù)的分布為多維正態(tài)分布,以此來(lái)構(gòu)造判別分類函數(shù)。其基本思想是:每一個(gè)波段的每一類像元數(shù)據(jù)均形成一個(gè)正態(tài)分布,因此該類多波段數(shù)據(jù)便構(gòu)成自身的一個(gè)多維正態(tài)分布,不同種類訓(xùn)練樣本構(gòu)造出各類的多維正態(tài)分布模型,即概率密度函數(shù)或概率分布函數(shù),對(duì)于未知類別的數(shù)據(jù)向量,通過(guò)貝葉斯公式計(jì)算其屬于各個(gè)類別的概率大小,根據(jù)概率的大小對(duì)像元進(jìn)行分類。

    (3)神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的數(shù)學(xué)模型,通過(guò)模擬動(dòng)物神經(jīng)元的行為和神經(jīng)系統(tǒng)的組織結(jié)構(gòu),構(gòu)建仿真網(wǎng)絡(luò)系統(tǒng),借助于調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系,從而達(dá)到信息處理的目的。神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元,把多個(gè)神經(jīng)元按一定的層次結(jié)構(gòu)連接起來(lái),便可得到神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程,本質(zhì)上是根據(jù)訓(xùn)練數(shù)據(jù)來(lái)調(diào)整神經(jīng)元之間的連接權(quán)值以及每個(gè)功能神經(jīng)元的閾值。

    1.2.3 對(duì)比試驗(yàn)設(shè)計(jì) (1)將測(cè)量值設(shè)置為200,測(cè)量在空域執(zhí)行,將重構(gòu)后圖像分別采用SVM方法、最大似然法以及神經(jīng)分類的方法,結(jié)果與參考樣方進(jìn)行視覺(jué)分析和定量分析。分別從總體分類精度、Kappa系數(shù)等方面進(jìn)行比較分析;(2)將采樣數(shù)分別設(shè)置為300,400,500,600和700,然后按以上幾方面進(jìn)行比較;(3)測(cè)量在小波域執(zhí)行,實(shí)驗(yàn)操作同上;然后將在空域執(zhí)行和小波域執(zhí)行的3種方法分類結(jié)果分別進(jìn)行比較。

    2 結(jié)果與分析

    從圖3可見(jiàn),隨著測(cè)量值M的增加,重構(gòu)后的影像越來(lái)越清晰,當(dāng)M值取600時(shí),重構(gòu)后的影像基本與原始影像一致。未經(jīng)壓縮的原始影像分別采用SVM方法、最大似然法以及神經(jīng)法分類后的結(jié)果如圖4所示,其中采用SVM分類方法的總體精度為83.07%,Kappa系數(shù)為0.78;最大似然法分類的總體精度為81.84%,Kappa系數(shù)為0.76;神經(jīng)網(wǎng)絡(luò)法分類的總體精度為 79.36%,Kappa系數(shù)為0.73。

    圖3 不同測(cè)量值重構(gòu)影像

    圖4 原始影像不同算法分類結(jié)果

    表2 不同測(cè)量值下3種算法分別在空域和小波域分類結(jié)果總體精度

    2.1 不同分類算法的分類精度比較與分析

    當(dāng)測(cè)量值M取200的時(shí),分別采用上述3種方法在空域上進(jìn)行分類后的結(jié)果如圖5所示;顯然,與原始影像分類結(jié)果相比,測(cè)量值為200時(shí)的分類結(jié)果有較多混合斑塊,部分地物沒(méi)有明顯的區(qū)分出來(lái)。此時(shí)SVM分類方法的總體精度為79.80%,Kappa系數(shù)為0.73;最大似然法分類的總體精度為76.82%,Kappa系數(shù)為0.70;神經(jīng)網(wǎng)絡(luò)法分類的總體精度為76.27%,Kappa系數(shù)為0.69。改變測(cè)量值M的取值,同時(shí)在空域和小波域執(zhí)行后的結(jié)果分別如圖6所示。

    圖5 測(cè)量值M=200時(shí)不同算法分類結(jié)果

    圖6 不同算法分類精度

    從圖6可見(jiàn),3種分類方法中,無(wú)論測(cè)量值M取值為多少,SVM法分類效果最佳,總體精度最高,最大似然法次之。其中,SVM法和最大似然法在空域和小波域的執(zhí)行結(jié)果基本一致,而神經(jīng)網(wǎng)絡(luò)方法的精度在空域和小波域的精度相差起伏較大。

    圖7 不同測(cè)量值的分類精度

    2.2 不同測(cè)量值的分類精度比較與分析

    從圖7可見(jiàn),當(dāng)測(cè)量值取值較小時(shí),3種方法分類結(jié)果的總體精度較低,隨著測(cè)量值的增加,SVM方法以及最大似然法的分類精度也隨之增加;雖然空域和小波域的執(zhí)行結(jié)果相差較小,但小波域的分類精度相對(duì)較高,其中SVM方法在小波域比空域的平均分類精度提高約0.02%,最大似然法在小波域比空域的平均分類精度提高約0.14%。神經(jīng)網(wǎng)絡(luò)法的分類精度隨測(cè)量值的變化較大,但同樣在小波域的分類精度較高,其平均精度比在空域的精度提高約0.35%,當(dāng)測(cè)量值M取值350時(shí),其分類精度約81.37%,相對(duì)于未經(jīng)壓縮的原始影像的分類結(jié)果,精度提高約2%。

    2.3 不同執(zhí)行域的分類精度比較與分析

    從圖8可見(jiàn),SVM方法在小波域和空域的分類精度均為最高;最大似然法的精度變化趨勢(shì)與SVM法一致,隨著測(cè)量值M的增加,分類精度呈增長(zhǎng)趨勢(shì),但當(dāng)測(cè)量值增加到500時(shí),兩種方法的分類精度達(dá)到一個(gè)峰值(其中,SVM方法在空域分類精度為 82.92%,與原始影像的分類精度相差0.16%),此后,分類精度基本呈平穩(wěn)趨勢(shì),而當(dāng)測(cè)量值取700時(shí),分類精度再次達(dá)到一個(gè)峰值,SVM方法在小波域的分類精度達(dá)到83.07%,比原始影像的分類精度降低約0.0065%,最大似然法在小波域的分類精度為80.86%,比原始影像的分類精度降低約0.98%。神經(jīng)網(wǎng)絡(luò)方法的分類精度變化起伏較大,其精度最高時(shí)為當(dāng)測(cè)量值取350時(shí)在空域分類結(jié)果,精度為81.37%,相對(duì)于原始影像分類精度,提高約2%;當(dāng)測(cè)量值為450時(shí),小波域的分類結(jié)果的分類精度為81.65%,相對(duì)于原始影像分類結(jié)果,提高約2.3%。

    圖8 不同執(zhí)行域的分類精度

    3 結(jié)論與討論

    本文通過(guò)采用基于小波變換的壓縮感知算法對(duì)黃河口地區(qū)的高光譜影像進(jìn)行了圖像重構(gòu),然后分別利用SVM法、最大似然法以及神經(jīng)網(wǎng)絡(luò)分類方法對(duì)重構(gòu)后的影像進(jìn)行分類,并對(duì)分類后的結(jié)果精度分別從空域和小波域、不同的測(cè)量值等維度進(jìn)行了分析和比較。得出以下結(jié)論:

    (1)重構(gòu)后的影像保留了原始影像的基本信息,保證了分類精度;

    (2)無(wú)論是在空域還是小波域,SVM法的分類精度均為最佳,最大似然法次之,且算法相對(duì)穩(wěn)定;

    (3)空域和小波域的執(zhí)行結(jié)果基本一致,故可認(rèn)為執(zhí)行域?qū)χ貥?gòu)的結(jié)果影響微??;

    (4)SVM法和最大似然法分類精度均隨測(cè)量值的增加,先逐漸提高,然后趨于穩(wěn)定,而神經(jīng)網(wǎng)絡(luò)法分類精度隨觀測(cè)值變化起伏較大。

    總體概括來(lái)說(shuō),壓縮重構(gòu)后的高光譜影像既減少了處理過(guò)程中的復(fù)雜度,又保證了分類精度,這對(duì)高光譜影像的處理和研究具有重要的意義。

    由于測(cè)量矩陣選取測(cè)量值時(shí)具有一定隨機(jī)性,實(shí)驗(yàn)中,同一測(cè)量值重構(gòu)后的影像分類精度略有不同,但對(duì)整體結(jié)果影響較小。如何選擇最佳觀測(cè)值,使得分類精度最高仍需進(jìn)一步探討。

    [1]Olshausen B A,Field D J.Emergence ofsimple-cell receptive field properties by learning a sparse code for natural images[J].Nature, 1996,381(6583):607-609.

    [2]Siddiqui S,Robila S,Peng J,et al.C for Hyperspectral Data Classification[C]//IEEE International Geoscience&Remote Sensing Symposium,IGARSS2008,July8-11,2008,Boston,Massachusetts,USA,Proceedings.2008:577-580.

    [3]Chen Y,Nasrabadi N M,Tran T D.Sparse representation for target detection in hyperspectral[J].IEEE Journal of Selected Topics in Signal Processing,2011,5(3):629-640.

    [4]Chen Y,Nasrabadi N M,Tran T D.Classification for hyperspectral imagery based on sparse representation[C]//The Workshop on Hyperspectral Image&Signal Processing:Evolution in Remote Sensing.2010:1-4.

    [5]何同弟,李見(jiàn)為.基于自適應(yīng)稀疏表示的高光譜遙感圖像分類[J].系統(tǒng)工程與電子技術(shù),2013,5(9):1994-1998.

    [6]宋相法,焦李成.基于稀疏表示及光譜信息的高光譜遙感圖像分類[J].電子與信息學(xué)報(bào),2011,34(2):268-272.

    [7]Du P,Xue Z,Li J,et al.Learning discriminative sparse representations for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing,2015,9(6):1-1.

    [8]E.Candès,J.Romberg and T.Tao.Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information.IEEE Transactions on Information Theory,2006,52(2):489-509.

    [9]E Candès,T Tao.Near optimal signal recovery from random projections:Universal encoding strategies?[J].IEEE Transactions on Information Theory,2006,52(12):5406-5425.

    [10]DDonoho.Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.

    [11]李樹(shù)濤,等.壓縮傳感綜述[J].自動(dòng)化學(xué)報(bào),2009,35(11):1369-1377.

    [12]Duarte MF,et a1.Single pixel imaging via compressive sampling[building simpler,smaller,and less-expensive digital cameras][J]. IEEE Signal ProcessingMagazine,2008,25(2):83-91.

    [13]LustigM,et a1.Compressed sensingMRI[J].IEEE Signal ProcessingMagazine,2008,25(2):72-82.

    [14]Wright J,et a1.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009,31(2):210-227.

    [15]Hennenfent G,Herrmann F J.Simply denoise:wavefield reconstruction via jittered undersampling[J].Geophysics,2008,73(3): 19-28.

    [16]Baraniuk R Steeghs P C.Compressive radar imaging.[C]//2007 IEEE Radar Conference,Boston,128-133.

    [17]Vapnik VN.Statistical LearningTheory[M].NewYork:Wiley,1998

    [18]杜培軍,林卉,孫敦新.基于支持向量機(jī)的高光譜遙感分類進(jìn)展[J].測(cè)繪通報(bào),2006(12):37-40.

    Evaluation of the Classification Accuracy of Coastal Wetland Hyperspectral Image Reconstructed from Sparse Sampling

    SUN Qin-pei1,2,MA Yi1,2,ZHANG Jie1,2
    1.Shandong University of Science and Technology,Qingdao 266590,Shandong Province,China; 2.First Institute of Oceanography,State Oceanic Administration,Qingdao 266061,Shandong Province,China

    As is known to all that the hyperspectral remote sensing images have the characteristics of high dimensionality,data volume,as well as strong correlation between bands,so it tends to appear the"Hughes" phenomenon in the process of classification.Therefore,it is of great significance to effectively reduce the data processing computation in the process of classification while keeping the important feature information of the original data.The compressed sensing theory,well known as its low sampling rate,presents sampling at a rate much lower than the Nyquist sampling rate,and the signals can be accurately reconstructed with a small amount of observation data.It is a kind of image reconstruction algorithm with low requirements for storage and transmission and better effect on image restoration.In this paper,the hyperspectral image of the Yellow River Estuary Area is reconstructed based on the Wavelet transform compression algorithm,and then the reconstructed image is classified by the methods of support vector machine (SVM),maximum likelihood and neural network. Finally,the classification results are compared and analyzed by different dimensions,including the airspace and wavelet domain,as well as different measured values.Results show that the reconstructed image has kept the basic information of the original image,ensuring the classification accuracy;the SVM algorithm has the best classification accuracy which is essentially the same in the airspace and wavelet domain;the accuracy firstly increases and then remains stable with the increase of measured value.

    hyperspectral image;sparse sampling;compressed sensing;image classification

    P237

    A

    1003-2029(2017)02-0077-06

    10.3969/j.issn.1003-2029.2017.02.013

    2016-09-07

    GF海岸帶遙感監(jiān)測(cè)與應(yīng)用示范資助項(xiàng)目

    孫欽佩(1991-),女,碩士研究生,主要從事遙感圖像處理研究。E-mail:sunqinpei163@163.com

    張杰(1963-),男,研究員,主要從事海洋遙感與信息系統(tǒng)研究。E-mail:zhangjie@fio.org.cn

    猜你喜歡
    空域重構(gòu)光譜
    基于三維Saab變換的高光譜圖像壓縮方法
    長(zhǎng)城敘事的重構(gòu)
    攝影世界(2022年1期)2022-01-21 10:50:14
    我國(guó)全空域防空體系精彩亮相珠海航展
    北方大陸 重構(gòu)未來(lái)
    北京的重構(gòu)與再造
    商周刊(2017年6期)2017-08-22 03:42:36
    論中止行為及其對(duì)中止犯的重構(gòu)
    基于貝葉斯估計(jì)的短時(shí)空域扇區(qū)交通流量預(yù)測(cè)
    淺談我國(guó)低空空域運(yùn)行管理現(xiàn)狀及發(fā)展
    基于能量空域調(diào)控的射頻加熱花生醬均勻性研究
    星載近紅外高光譜CO2遙感進(jìn)展
    夫妻午夜视频| 亚洲第一青青草原| 亚洲av日韩在线播放| 女警被强在线播放| 脱女人内裤的视频| 飞空精品影院首页| 99re6热这里在线精品视频| 国产精品久久久久久人妻精品电影 | 老鸭窝网址在线观看| 极品人妻少妇av视频| 高潮久久久久久久久久久不卡| 国产精品1区2区在线观看. | 国产精品久久久久久精品电影小说| av天堂在线播放| 亚洲国产日韩一区二区| av网站在线播放免费| 黄色a级毛片大全视频| 曰老女人黄片| 精品国产一区二区三区四区第35| 狠狠狠狠99中文字幕| av片东京热男人的天堂| 亚洲av成人一区二区三| 成年av动漫网址| 99国产精品免费福利视频| 久久精品成人免费网站| 久久午夜综合久久蜜桃| 丰满饥渴人妻一区二区三| 久久久精品免费免费高清| 天天添夜夜摸| 老司机午夜十八禁免费视频| 精品久久久精品久久久| 老熟女久久久| 免费观看人在逋| 亚洲伊人久久精品综合| 欧美国产精品一级二级三级| 久久久久精品国产欧美久久久 | 色播在线永久视频| 欧美国产精品va在线观看不卡| 不卡av一区二区三区| 美国免费a级毛片| 亚洲av成人一区二区三| 下体分泌物呈黄色| 丝瓜视频免费看黄片| 亚洲欧美色中文字幕在线| 亚洲成人免费av在线播放| 久久久精品免费免费高清| 亚洲国产精品999| 国产精品.久久久| 电影成人av| 亚洲天堂av无毛| 国产精品成人在线| 日韩制服骚丝袜av| 一本色道久久久久久精品综合| 日韩大片免费观看网站| 久久久国产一区二区| 男女高潮啪啪啪动态图| 国产精品一区二区在线不卡| 搡老熟女国产l中国老女人| 精品国内亚洲2022精品成人 | 欧美精品高潮呻吟av久久| 自线自在国产av| 动漫黄色视频在线观看| 丝瓜视频免费看黄片| av在线老鸭窝| 欧美97在线视频| 99精品欧美一区二区三区四区| 人人妻人人澡人人爽人人夜夜| 日韩欧美免费精品| 视频区欧美日本亚洲| www.av在线官网国产| 亚洲成人国产一区在线观看| 韩国精品一区二区三区| 九色亚洲精品在线播放| 在线观看舔阴道视频| 侵犯人妻中文字幕一二三四区| 老熟妇仑乱视频hdxx| 日韩制服丝袜自拍偷拍| 男女午夜视频在线观看| 午夜福利乱码中文字幕| 久久久久精品人妻al黑| 免费观看人在逋| 久久久久久久久久久久大奶| 99国产精品一区二区蜜桃av | 日韩视频在线欧美| 美女大奶头黄色视频| 国产激情久久老熟女| 9热在线视频观看99| 精品一品国产午夜福利视频| 国产精品成人在线| 久久精品国产综合久久久| 97在线人人人人妻| 亚洲精品中文字幕一二三四区 | a级毛片黄视频| 精品一品国产午夜福利视频| 国产欧美日韩一区二区精品| 无限看片的www在线观看| 精品亚洲成国产av| a级毛片在线看网站| 高清在线国产一区| 美女视频免费永久观看网站| 亚洲性夜色夜夜综合| 十分钟在线观看高清视频www| 女人爽到高潮嗷嗷叫在线视频| 涩涩av久久男人的天堂| 中亚洲国语对白在线视频| 91大片在线观看| 婷婷色av中文字幕| 免费观看人在逋| 亚洲精品乱久久久久久| 建设人人有责人人尽责人人享有的| 一本一本久久a久久精品综合妖精| 如日韩欧美国产精品一区二区三区| 一级毛片女人18水好多| 好男人电影高清在线观看| 亚洲人成77777在线视频| 日本撒尿小便嘘嘘汇集6| 国产亚洲精品一区二区www | 午夜福利视频在线观看免费| 男女边摸边吃奶| 成人18禁高潮啪啪吃奶动态图| 韩国高清视频一区二区三区| 亚洲国产日韩一区二区| 成人三级做爰电影| 亚洲国产成人一精品久久久| 精品免费久久久久久久清纯 | 欧美黄色淫秽网站| 国产亚洲av高清不卡| 亚洲久久久国产精品| 青青草视频在线视频观看| 国产精品久久久久久精品古装| 国产亚洲欧美在线一区二区| 法律面前人人平等表现在哪些方面 | 成人免费观看视频高清| 色婷婷av一区二区三区视频| 一级a爱视频在线免费观看| 欧美变态另类bdsm刘玥| 亚洲天堂av无毛| 欧美日韩国产mv在线观看视频| 日韩视频在线欧美| 99香蕉大伊视频| 亚洲av成人一区二区三| 欧美午夜高清在线| 精品一区二区三区四区五区乱码| 国产精品99久久99久久久不卡| 欧美午夜高清在线| 欧美日韩福利视频一区二区| 午夜日韩欧美国产| 18禁国产床啪视频网站| 两人在一起打扑克的视频| 五月天丁香电影| 少妇精品久久久久久久| av超薄肉色丝袜交足视频| 两个人看的免费小视频| 人人妻,人人澡人人爽秒播| 国产成人精品久久二区二区91| av一本久久久久| 午夜视频精品福利| www.av在线官网国产| 国产精品亚洲av一区麻豆| 精品少妇内射三级| 午夜福利乱码中文字幕| 亚洲国产av新网站| 亚洲欧美日韩另类电影网站| 国产一区二区三区在线臀色熟女 | 纯流量卡能插随身wifi吗| 天天添夜夜摸| 黄片播放在线免费| 精品一区二区三卡| 桃红色精品国产亚洲av| 日韩免费高清中文字幕av| 精品一品国产午夜福利视频| 极品人妻少妇av视频| 精品福利观看| 99国产综合亚洲精品| 日本猛色少妇xxxxx猛交久久| 国产成人欧美| 久久免费观看电影| 国产片内射在线| 一级毛片精品| 色播在线永久视频| 秋霞在线观看毛片| 婷婷色av中文字幕| av欧美777| 十八禁人妻一区二区| 啦啦啦在线免费观看视频4| 丁香六月天网| 国产一区二区三区av在线| 色播在线永久视频| 国产免费av片在线观看野外av| 国产欧美日韩一区二区精品| 亚洲专区国产一区二区| 90打野战视频偷拍视频| 男女国产视频网站| 老熟妇仑乱视频hdxx| 满18在线观看网站| 在线观看免费高清a一片| 日韩视频在线欧美| 亚洲伊人久久精品综合| 国产一级毛片在线| av网站免费在线观看视频| 亚洲欧洲精品一区二区精品久久久| 午夜激情av网站| 欧美日韩黄片免| 精品亚洲乱码少妇综合久久| 在线永久观看黄色视频| 国产一区二区三区综合在线观看| 高清黄色对白视频在线免费看| 桃花免费在线播放| 亚洲综合色网址| 成人影院久久| 91老司机精品| 看免费av毛片| a级毛片黄视频| 妹子高潮喷水视频| 天天影视国产精品| 99国产综合亚洲精品| 亚洲精品日韩在线中文字幕| 色婷婷av一区二区三区视频| 青春草亚洲视频在线观看| av免费在线观看网站| 亚洲全国av大片| 热99久久久久精品小说推荐| 99国产精品一区二区蜜桃av | 亚洲精品一区蜜桃| 久久免费观看电影| 无限看片的www在线观看| 日本精品一区二区三区蜜桃| 在线av久久热| 丝瓜视频免费看黄片| 久久免费观看电影| 高清欧美精品videossex| 成年动漫av网址| 99久久国产精品久久久| 亚洲精品第二区| 国产成人精品在线电影| av国产精品久久久久影院| 国产野战对白在线观看| 一区在线观看完整版| 五月天丁香电影| 国产亚洲欧美在线一区二区| 欧美精品av麻豆av| 国产xxxxx性猛交| 美女主播在线视频| 性色av一级| 天堂中文最新版在线下载| av国产精品久久久久影院| 精品人妻在线不人妻| 女警被强在线播放| 亚洲国产欧美日韩在线播放| 亚洲精品日韩在线中文字幕| 精品福利观看| 满18在线观看网站| 大片免费播放器 马上看| 精品乱码久久久久久99久播| 一本—道久久a久久精品蜜桃钙片| 在线观看www视频免费| 久久人妻熟女aⅴ| 午夜免费鲁丝| 国产欧美日韩一区二区三 | 老司机靠b影院| av网站免费在线观看视频| 黑人操中国人逼视频| 99国产精品免费福利视频| 午夜久久久在线观看| 91字幕亚洲| 欧美日韩成人在线一区二区| 国产精品一区二区精品视频观看| 天堂中文最新版在线下载| 久久 成人 亚洲| 国产免费av片在线观看野外av| 人妻人人澡人人爽人人| 欧美老熟妇乱子伦牲交| 午夜久久久在线观看| av在线app专区| 亚洲精品久久久久久婷婷小说| 热99国产精品久久久久久7| 女人久久www免费人成看片| 精品第一国产精品| 少妇被粗大的猛进出69影院| 法律面前人人平等表现在哪些方面 | 天天操日日干夜夜撸| 亚洲中文日韩欧美视频| 日韩三级视频一区二区三区| 黄片播放在线免费| 免费在线观看完整版高清| 高清av免费在线| 老熟女久久久| 精品国产一区二区久久| 亚洲国产成人一精品久久久| 久久性视频一级片| 99热全是精品| 久久精品国产亚洲av高清一级| 久久99热这里只频精品6学生| 日韩欧美一区视频在线观看| 狂野欧美激情性xxxx| 亚洲国产成人一精品久久久| 麻豆国产av国片精品| 一二三四在线观看免费中文在| 91av网站免费观看| 亚洲精品国产av成人精品| 成年人免费黄色播放视频| svipshipincom国产片| 国产日韩欧美在线精品| 国产一区二区在线观看av| 亚洲国产欧美日韩在线播放| 免费观看a级毛片全部| 欧美成人午夜精品| 亚洲精华国产精华精| 女性被躁到高潮视频| 午夜福利在线免费观看网站| 久久 成人 亚洲| 亚洲久久久国产精品| 国产人伦9x9x在线观看| 1024香蕉在线观看| 亚洲国产精品一区三区| 亚洲国产精品999| 一级毛片电影观看| 久久亚洲精品不卡| 欧美另类亚洲清纯唯美| 午夜福利乱码中文字幕| 国产精品 欧美亚洲| 搡老岳熟女国产| 日韩有码中文字幕| 好男人电影高清在线观看| 麻豆国产av国片精品| 国产精品一二三区在线看| 亚洲一区二区三区欧美精品| 国产视频一区二区在线看| 亚洲国产欧美一区二区综合| 热99国产精品久久久久久7| 俄罗斯特黄特色一大片| 国产成+人综合+亚洲专区| 日韩视频一区二区在线观看| 搡老熟女国产l中国老女人| 成人亚洲精品一区在线观看| 国产免费一区二区三区四区乱码| 91成年电影在线观看| 脱女人内裤的视频| 女人久久www免费人成看片| 精品国内亚洲2022精品成人 | 老司机靠b影院| 久久九九热精品免费| 一级黄色大片毛片| 黄片大片在线免费观看| 国产精品一二三区在线看| 亚洲av国产av综合av卡| 一区二区三区激情视频| 国产av又大| 午夜两性在线视频| 欧美日韩成人在线一区二区| 亚洲精品在线美女| 69精品国产乱码久久久| 成人av一区二区三区在线看 | 亚洲国产毛片av蜜桃av| 久久久久视频综合| 搡老岳熟女国产| 国产成人欧美在线观看 | 丝袜在线中文字幕| 欧美人与性动交α欧美精品济南到| 国产亚洲一区二区精品| 久久性视频一级片| 欧美 日韩 精品 国产| 中文欧美无线码| 久久久久久免费高清国产稀缺| 国产黄频视频在线观看| 欧美日韩黄片免| 国产一区二区三区av在线| 在线观看www视频免费| 久久精品亚洲av国产电影网| 欧美日韩黄片免| 后天国语完整版免费观看| 国产亚洲一区二区精品| 久久久国产成人免费| 国产无遮挡羞羞视频在线观看| 免费高清在线观看视频在线观看| 国产精品一二三区在线看| 国产精品偷伦视频观看了| 亚洲欧美日韩另类电影网站| 中文欧美无线码| 不卡一级毛片| 99香蕉大伊视频| 国产欧美日韩一区二区三区在线| 极品人妻少妇av视频| 十八禁高潮呻吟视频| 日本wwww免费看| 日本五十路高清| 女人精品久久久久毛片| 国产一区有黄有色的免费视频| av又黄又爽大尺度在线免费看| 国产又爽黄色视频| www.精华液| 日韩欧美一区视频在线观看| 久久国产精品人妻蜜桃| 国产欧美亚洲国产| 亚洲av成人一区二区三| 国产免费福利视频在线观看| 九色亚洲精品在线播放| 青草久久国产| 少妇粗大呻吟视频| 一区二区av电影网| 欧美精品高潮呻吟av久久| 老司机福利观看| 青春草视频在线免费观看| 欧美国产精品一级二级三级| 人人妻人人爽人人添夜夜欢视频| 免费一级毛片在线播放高清视频 | 精品久久久久久电影网| 亚洲第一av免费看| 国产精品欧美亚洲77777| 人妻 亚洲 视频| 免费av中文字幕在线| 1024香蕉在线观看| 亚洲 欧美一区二区三区| 亚洲精品国产精品久久久不卡| 人人妻人人添人人爽欧美一区卜| 国产在线免费精品| 国产成人精品久久二区二区免费| 国产一区二区三区综合在线观看| 久久 成人 亚洲| 成人免费观看视频高清| 我要看黄色一级片免费的| 99国产精品一区二区蜜桃av | av在线播放精品| 美女高潮到喷水免费观看| 亚洲中文日韩欧美视频| 亚洲精品中文字幕一二三四区 | 国产精品国产av在线观看| 国产高清国产精品国产三级| 岛国毛片在线播放| netflix在线观看网站| 国内毛片毛片毛片毛片毛片| 男人爽女人下面视频在线观看| 亚洲av国产av综合av卡| 老熟妇仑乱视频hdxx| 日本撒尿小便嘘嘘汇集6| 日本91视频免费播放| 2018国产大陆天天弄谢| kizo精华| 亚洲情色 制服丝袜| 日本黄色日本黄色录像| 一区二区三区乱码不卡18| 亚洲一码二码三码区别大吗| 亚洲三区欧美一区| 亚洲人成电影免费在线| 涩涩av久久男人的天堂| 免费av中文字幕在线| 亚洲成av片中文字幕在线观看| av国产精品久久久久影院| 亚洲性夜色夜夜综合| a级毛片黄视频| 欧美日韩成人在线一区二区| 嫩草影视91久久| 国产97色在线日韩免费| 欧美变态另类bdsm刘玥| 啦啦啦在线免费观看视频4| 国产精品av久久久久免费| 午夜免费成人在线视频| 日韩大片免费观看网站| 在线观看免费视频网站a站| 伦理电影免费视频| 国产在线免费精品| 国产99久久九九免费精品| 大香蕉久久网| 国产成人免费无遮挡视频| 日本黄色日本黄色录像| 色播在线永久视频| 国产精品久久久久久人妻精品电影 | 妹子高潮喷水视频| 免费不卡黄色视频| 亚洲精品久久成人aⅴ小说| 色综合欧美亚洲国产小说| 宅男免费午夜| 丝袜美足系列| 最近最新中文字幕大全免费视频| 一级a爱视频在线免费观看| 日韩大码丰满熟妇| 狠狠精品人妻久久久久久综合| 两人在一起打扑克的视频| 午夜福利乱码中文字幕| 啦啦啦中文免费视频观看日本| 叶爱在线成人免费视频播放| 侵犯人妻中文字幕一二三四区| 别揉我奶头~嗯~啊~动态视频 | av一本久久久久| 日韩三级视频一区二区三区| 不卡av一区二区三区| 国产成人影院久久av| 亚洲 国产 在线| 色综合欧美亚洲国产小说| 免费在线观看完整版高清| 亚洲成人手机| 纵有疾风起免费观看全集完整版| 激情视频va一区二区三区| 视频区图区小说| 亚洲国产看品久久| 精品一区二区三区av网在线观看 | 麻豆av在线久日| 老司机靠b影院| 爱豆传媒免费全集在线观看| 热99久久久久精品小说推荐| 亚洲中文日韩欧美视频| 国产精品 国内视频| 久久久久久久大尺度免费视频| 女人精品久久久久毛片| 亚洲成人国产一区在线观看| 久久精品国产综合久久久| a级毛片在线看网站| 午夜精品国产一区二区电影| 欧美一级毛片孕妇| 午夜福利,免费看| 精品久久久精品久久久| 嫁个100分男人电影在线观看| 成年av动漫网址| 国产精品免费大片| 亚洲精品国产精品久久久不卡| 欧美性长视频在线观看| 91国产中文字幕| 男女午夜视频在线观看| 国产日韩一区二区三区精品不卡| 国产精品一区二区在线观看99| 美国免费a级毛片| 亚洲精品自拍成人| 伊人久久大香线蕉亚洲五| 日韩一卡2卡3卡4卡2021年| 日韩视频在线欧美| av国产精品久久久久影院| 最近最新中文字幕大全免费视频| 悠悠久久av| 爱豆传媒免费全集在线观看| 亚洲久久久国产精品| 免费在线观看视频国产中文字幕亚洲 | 看免费av毛片| 亚洲一码二码三码区别大吗| 午夜视频精品福利| 亚洲国产中文字幕在线视频| 黄色视频不卡| 亚洲欧美清纯卡通| 交换朋友夫妻互换小说| 黄色视频在线播放观看不卡| 精品国产一区二区三区四区第35| 高清视频免费观看一区二区| 天堂8中文在线网| 国产在线视频一区二区| 50天的宝宝边吃奶边哭怎么回事| 欧美激情 高清一区二区三区| 国产人伦9x9x在线观看| 精品人妻熟女毛片av久久网站| av网站在线播放免费| 在线永久观看黄色视频| 久久影院123| a级片在线免费高清观看视频| 搡老乐熟女国产| 精品乱码久久久久久99久播| 精品高清国产在线一区| a级毛片在线看网站| 国产深夜福利视频在线观看| 欧美日韩亚洲国产一区二区在线观看 | 精品欧美一区二区三区在线| 啦啦啦 在线观看视频| 欧美日韩精品网址| 黄色片一级片一级黄色片| 国产主播在线观看一区二区| 在线观看免费高清a一片| 午夜福利在线观看吧| 新久久久久国产一级毛片| 搡老乐熟女国产| 少妇裸体淫交视频免费看高清 | 久久精品成人免费网站| 精品亚洲乱码少妇综合久久| 9色porny在线观看| 最近最新中文字幕大全免费视频| 亚洲专区中文字幕在线| 国产人伦9x9x在线观看| 性色av乱码一区二区三区2| 超碰97精品在线观看| 日韩大片免费观看网站| 欧美黄色片欧美黄色片| 国产老妇伦熟女老妇高清| 99久久国产精品久久久| 久久亚洲国产成人精品v| 亚洲va日本ⅴa欧美va伊人久久 | 国产亚洲av高清不卡| 两人在一起打扑克的视频| 高清视频免费观看一区二区| 色老头精品视频在线观看| 日本wwww免费看| 免费在线观看完整版高清| 老司机影院成人| 一区二区av电影网| 欧美黄色片欧美黄色片| 美女国产高潮福利片在线看| 国产国语露脸激情在线看| 在线永久观看黄色视频| 高清欧美精品videossex| 欧美日韩一级在线毛片| 亚洲视频免费观看视频| 亚洲欧美清纯卡通| 亚洲人成电影免费在线| kizo精华| 老司机影院成人| 亚洲国产av影院在线观看| 99精品欧美一区二区三区四区| 一边摸一边抽搐一进一出视频| 美女主播在线视频| 久久天堂一区二区三区四区| 国产精品熟女久久久久浪| 午夜老司机福利片| 久久亚洲国产成人精品v| 国产老妇伦熟女老妇高清| 国产一区二区在线观看av| 91精品三级在线观看| 一二三四在线观看免费中文在| 国产成人欧美在线观看 | 99re6热这里在线精品视频| a级毛片黄视频|