基于KPCA和FCM的HJ-1A星遥感数据分类

基于KPCA和FCM的HJ-1A星遥感数据分类

,

文章导航 > 自然资源遥感 > 2013 > (1): 71-76

白杨, 赵银娣. 基于KPCA和FCM的HJ-1A星遥感数据分类[J]. 自然资源遥感, 2013, (1): 71-76. doi: 10.6046/gtzyyg.2013.01.13

引用本文:

白杨, 赵银娣. 基于KPCA和FCM的HJ-1A星遥感数据分类[J]. 自然资源遥感, 2013, (1): 71-76. doi: 10.6046/gtzyyg.2013.01.13

HJ-1A satellite remote sensing data classification based on KPCA and FCM[J]. Remote Sensing for Natural Resources, 2013, (1): 71-76. doi: 10.6046/gtzyyg.2013.01.13

Citation:

HJ-1A satellite remote sensing data classification based on KPCA and FCM[J]. Remote Sensing for Natural Resources, 2013, (1): 71-76. doi: 10.6046/gtzyyg.2013.01.13

基于KPCA和FCM的HJ-1A星遥感数据分类

白杨,
赵银娣

中国矿业大学环境与测绘学院,徐州221116;国土环境与灾害监测国家测绘局重点实验室,徐州221116

中国矿业大学

详细信息

中图分类号: TP751.1

刊出日期: 2013-04-15

HJ-1A satellite remote sensing data classification based on KPCA and FCM

Publish Date: 15 April 2013

摘要: 为提高对环境与灾害监测预报小卫星1A(HJ-1A)星遥感数据分类的精度,首先将HJ-1A星HSI高光谱数据和CCD多光谱数据进行GS(Gram-Schmidt)融合,然后利用主成分分析法(principal component analysis,PCA)和核主成分分析法(kernel PCA,KPCA)分别对融合后的高光谱图像进行降维处理.KPCA降维时采用高斯、线性和多项式3种核函数,根据特征提取效果评价结果,选择累积贡献率较大的多项式核函数.最后,分别对融合后的高光谱图像、PCA主成分图像和基于多项式核函数的KPCA主成分图像进行模糊C均值分类.实验结果表明,KPCA对融合后高光谱图像的特征提取得到了较好的效果,同时提高了分类精度和效率.
- HJ-1A星 /
- 主成分分析(PCA) /
- 核主成分分析(KPCA) /
- 累积贡献率 /
- 模糊C均值分类

资源附件(0)

计量

文章访问数: 395
PDF下载数: 0
施引文献: 0

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回