Dimensionality Reduction and Classification of Hyperspectral Remote Sensing Image Feature Extraction

降维 高光谱成像 模式识别(心理学) 人工智能 计算机科学 非线性降维 维数之咒 特征提取 数据冗余 操作系统
作者
Hongda Li,Jian Cui,Xinle Zhang,Yongqi Han,Liying Cao
出处
期刊:Remote Sensing [MDPI AG]
卷期号:14 (18): 4579-4579 被引量:24
标识
DOI:10.3390/rs14184579
摘要

Terrain classification is an important research direction in the field of remote sensing. Hyperspectral remote sensing image data contain a large amount of rich ground object information. However, such data have the characteristics of high spatial dimensions of features, strong data correlation, high data redundancy, and long operation time, which lead to difficulty in image data classification. A data dimensionality reduction algorithm can transform the data into low-dimensional data with strong features and then classify the dimensionally reduced data. However, most classification methods cannot effectively extract dimensionality-reduced data features. In this paper, different dimensionality reduction and machine learning supervised classification algorithms are explored to determine a suitable combination method of dimensionality reduction and classification for hyperspectral images. Soft and hard classification methods are adopted to achieve the classification of pixels according to diversity. The results show that the data after dimensionality reduction retain the data features with high overall feature correlation, and the data dimension is drastically reduced. The dimensionality reduction method of unified manifold approximation and projection and the classification method of support vector machine achieve the best terrain classification with 99.57% classification accuracy. High-precision fitting of neural networks for soft classification of hyperspectral images with a model fitting correlation coefficient (R2) of up to 0.979 solves the problem of mixed pixel decomposition.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
mailgo完成签到,获得积分10
刚刚
药学小朋友完成签到,获得积分10
3秒前
冉亦发布了新的文献求助20
3秒前
mojomars完成签到,获得积分10
7秒前
沉沉完成签到 ,获得积分0
10秒前
HH完成签到 ,获得积分10
13秒前
13秒前
丸子完成签到 ,获得积分10
18秒前
优秀的dd完成签到 ,获得积分10
21秒前
doubleshake发布了新的文献求助10
21秒前
JYM完成签到,获得积分10
21秒前
坦率完成签到 ,获得积分10
25秒前
26秒前
8D完成签到,获得积分10
28秒前
万能图书馆应助doubleshake采纳,获得10
32秒前
洁白的故人完成签到 ,获得积分10
37秒前
Persist6578完成签到 ,获得积分10
37秒前
bono完成签到 ,获得积分10
40秒前
Persist完成签到 ,获得积分10
48秒前
56秒前
贝贝完成签到 ,获得积分10
56秒前
雍雍完成签到 ,获得积分10
58秒前
knight发布了新的文献求助10
59秒前
务实青筠完成签到 ,获得积分10
1分钟前
午后狂睡完成签到 ,获得积分10
1分钟前
所所应助顺宏冉呀采纳,获得10
1分钟前
喜悦香薇完成签到 ,获得积分10
1分钟前
HHM驳回了无花果应助
1分钟前
WonderC完成签到 ,获得积分10
1分钟前
hanshishengye完成签到 ,获得积分10
1分钟前
韩寒完成签到 ,获得积分10
1分钟前
111完成签到,获得积分20
1分钟前
1分钟前
knight完成签到,获得积分20
1分钟前
xiaochen发布了新的文献求助10
1分钟前
111发布了新的文献求助10
1分钟前
快乐的90后fjk完成签到 ,获得积分10
1分钟前
爱笑子默完成签到 ,获得积分10
1分钟前
Wsyyy完成签到 ,获得积分10
1分钟前
1分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3137039
求助须知:如何正确求助?哪些是违规求助? 2788025
关于积分的说明 7784284
捐赠科研通 2444088
什么是DOI,文献DOI怎么找? 1299724
科研通“疑难数据库(出版商)”最低求助积分说明 625536
版权声明 601010