基于PCA和SVM的高光谱遥感图像分类研究

您当前的位置：

首页 >

文章列表页 >

光谱学 | 更新时间：2025-09-01

- 基于PCA和SVM的高光谱遥感图像分类研究
- Study on the hyperspectral remote sensed image classify based on PCA and SVM
- 光学技术 2008年34卷第S1期页码：184-187
- 作者机构：
  
  1:第二炮兵工程学院
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2008
- 稿件说明：
移动端阅览
张亮. 基于PCA和SVM的高光谱遥感图像分类研究[J]. 光学技术, 2008,34(S1):184-187.

Study on the hyperspectral remote sensed image classify based on PCA and SVM[J]. 2008, 34(S1): 184-187.
张亮. 基于PCA和SVM的高光谱遥感图像分类研究[J]. 光学技术, 2008,34(S1):184-187. DOI：

Study on the hyperspectral remote sensed image classify based on PCA and SVM[J]. 2008, 34(S1): 184-187. DOI：

支持向量机(SVM)是根据统计学习理论提出的新的研究方法

它在解决小样本、非线性及高维模式识别问题中表现出了许多特有的优势

在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。由于高光谱图像波段数目多

各波段间具有较强的相关性

因此通过主成分分析(PCA)方法对高光谱数据进行预处理

达到了降维的目的

同时也去除了噪声波段。用支持向量机方法对高光谱遥感图像进行分类

可实现图像的分类识别。

浏览量

1252

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于PCA和ICA的多光谱数据降维方法

基于超材料的堆叠式宽谱热辐射吸收器的设计

基于小波分解金字塔的OCT图像特征提取算法

低波数高分辨率宽光谱拉曼光谱仪的集成化设计

TDLAS波长调制压力测量法参数优化