基于联合协同表示和SVM模型的高光谱图像分类研究

"高光谱图像分类研究-基于联合协同表示与SVM决策融合的研究" 本文研究了高光谱图像分类问题，提出了一种基于联合协同表示（JCR）与支持向量机（SVM）模型的决策融合分类方法。该方法首先采用联合协同表示模型对样本与字典进行多元素分解，并分别进行相应的协同表示，自适应地学习多元素的残差权重并进行线性加权。其次，用灰度共生矩阵计算出的统计特征量来训练多类SVM分类器。最后，建立一种乘法融合规则将JCR与SVM相结合。 在两个标准数据集上的实验结果表明，该方法比其他方法具有更好的性能。该方法的优点在于能够有效地提取高光谱图像中的有用信息，并且能够对图像进行精准的分类。 本研究的主要贡献在于提出了基于联合协同表示与SVM决策融合的高光谱图像分类方法，该方法能够有效地解决高光谱图像分类问题，并且具有广泛的应用前景。 知识点： 1. 高光谱图像分类：高光谱图像分类是遥感遥感影像处理领域中的一个重要问题，主要是指对高光谱图像进行分类，以便更好地理解和应用高光谱图像中的信息。 2. 联合协同表示（JCR）：联合协同表示是一种多元素分解方法，能够对样本与字典进行多元素分解，并分别进行相应的协同表示，自适应地学习多元素的残差权重并进行线性加权。 3. 支持向量机（SVM）：支持向量机是一种常用的机器学习算法，能够对数据进行分类和回归分析。 4. 决策融合：决策融合是指将多种分类器或模型的输出结果进行融合，以便更好地进行分类或预测。 5. 高光谱图像处理：高光谱图像处理是指对高光谱图像进行处理，以便提取出有用的信息，并对图像进行分类、目标检测等操作。 6. 遥感遥感影像处理：遥感遥感影像处理是指对遥感影像进行处理，以便更好地理解和应用遥感影像中的信息。 7. 图像分类：图像分类是指对图像进行分类，以便更好地理解和应用图像中的信息。 8. 模式识别：模式识别是指对图像或信号进行模式识别，以便更好地理解和应用图像或信号中的信息。 9. 多元素分解：多元素分解是指对矩阵或张量进行分解，以便提取出有用的信息。 10. 灰度共生矩阵：灰度共生矩阵是一种统计特征量计算方法，能够计算出图像中的统计特征量。