文献类型：期刊文章

作　　者：杨晨[1] 董丽芳[1] 赵海士[2] 常志勇[3,4]

Yang Chen;Dong Lifang;Zhao Haishi;Chang Zhiyong(College of Earth Sciences,Jilin University,Changchun 130061,China;College of Computer Science and Technology,Jilin University,Changchun 130021,China;Key Laboratory of Bionic Engineering,Ministry of Education,College of Biological and Agricultural Engineering,Jilin University,Changchun 13002,China;National-Local Joint Engineering Laboratory of In-situ Conversion,Drilling and Exploitation Technology for Oil Shale,Jilin University,Changchun 130021,China)

机构地区：[1]吉林大学地球科学学院,长春130061 [2]吉林大学计算机科学与技术学院,长春130021 [3]吉林大学生物与农业工程学院,工程仿生教育部重点实验室,长春130022 [4]吉林大学油页岩地下原位转化与钻采技术国家地方联合工程实验室,长春130021

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(61572228);吉林省科技发展计划项目(20190303006SF,20190302107GX);吉林省产业技术研究与开发专项项目(2019C053-5,2019C053-7)

年　　份：2019

卷　　号：35

期　　号：21

起止页码：158-165

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对高光谱遥感影像的高维性、不确定性及作物光谱变异性问题,传统信息提取方法不适用于高光谱遥感影像作物分类,该文基于一种调节学习方法,引入模糊统计学相关理论,提出模糊判别成分分析(fuzzy-statistics-based discriminative component analysis, FS-DCA)用于提取利于作物分类的高光谱遥感特征空间。首先定义模糊统计学数字特征,利用分块统计建立模糊可分特征子空间,抑制噪声像元造成的不确定性。将主成分分析(principal component analysis,PCA)及判别成分分析(discriminativecomponentanalysis,DCA)与FS-DCA所提取特征和原始全部波段分别应用于AVIRIS Indian Pines 92AV3C高光谱遥感影像中进行分类。结果表明,利用FS-DCA的7个特征进行作物分类获得的平均总体精度比采用全部波段、PCA和DCA分别高出6.88、3.28和0.5个百分点,种植作物的生产者精度与用户精度比传统方法提高1.37~18.47个百分点。该方法有效减少了高光谱影像维数,可为作物信息提取与分类提供参考。

关 键 词：高光谱  作物 分类  特征提取 模糊统计学  判别成分分析  

分 类 号：TP751.]