简介:Curvelet变换用于影像融合能有效保持影像的光谱信息,利于提取影像不同尺度、不同方向的细节特征。为检测Curvelet变换对影像分类的影响,文章首先采用PCA方法、Curvelet变换方法对IKONOS影像进行融合;然后对原多光谱影像和融合影像进行监督分类,分类时采用相同的训练样本;最后运用多种参数对结果进行目视、定量评价。总体结果显示:基于Curvelet变换的融合影像各波段的信息熵以及与原影像的平均结构相似性程度均高于基于PCA的融合影像,原多光谱影像、基于PCA的融合影像和基于Curvelet变换的融合影像的总体分类精度分别为:77.27%、70.00%和80.09%,其中基于Curvelet变换的分类影像的地物边缘光滑度最高。
简介:Tri—Training是半监督协同训练的代表性算法之一,它运用统计技术标记置信度,并结合噪音学习理论进行无标记样本分类。当扩充样本训练集不满足噪音学习理论时,会进行随机采样,针对传统Tri-Training算法随机选取基础分类器的扩充训练样本集会引入噪声这一缺陷,通过更改扩充样本训练集选取方式,剔除可能提高分类误差的样本。在健康大数据集上进行一系列验证试验,实验结果表明,改进的算法优于原始算法,降低分类错误率。