1、所用数据集 Bostwana、Indian Pines,所用算法 SVM
2、数据分析,高光谱数据维数高、信息量大、冗余信息多,这些先都不考虑,先输入SVM数据再考虑
3、试验流程
①、加载数据,包括Data和label
②、数据预处理,归一化,我用的是最简单的 (x - min)/ max - min ,在每一维数据应用
③、选取训练样本,我用的是均衡选样,即每一类数据选取10%
④、训练SVM,我用的是c,g模式
⑤、分类,得到分类正确率,Kappa系数,分类结果图
4、实验结果
①、Bostwana
正确率:90.5172%
Kappa系数:0.8972
分类结果图:
②、Indian Pines
正确率:82.7788%
Kappa系数:0.8082
分类结果图:
5、分析
①、高光谱数据波段多,首先应该降维,可以用PCA等转换降维或者选择波段子集降维
②、高光谱数据是否需要降维,需要进一步研究
③、高光谱数据源数据值一般较大,但是变化性不大,如下所示,对于单维数据(单波段)肯定是归一化处理后更有利于分类,但是波段之间都有联系的,这种形式的归一化操作会破坏这种联系;如果对所有维(所有波段)数据进行归一化操作,在之前的经验中貌似效果并不好。。。如何找到一种更合理的归一化方式???
④、如何更有效地利用高光谱的物理特征
⑤、找到一个模型,可以兼顾物理特征和统计特征