典型文献
低秩稀疏和改进SAM的高光谱图像误标签检测
文献摘要：
为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题,采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法.首先对高光谱图像中信号子空间进行预测,根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息,得到每类样本间的光谱相似度,并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测,使用支持向量机在两个真实数据集上验证.结果表明,该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91％的总体精度.这一结果对高光谱图像分类是有帮助的.
文献关键词：
图像处理;低秩稀疏表示;归一化光谱角制图;密度峰值聚类算法;噪声标签检测
中图分类号：
作者姓名：
刘煊;渠慎明
作者机构：
河南大学 软件学院,开封475001;河南大学 智能网络系统研究所,开封475001
文献出处：
引用格式：
[1]刘煊;渠慎明-.低秩稀疏和改进SAM的高光谱图像误标签检测)[J].激光技术,2022(06):808-816
A类：
归一化光谱角制图,噪声标签检测
B类：
SAM,监督学习,高光谱图像分类,图像分类算法,算法训练,训练样本,分类精度,低秩稀疏表示,检测算法,中信,信号子空间,据预测,图像重构,去噪,制图算法,每类,密度峰值聚类算法,局部密度,决策函数,真实数据,层次结构,总体精度
AB值：
0.180326
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
