發(fā)布時(shí)間：2021-02-05 21:30

　　高光譜遙感影像分類是高光譜遙感影像處理和應(yīng)用的重要組成部分。然而,高光譜遙感影像具有波段數(shù)量較多和空間分辨率較高等特點(diǎn),給分類任務(wù)帶來一定的挑戰(zhàn)。為了提高分類精度,充分利用影像的空間信息和像素間的局部信息,提出一種引導(dǎo)濾波聯(lián)合局部判別嵌入的高光譜影像分類方法。首先,對(duì)高光譜遙感影像進(jìn)行歸一化,利用主成分分析方法實(shí)現(xiàn)特征提取,將提取的第一主成分影像作為引導(dǎo)圖像;其次,采用引導(dǎo)濾波分別提取各波段影像的空間特征;然后,將提取的空間影像特征進(jìn)行疊加,通過局部Fisher判別分析完成低維嵌入;最后,將得到的低維嵌入特征輸入支持向量機(jī)分類器得到分類結(jié)果。采用Indian Pines和Pavia University兩幅高光譜影像進(jìn)行實(shí)驗(yàn)的結(jié)果表明:在分別從各類地物中隨機(jī)選取10%和100個(gè)樣本作為訓(xùn)練樣本的情況下,其總體分類精度分別提高到98.28%和99.45%;對(duì)比其他相關(guān)方法,該方法能夠獲取更高的分類精度。該方法在低維嵌入的同時(shí),有效利用了影像的空間信息,改善了分類效果。 

【文章來源】：吉林大學(xué)學(xué)報(bào)(地球科學(xué)版). 2020,50(04)北大核心

【文章頁數(shù)】：12 頁

【部分圖文】：

Pavia University數(shù)據(jù)集

式中:qi是輸出圖像中的第i個(gè)像素點(diǎn);ak和bk是當(dāng)窗口中心位于k時(shí)該線性關(guān)系的線性系數(shù);Ii是引導(dǎo)圖像中的第i個(gè)像素點(diǎn)。對(duì)式(1)兩邊取梯度,可以得到?q=a?I。因此,當(dāng)引導(dǎo)圖像I有梯度時(shí),輸出圖像q也有類似的梯度。將q表示為輸入圖像p去除噪聲或紋理之后的圖像:

假設(shè)高光譜遙感影像共有L類地物,提取影像數(shù)據(jù)空-譜嵌入特征后,本文采用支持向量機(jī)分類器對(duì)影像進(jìn)行分類。SVM建立在統(tǒng)計(jì)學(xué)習(xí)理論VC(Vapnik-Chervonenkis)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上,根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷,以獲得最好的泛化能力,是目前廣泛應(yīng)用于高光譜遙感影像分類的方法之一[20]。本文分類的具體流程如下:步驟1:數(shù)據(jù)集劃分階段。將提取的空-譜特征隨機(jī)分為訓(xùn)練樣本和測試樣本。

【參考文獻(xiàn)】：
期刊論文
[1]基于主成分分析法與Bayes判別法組合應(yīng)用的火山巖巖性定量識(shí)別:以渤海海域中生界為例[J]. 葉濤,韋阿娟,黃志,趙志平,肖述光.  吉林大學(xué)學(xué)報(bào)(地球科學(xué)版). 2019(03)
[2]基于引導(dǎo)濾波與改進(jìn)PCNN的多聚焦圖像融合算法[J]. 楊艷春,李嬌,黨建武,王陽萍.  光學(xué)學(xué)報(bào). 2018(05)
[3]中國高光譜遙感的前沿進(jìn)展[J]. 童慶禧,張兵,張立福.  遙感學(xué)報(bào). 2016(05)
[4]高光譜影像空-譜協(xié)同嵌入的地物分類算法[J]. 黃鴻,鄭新磊.  測繪學(xué)報(bào). 2016(08)
[5]基于Gabor特征與局部保護(hù)降維的高光譜圖像分類算法[J]. 葉珍,白璘,粘永健.  光學(xué)學(xué)報(bào). 2016(10)
[6]高光譜遙感影像分類研究進(jìn)展[J]. 杜培軍,夏俊士,薛朝輝,譚琨,蘇紅軍,鮑蕊.  遙感學(xué)報(bào). 2016(02)
[7]融合光譜-空間信息的高光譜遙感影像增量分類算法[J]. 王俊淑,江南,張國明,李楊,呂恒.  測繪學(xué)報(bào). 2015(09)
[8]基于FastICA算法的高光譜礦物豐度反演[J]. 蔣夕平,吳鳳凰,蔣昱,修連存.  吉林大學(xué)學(xué)報(bào)(地球科學(xué)版). 2013(05)



本文編號(hào)：3019612