目前的高光譜影像分類算法多僅考慮光譜信息,為發(fā)揮高光譜影像空間信息和峰值密度聚類算法在劃分遙感影像地物的優(yōu)勢,提出融合超像元與峰值密度特征的影像分類方法。充分利用超像元分割技術(shù)在高光譜影像空間信息和光譜信息,將高光譜影像分為超像元;之后提取超像元灰度值作為峰值密度分類的重要特征;然后篩選峰值密度最高的光譜作為整幅影像的光譜簇,視像元和超像元作為分類的基本單位;進(jìn)而分別獲取像元、超像元與光譜簇間的差異,得到隸屬度關(guān)系;最后結(jié)合隸屬度完成影像分類。通過實驗驗證,該方法在確保分類精度最高的條件下,較其他方法耗時相對較少,滿足高光譜影像信息提取和分析的要求。 

【文章來源】：國土資源遙感. 2020,32(04)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

SLIC－DP算法操作步驟Fig．1OperationstepsofSLIC－DPalgorithm

國土資源遙感2020年確立超像元作為算法隸屬度關(guān)系制定的對象，進(jìn)而達(dá)到較為理想的分類效果。(a)K－Means分類結(jié)果(b)SLIC分割結(jié)果(c)SLIC－KMeans分類結(jié)果(d)SLIC－DP－P分類結(jié)果(e)SLIC－DP－SP分類結(jié)果圖3PaviaUniversity數(shù)據(jù)集分類結(jié)果Fig．3ClassificationresultsofPaviaUniversitydataset表1算法分類精度和計算時間Tab．1Classificationaccuracyandcalculationtimeofalgorithm算法AＲI時間/sK－Means0．3602．024SLIC－KMeans0．37620．290SLIC－DP－P0．45619．703SLIC－DP－SP0．46816．8672．3算法處理效率在算法需要具備較為優(yōu)秀的求解精度時，消耗時間越短，意味著算法處理問題的效率相對較高。從表1可以看出，在PaviaUniversity數(shù)據(jù)集中，K－Means的處理時間最短，但算法的精度最差;而SLIC－KMeans算法的精度較K－Means高，卻多消耗10倍的時間，說明SLIC算法利用空間平滑效果去除噪聲像元的效果較好，但算法效率需要優(yōu)化提高;引入DP算法之后，因DP算法在全局范圍內(nèi)求取最優(yōu)解，沒有迭代過程。因此，SLIC－DP－P算法在精度提升的前提下，較SLIC－KMeans降低2．89%的算法運行時間�？梢奃P算法效率較高，耗時較少;將超像元替代像元作為隸屬度關(guān)系制定的對象后，SLIC－DP－SP算法較SLIC－DP－P算法來說，精度提升，且消耗時間降低了14．39%。說明以超像元為分類對象后，排除噪聲像元對分類結(jié)果的影響，提升了分類結(jié)果的精度;而較像元來說，超像元的數(shù)量因結(jié)合高光譜影像的空間信息而大幅度降低，一定程度上減輕了算法的運算負(fù)擔(dān)。2．4算法參數(shù)評估SLIC－DP－SP算法一共有3個參數(shù)。分別為:初始超像元個數(shù)K、緊密性系數(shù)M和DP算法參數(shù)閾值dc。初始超像元個數(shù)K決定SLIC算法初始種子點位置?

【參考文獻(xiàn)】：
期刊論文
[1]高光譜圖像滾動引導(dǎo)遞歸濾波與地物分類[J]. 崔賓閣,吳亞男,鐘勇,鐘利偉,路燕.  遙感學(xué)報. 2019(03)
[2]融合全局和局部深度特征的高分辨率遙感影像場景分類方法[J]. 龔希,吳亮,謝忠,陳占龍,劉袁緣,俞侃.  光學(xué)學(xué)報. 2019(03)
[3]融合空譜特征和集成超限學(xué)習(xí)機的高光譜圖像分類[J]. 谷雨,徐英,郭寶峰.  測繪學(xué)報. 2018(09)
[4]結(jié)合光譜相似和相位一致的高分辨率影像分類[J]. 陳洋,范榮雙,徐啟恒,王競雪,王文瑋.  測繪科學(xué). 2018(11)
[5]結(jié)合均值漂移分割與聚類分析的遙感影像變化檢測[J]. 方旭,王光輝,楊化超,劉慧杰,王更.  測繪通報. 2017(12)

碩士論文
[1]基于密度排序聚類和超像素分割的高光譜遙感影像降維方法研究[D]. 唐貴華.深圳大學(xué) 2016



本文編號：3255798