高光譜遙感數(shù)據(jù)具有光譜信息豐富、圖譜合一的特點,目前已經(jīng)廣泛地應(yīng)用在對地觀測中。傳統(tǒng)的高光譜分類模型大多過分依賴影像光譜信息,沒有充分利用空間特征信息,這使得分類精度還有很大的提升空間。條件隨機場是一種概率模型,能夠較好地融合空間上下文信息,在高光譜影像分類中已經(jīng)得到越來越多的關(guān)注,但大部分條件隨機場模型存在超平滑的現(xiàn)象,會導(dǎo)致影像細節(jié)丟失。針對該問題,本文提出了一種優(yōu)化融合影像空-譜信息的高分辨率/高光譜影像分類方法,該方法將影像的紋理信息與原始光譜信息進行融合,利用SVM分類器對其進行預(yù)分類,并將各類概率定義為一元勢函數(shù),以融合空間特征信息;然后將空間平滑項和局部類別標簽成本項加入二元勢函數(shù)中,以考慮空間背景信息,并保留各類別中的詳細信息。最后,通過兩組的高分辨率/高光譜影像數(shù)據(jù)進行試驗。結(jié)果表明,與SVM算法、傳統(tǒng)的條件隨機場方法和面向?qū)ο蟮姆诸惙椒ㄏ啾?本文提出的算法在整體分類精度上分別提高了10%、9%和8%以上,同時在保持地物邊緣完整性、避免"同譜異物"與"同物異譜"的現(xiàn)象方面有較明顯的優(yōu)勢。 

【文章來源】：測繪學(xué)報. 2020,49(03)北大核心

【文章頁數(shù)】：12 頁

【部分圖文】：

Salinas數(shù)據(jù)集

最小噪聲分離法(minimum noise fraction,MNF)是一種常用的光譜特征提取方法,其簡便,易于實施。MNF變換后各分量按照信噪比大小排列,信息主要集中在第1分量,隨著分量增加,影像質(zhì)量逐漸降低。有研究表明,與原始高維影像數(shù)據(jù)和PCA變換得到的特征影像相比,MNF變換得到的低維特征影像能夠更加有效地提取影像中的光譜信息[21],因此本文選擇該方法提取高分辨率高光譜影像的光譜信息。1.2.2.2 紋理特征

在試驗中,每種算法分別隨機選擇3%、5%、10%的訓(xùn)練樣本進行分類,利用剩余97%、95%、90%的樣本進行精度驗證。使用各類別精度、總體精度(OA)、Kappa系數(shù)[28] 3種指標定量評價分類結(jié)果。圖3 Salinas數(shù)據(jù)集

【參考文獻】：
期刊論文
[1]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)
[2]基于主動學(xué)習(xí)和空間約束的高光譜影像分類[J]. 敖平平,孟凡紀.  測繪與空間地理信息. 2018(08)
[3]三維卷積神經(jīng)網(wǎng)絡(luò)模型聯(lián)合條件隨機場優(yōu)化的高光譜遙感影像分類[J]. 李竺強,朱瑞飛,高放,孟祥玉,安源,鐘興.  光學(xué)學(xué)報. 2018(08)
[4]聯(lián)合紋理和光譜特征的高光譜圖像分類方法[J]. 余健.  韓山師范學(xué)院學(xué)報. 2017(06)
[5]基于譜聚類和稀疏表示的高光譜圖像分類算法[J]. 董安國,李佳遜,張蓓,梁苗苗.  光學(xué)學(xué)報. 2017(08)
[6]條件隨機場模型約束下的遙感影像模糊C-均值聚類算法[J]. 王少宇,焦洪贊,鐘燕飛.  測繪學(xué)報. 2016(12)
[7]基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J]. 劉大偉,韓玲,韓曉勇.  光學(xué)學(xué)報. 2016(04)
[8]主動學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的高光譜影像分類[J]. 田彥平,陶超,鄒崢嶸,楊釗霞,何小飛.  測繪學(xué)報. 2015(08)
[9]高光譜影像光譜-空間多特征加權(quán)概率融合分類[J]. 張春森,鄭藝惟,黃小兵,崔衛(wèi)紅.  測繪學(xué)報. 2015(08)
[10]基于形態(tài)學(xué)建筑物指數(shù)的城市建筑物提取及其高度估算[J]. 付乾坤,吳波,汪小欽,孫振海.  遙感技術(shù)與應(yīng)用. 2015(01)

碩士論文
[1]半監(jiān)督支持向量機高光譜遙感影像分類[D]. 李二珠.中國礦業(yè)大學(xué) 2014



本文編號：2993325