本文關(guān)鍵詞：綜合聚類和上下文特征的高光譜影像分類　出處：《武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)》2017年07期 　論文類型：期刊論文

  更多相關(guān)文章： 聚類 隱馬爾可夫隨機(jī)場(chǎng) 支持向量機(jī) 高光譜影像 光譜-空間分類 多數(shù)投票

【摘要】：常規(guī)高光譜影像逐像素分類往往沒有考慮空間相關(guān)性,分類結(jié)果未體現(xiàn)地物的空間關(guān)聯(lián)和分布特征。為了在分類中充分利用空間特征,利用聚類信息并結(jié)合隱馬爾可夫隨機(jī)場(chǎng)模型討論了高光譜遙感影像光譜-空間分類方法。首先,在不同特征提取方法(最小噪聲分離、獨(dú)立成分分析和主成分分析)下,使用不同聚類方法(k-均值、迭代自組織分析算法和模糊c-均值算法)借助隱馬爾可夫隨機(jī)場(chǎng)獲取優(yōu)化的分割圖;然后,采用4連通區(qū)域標(biāo)記法對(duì)分割區(qū)域標(biāo)記生成圖像對(duì)象,并根據(jù)支持向量機(jī)的逐像素分類結(jié)果采用多數(shù)投票法對(duì)圖像對(duì)象進(jìn)行分類;最后,借助凹槽窗口鄰域?yàn)V波技術(shù)改進(jìn)分類結(jié)果,削弱"椒鹽"現(xiàn)象。該方法綜合了監(jiān)督分類和非監(jiān)督分類的優(yōu)勢(shì),通過聚類引入地物空間相關(guān)性信息,通過隱馬爾可夫隨機(jī)場(chǎng)引入上下文特征,較好地彌補(bǔ)了單純基于光譜信息分類的不足。
[Abstract]:Conventional hyperspectral image pixel classification often does not consider spatial correlation, the classification results do not reflect the spatial correlation and distribution of features. In order to make full use of spatial features in the classification. Using the clustering information and the hidden Markov random field model, the spectral spatial classification method of hyperspectral remote sensing image is discussed. Firstly, different feature extraction methods (minimum noise separation) are used. Independent component Analysis (ICA) and Principal component Analysis (PCA), using different clustering methods, iterative self-organization analysis and fuzzy c-means algorithm, to obtain the optimized segmentation graph with the help of hidden Markov random field. Then, the 4-connected region labeling method is used to generate the image objects, and the majority voting method is used to classify the image objects according to the pixel classification results of support vector machine. Finally, we improve the classification results by using the grooved window neighborhood filtering technology, which weakens the "salt and pepper" phenomenon. This method integrates the advantages of supervised classification and unsupervised classification, and introduces spatial correlation information of ground objects through clustering. By introducing context features into hidden Markov random fields, the shortcomings of classification based on spectral information are well remedied.
【作者單位】： 天津市地質(zhì)調(diào)查研究院;南京大學(xué)衛(wèi)星測(cè)繪技術(shù)與應(yīng)用國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室;南京大學(xué)江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室;河海大學(xué)地球科學(xué)與工程學(xué)院;
【基金】：:江蘇省杰出青年基金(BK2012018) 國(guó)家重大科學(xué)儀器設(shè)備開發(fā)專項(xiàng)(012YQ050250)~~
【分類號(hào)】：TP751
【正文快照】： 高光譜影像(hyperspectral image,HSI)具有高光譜分辨率、精細(xì)光譜特征、圖像-光譜一體化表達(dá)的特性,能夠提供豐富的地表信息,受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注[1]。高光譜影像處理內(nèi)容涵蓋影像融合、混合像元分解、分類、目標(biāo)檢測(cè)、理化參數(shù)估計(jì)等方向[2-3]。目前,國(guó)內(nèi)外學(xué)者提出了

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 甘甫平;王潤(rùn)生;;高光譜遙感技術(shù)在地質(zhì)領(lǐng)域中的應(yīng)用[J];國(guó)土資源遙感;2007年04期

2 余旭初;楊國(guó)鵬;馮伍法;周欣;;基于簡(jiǎn)約集支持向量機(jī)的高光譜影像分類[J];計(jì)算機(jī)科學(xué);2010年11期

3 李新雙;張良培;李平湘;吳波;;基于小波分量特征值匹配的高光譜影像分類[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2006年03期

4 楊可明;陳云浩;郭達(dá)志;蔣金豹;;基于高光譜影像的小麥條銹病光譜信息探測(cè)與提取(英文)[J];光子學(xué)報(bào);2008年01期

5 蘇俊英;舒寧;;一種基于非線性增益小波濾波的高光譜影像去噪技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2008年04期

6 孫偉偉;劉春;施蓓琦;李巍岳;;基于隨機(jī)矩陣的高光譜影像非負(fù)稀疏表達(dá)分類[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年08期

7 楊可明;李慧;郭達(dá)志;;基于最佳小波包基的高光譜影像特征制圖[J];測(cè)繪學(xué)報(bào);2008年01期

8 楊國(guó)鵬;余旭初;劉偉;陳偉;;基于支持向量機(jī)的高光譜影像分類研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2008年08期

9 董超;趙慧潔;;關(guān)聯(lián)向量機(jī)在高光譜影像分類中的應(yīng)用[J];遙感學(xué)報(bào);2010年06期

10 董超;田聯(lián)房;趙慧潔;;遺傳關(guān)聯(lián)向量機(jī)高光譜影像分類[J];上海交通大學(xué)學(xué)報(bào);2011年10期

相關(guān)會(huì)議論文 前10條

1 舒寧;胡穎;;基于地物光譜特征的高光譜影像邊緣提取方法[A];地理空間信息技術(shù)與應(yīng)用——中國(guó)科協(xié)2002年學(xué)術(shù)年會(huì)測(cè)繪論文集[C];2002年

2 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

3 于美嬌;董廣軍;張永生;紀(jì)松;楊靖宇;;一種基于極大后驗(yàn)估計(jì)的高光譜影像分辨率增強(qiáng)方法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

4 董廣軍;紀(jì)松;朱朝杰;;基于局部線性嵌入流形學(xué)習(xí)的高光譜影像分類技術(shù)[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（3）[C];2008年

5 汪瑋;周可法;王金林;周曙光;劉慧;;環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)預(yù)處理[A];第十二屆全國(guó)數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會(huì)論文集[C];2013年

6 黃遠(yuǎn)程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

7 劉慶杰;藺啟忠;王黎明;王欽軍;李慶亭;苗峰顯;;基于CFFT最優(yōu)信噪比的星載高光譜影像噪聲抑制研究[A];第十七屆中國(guó)遙感大會(huì)摘要集[C];2010年

8 張杰林;;砂巖型鈾礦床高光譜數(shù)據(jù)挖掘技術(shù)研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

9 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標(biāo)提取[A];中國(guó)地震學(xué)會(huì)空間對(duì)地觀測(cè)專業(yè)委員會(huì)2013年學(xué)術(shù)研討會(huì)論文摘要集[C];2013年

10 李飛;周成虎;陳榮國(guó);;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國(guó)科學(xué)院博士后學(xué)術(shù)年會(huì)暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會(huì)議程序冊(cè)[C];2010年

相關(guān)博士學(xué)位論文 前8條

1 劉軻;冬小麥葉面積指數(shù)高光譜遙感反演方法研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

2 楊國(guó)鵬;基于機(jī)器學(xué)習(xí)方法的高光譜影像分類研究[D];解放軍信息工程大學(xué);2010年

3 路威;面向目標(biāo)探測(cè)的高光譜影像特征提取與分類技術(shù)研究[D];中國(guó)人民解放軍信息工程大學(xué);2005年

4 楊哲海;高光譜影像分類若干關(guān)鍵技術(shù)的研究[D];解放軍信息工程大學(xué);2006年

5 王凱;基于多特征融合的高光譜影像地物精細(xì)分析方法研究[D];武漢大學(xué);2013年

6 杜輝強(qiáng);高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學(xué);2004年

7 韋瑋;基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D];中國(guó)林業(yè)科學(xué)研究院;2011年

8 龔鑓;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 司海青;含水量對(duì)土壤有機(jī)質(zhì)含量高光譜估算的影響研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

2 汪重午;基于高光譜線性混合模型的地質(zhì)勘查研究[D];成都理工大學(xué);2015年

3 原娟;面向高光譜地物的在軌替代光譜定標(biāo)影響因子分析[D];浙江農(nóng)林大學(xué);2015年

4 魏祥坡;高光譜影像土質(zhì)要素和人工地物分類技術(shù)研究[D];解放軍信息工程大學(xué);2015年

5 康苒;松嫩平原典型土壤有機(jī)質(zhì)高光譜預(yù)測(cè)模型研究[D];東北農(nóng)業(yè)大學(xué);2016年

6 張穎;基于主動(dòng)學(xué)習(xí)的高光譜影像分類[D];成都理工大學(xué);2016年

7 張風(fēng);基于子空間學(xué)習(xí)的高光譜影像地物分類[D];西安電子科技大學(xué);2015年

8 劉瑞香;基于多尺度局部二值模式的高光譜圖像分類算法研究[D];西安石油大學(xué);2016年

9 劉怡君;基于機(jī)載LiDAR和高光譜遙感影像融合實(shí)現(xiàn)普洱山區(qū)樹種分類[D];中國(guó)林業(yè)科學(xué)研究院;2016年

10 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長(zhǎng)安大學(xué);2007年

，

本文編號(hào)：1422229