引导滤波联合局部判别嵌入的高光谱影像分类

发布时间：2021-02-05 21:30

　　高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而,高光谱遥感影像具有波段数量较多和空间分辨率较高等特点,给分类任务带来一定的挑战。为了提高分类精度,充分利用影像的空间信息和像素间的局部信息,提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先,对高光谱遥感影像进行归一化,利用主成分分析方法实现特征提取,将提取的第一主成分影像作为引导图像;其次,采用引导滤波分别提取各波段影像的空间特征;然后,将提取的空间影像特征进行叠加,通过局部Fisher判别分析完成低维嵌入;最后,将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明:在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下,其总体分类精度分别提高到98.28%和99.45%;对比其他相关方法,该方法能够获取更高的分类精度。该方法在低维嵌入的同时,有效利用了影像的空间信息,改善了分类效果。 

【文章来源】：吉林大学学报(地球科学版). 2020,50(04)北大核心

【文章页数】：12 页

【部分图文】：

Pavia University数据集

式中:qi是输出图像中的第i个像素点;ak和bk是当窗口中心位于k时该线性关系的线性系数;Ii是引导图像中的第i个像素点。对式(1)两边取梯度,可以得到?q=a?I。因此,当引导图像I有梯度时,输出图像q也有类似的梯度。将q表示为输入图像p去除噪声或纹理之后的图像:

假设高光谱遥感影像共有L类地物,提取影像数据空-谱嵌入特征后,本文采用支持向量机分类器对影像进行分类。SVM建立在统计学习理论VC(Vapnik-Chervonenkis)维理论和结构风险最小原理基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以获得最好的泛化能力,是目前广泛应用于高光谱遥感影像分类的方法之一[20]。本文分类的具体流程如下:步骤1:数据集划分阶段。将提取的空-谱特征随机分为训练样本和测试样本。

【参考文献】：
期刊论文
[1]基于主成分分析法与Bayes判别法组合应用的火山岩岩性定量识别:以渤海海域中生界为例[J]. 叶涛,韦阿娟,黄志,赵志平,肖述光.  吉林大学学报(地球科学版). 2019(03)
[2]基于引导滤波与改进PCNN的多聚焦图像融合算法[J]. 杨艳春,李娇,党建武,王阳萍.  光学学报. 2018(05)
[3]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福.  遥感学报. 2016(05)
[4]高光谱影像空-谱协同嵌入的地物分类算法[J]. 黄鸿,郑新磊.  测绘学报. 2016(08)
[5]基于Gabor特征与局部保护降维的高光谱图像分类算法[J]. 叶珍,白璘,粘永健.  光学学报. 2016(10)
[6]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)
[7]融合光谱-空间信息的高光谱遥感影像增量分类算法[J]. 王俊淑,江南,张国明,李杨,吕恒.  测绘学报. 2015(09)
[8]基于FastICA算法的高光谱矿物丰度反演[J]. 蒋夕平,吴凤凰,蒋昱,修连存.  吉林大学学报(地球科学版). 2013(05)



本文编号：3019612