融合超像元与峰值密度特征的遥感影像分类

发布时间：2021-06-29 05:09

　　目前的高光谱影像分类算法多仅考虑光谱信息,为发挥高光谱影像空间信息和峰值密度聚类算法在划分遥感影像地物的优势,提出融合超像元与峰值密度特征的影像分类方法。充分利用超像元分割技术在高光谱影像空间信息和光谱信息,将高光谱影像分为超像元;之后提取超像元灰度值作为峰值密度分类的重要特征;然后筛选峰值密度最高的光谱作为整幅影像的光谱簇,视像元和超像元作为分类的基本单位;进而分别获取像元、超像元与光谱簇间的差异,得到隶属度关系;最后结合隶属度完成影像分类。通过实验验证,该方法在确保分类精度最高的条件下,较其他方法耗时相对较少,满足高光谱影像信息提取和分析的要求。 

【文章来源】：国土资源遥感. 2020,32(04)北大核心CSCD

【文章页数】：5 页

【部分图文】：

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

国土资源遥感2020年确立超像元作为算法隶属度关系制定的对象，进而达到较为理想的分类效果。(a)K－Means分类结果(b)SLIC分割结果(c)SLIC－KMeans分类结果(d)SLIC－DP－P分类结果(e)SLIC－DP－SP分类结果图3PaviaUniversity数据集分类结果Fig．3ClassificationresultsofPaviaUniversitydataset表1算法分类精度和计算时间Tab．1Classificationaccuracyandcalculationtimeofalgorithm算法AＲI时间/sK－Means0．3602．024SLIC－KMeans0．37620．290SLIC－DP－P0．45619．703SLIC－DP－SP0．46816．8672．3算法处理效率在算法需要具备较为优秀的求解精度时，消耗时间越短，意味着算法处理问题的效率相对较高。从表1可以看出，在PaviaUniversity数据集中，K－Means的处理时间最短，但算法的精度最差;而SLIC－KMeans算法的精度较K－Means高，却多消耗10倍的时间，说明SLIC算法利用空间平滑效果去除噪声像元的效果较好，但算法效率需要优化提高;引入DP算法之后，因DP算法在全局范围内求取最优解，没有迭代过程。因此，SLIC－DP－P算法在精度提升的前提下，较SLIC－KMeans降低2．89%的算法运行时间。可见DP算法效率较高，耗时较少;将超像元替代像元作为隶属度关系制定的对象后，SLIC－DP－SP算法较SLIC－DP－P算法来说，精度提升，且消耗时间降低了14．39%。说明以超像元为分类对象后，排除噪声像元对分类结果的影响，提升了分类结果的精度;而较像元来说，超像元的数量因结合高光谱影像的空间信息而大幅度降低，一定程度上减轻了算法的运算负担。2．4算法参数评估SLIC－DP－SP算法一共有3个参数。分别为:初始超像元个数K、紧密性系数M和DP算法参数阈值dc。初始超像元个数K决定SLIC算法初始种子点位置?

【参考文献】：
期刊论文
[1]高光谱图像滚动引导递归滤波与地物分类[J]. 崔宾阁,吴亚男,钟勇,钟利伟,路燕.  遥感学报. 2019(03)
[2]融合全局和局部深度特征的高分辨率遥感影像场景分类方法[J]. 龚希,吴亮,谢忠,陈占龙,刘袁缘,俞侃.  光学学报. 2019(03)
[3]融合空谱特征和集成超限学习机的高光谱图像分类[J]. 谷雨,徐英,郭宝峰.  测绘学报. 2018(09)
[4]结合光谱相似和相位一致的高分辨率影像分类[J]. 陈洋,范荣双,徐启恒,王竞雪,王文玮.  测绘科学. 2018(11)
[5]结合均值漂移分割与聚类分析的遥感影像变化检测[J]. 方旭,王光辉,杨化超,刘慧杰,王更.  测绘通报. 2017(12)

硕士论文
[1]基于密度排序聚类和超像素分割的高光谱遥感影像降维方法研究[D]. 唐贵华.深圳大学 2016



本文编号：3255798