空-谱融合的条件随机场高光谱影像分类方法

发布时间：2021-01-22 13:40

　　高光谱遥感数据具有光谱信息丰富、图谱合一的特点,目前已经广泛地应用在对地观测中。传统的高光谱分类模型大多过分依赖影像光谱信息,没有充分利用空间特征信息,这使得分类精度还有很大的提升空间。条件随机场是一种概率模型,能够较好地融合空间上下文信息,在高光谱影像分类中已经得到越来越多的关注,但大部分条件随机场模型存在超平滑的现象,会导致影像细节丢失。针对该问题,本文提出了一种优化融合影像空-谱信息的高分辨率/高光谱影像分类方法,该方法将影像的纹理信息与原始光谱信息进行融合,利用SVM分类器对其进行预分类,并将各类概率定义为一元势函数,以融合空间特征信息;然后将空间平滑项和局部类别标签成本项加入二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后,通过两组的高分辨率/高光谱影像数据进行试验。结果表明,与SVM算法、传统的条件随机场方法和面向对象的分类方法相比,本文提出的算法在整体分类精度上分别提高了10%、9%和8%以上,同时在保持地物边缘完整性、避免"同谱异物"与"同物异谱"的现象方面有较明显的优势。 

【文章来源】：测绘学报. 2020,49(03)北大核心

【文章页数】：12 页

【部分图文】：

Salinas数据集

最小噪声分离法(minimum noise fraction,MNF)是一种常用的光谱特征提取方法,其简便,易于实施。MNF变换后各分量按照信噪比大小排列,信息主要集中在第1分量,随着分量增加,影像质量逐渐降低。有研究表明,与原始高维影像数据和PCA变换得到的特征影像相比,MNF变换得到的低维特征影像能够更加有效地提取影像中的光谱信息[21],因此本文选择该方法提取高分辨率高光谱影像的光谱信息。1.2.2.2 纹理特征

在试验中,每种算法分别随机选择3%、5%、10%的训练样本进行分类,利用剩余97%、95%、90%的样本进行精度验证。使用各类别精度、总体精度(OA)、Kappa系数[28] 3种指标定量评价分类结果。图3 Salinas数据集

【参考文献】：
期刊论文
[1]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)
[2]基于主动学习和空间约束的高光谱影像分类[J]. 敖平平,孟凡纪.  测绘与空间地理信息. 2018(08)
[3]三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类[J]. 李竺强,朱瑞飞,高放,孟祥玉,安源,钟兴.  光学学报. 2018(08)
[4]联合纹理和光谱特征的高光谱图像分类方法[J]. 余健.  韩山师范学院学报. 2017(06)
[5]基于谱聚类和稀疏表示的高光谱图像分类算法[J]. 董安国,李佳逊,张蓓,梁苗苗.  光学学报. 2017(08)
[6]条件随机场模型约束下的遥感影像模糊C-均值聚类算法[J]. 王少宇,焦洪赞,钟燕飞.  测绘学报. 2016(12)
[7]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇.  光学学报. 2016(04)
[8]主动学习与图的半监督相结合的高光谱影像分类[J]. 田彦平,陶超,邹峥嵘,杨钊霞,何小飞.  测绘学报. 2015(08)
[9]高光谱影像光谱-空间多特征加权概率融合分类[J]. 张春森,郑艺惟,黄小兵,崔卫红.  测绘学报. 2015(08)
[10]基于形态学建筑物指数的城市建筑物提取及其高度估算[J]. 付乾坤,吴波,汪小钦,孙振海.  遥感技术与应用. 2015(01)

硕士论文
[1]半监督支持向量机高光谱遥感影像分类[D]. 李二珠.中国矿业大学 2014



本文编号：2993325