基于级联多分类器的高光谱图像分类

发布时间：2021-10-09 11:06

　　高光谱分类任务中,由于波段数量较多,图像中包含噪声以及各类地物样本分布不均匀,导致分类精度与训练效率不能平衡以及在小样本上分类精度低。针对上述问题,提出一种基于级联多分类器的高光谱图像分类方法。首先,采用主成分分析方法将高度相关的高维特征合成无关的低维特征,以加快Gabor滤波器提取纹理特征的速度;然后,使用Gabor滤波器提取图像在各个尺寸、方向上的纹理信息,每一个滤波器会生成一张特征图,在特征图中以待分类样本为中心取一个d*d的邻域,计算该邻域内数据的均值和方差来作为待分类样本的空间信息,再将空间信息和光谱信息融合,以降低光线与噪声的影响;最后,将谱-空联合特征输入级联多分类器中,得到预测样本关于类别的概率分布的平均值。实验采用Indian Pines、Pavia University和Salinas三组数据集,与经典算法如支持向量机和卷积神经网络进行比较,并采用总体分类精度、平均分类精度和Kappa系数作为评价标准对实验结果进行分析。本文方法总体分类精度在三个数据集上分别达到97.24%、99.57%和99.46%,相对于基于RBF核函数的支持向量机方法提高了13.2%、4.8%... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

特征选择过程

辽宁工程技术大学硕士学位论文72高光谱图像分类相关理论2.1高光谱图像主要预处理技术特征选择和特征提取是用于识别图像的重要过程之一，这两步会对分类器的性能与选择起决定性作用。因HSI具有较高维度的数据信息，对于高维度的数据的特征进行选择和提取是非常重要的研究。2.1.1特征选择特征选择过程的本质核心是：从图像的许多特征信息中，寻找最有效的信息特征去实现高维度到低维度的转变。高光谱的特征选择在一定程度上，是对从偌大特征空间中选取子空间的难点，目的是选择出对于分类器有效的可分类的光谱信息。高光谱特征选择的过程如图2.1所示。图2.1特征选择过程Figure2.1Featureselectionprocess2.1.2特征提取特征提取的本质核心思想是：将高维度空间中的特征信息通过映射或变换的办法在低维度空间中表示出来。在实际应用环境中，经常把原始未加工过的高维度空间使用线性或者非线性的方程式的方法投影到最佳的特征空间中。高光谱特征提取的过程如图2.2所示。常用的高光谱特征提取的方法包括主成分分析、Gabor滤波器和基于卷积神经网络的特征提龋图2.2特征提取过程Figure2.2Featureextractionprocess（1）主成分分析在1901年，Pearson提出主成分分析(PrincipalComponentAnalysis,PCA)方法。在1933年，Hotelling在Pearson提出的基础上加以改进，提出一种包含多种变量的统计学方法。PCA是一种用来特征提取的有效方法，算法是把图像转换为一个列向量，经过转变后可以

辽宁工程技术大学硕士学位论文9视觉刺激响应非常类似，因此可以从图像中获取目标物体的局部空间和频域信息。它具有良好的方向、频率和尺度选择特性，并且对光线变化不敏感，因此在视觉信息理解领域被广泛用于纹理特征的提龋图2.3将Gabor滤波器与脊椎动物感受野内视觉细胞对视觉刺激的响应进行了比较，其中第一行代表视觉细胞对视觉刺激的响应；第二行代表与第一行想对应的Gabor滤波器；第三行代表二者的残差。可以从图2.3看到，二者的残差值极小，因此可以用Gabor滤波器近似地完成视觉细胞的功能，实现特征提取的目的。图2.3Gabor滤波器和脊椎动物视觉皮层感受野响应的比较Figure2.3comparisonbetweenGaborfilterandresponseofsensoryfieldinvertebratevisualcortex在图形图像处理、模式识别等领域中，需要引入二维Gabor小波变换对时频域的相关信号进行处理，它可以在相同时刻分析处理时间域和频率域中的信号。二维Gabor小波变换与传统的傅里叶变换存在着一定的差异，具体表现在时间频率的局部化上，当时间、频率达到局部化最佳时，Gabor滤波器的方向、基带频率是非常容易调整的。因此，Gabor小波能识别多种分辨率的图像，可以对图像进行有效的变换。Gabor小波变换在特征提取方面具有如下优势：1）为满足实时性的需要，Gabor小波可以对少量数据信息进行处理。2）Gabor小波对太阳光光线影响不敏感，而且可以接受图形图像因外界因素产生的不确定性因素，如变形或旋转等。二维Gabor滤波器是由Gabor小波函数构建而来的一种线性滤波器，它的方向和频率与视觉细胞对其偏好视觉刺激的响应是相似的，此可以对尺度、频率和方向等特征有较好的表示。所以在实际的应用环境中，Gabor滤波器被广泛用于提取不同尺度、频率与方向上的纹理和空间信息。综上所述

【参考文献】：
期刊论文
[1]样本优化选择的高光谱图像分类[J]. 方帅,祝凤娟,董张玉,张晶.  中国图象图形学报. 2019(01)
[2]面向目标检测基于稀疏表示的波段选择方法[J]. 唐意东,黄树彩,薛爱军.  电子学报. 2017(10)
[3]小样本的高光谱图像降噪与分类[J]. 崔宾阁,马秀丹,谢小云.  遥感学报. 2017(05)
[4]基于卷积神经网络的高光谱图像谱-空联合分类[J]. 付光远,辜弘炀,汪洪桥.  科学技术与工程. 2017(21)
[5]基于DBNMI模型的海洋遥感影像自动标注方法[J]. 黄冬梅,许琼琼,杜艳玲,贺琪.  中国科学技术大学学报. 2017(07)
[6]基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 高林,杨贵军,于海洋,徐波,赵晓庆,董锦绘,马亚斌.  农业工程学报. 2016(22)
[7]苹果轻微机械损伤高光谱图像无损检测[J]. 蒋金豹,尤笛,汪国平,张政,门泽成.  光谱学与光谱分析. 2016(07)
[8]矿山环境高光谱遥感监测研究进展[J]. 李万伦,甘甫平.  国土资源遥感. 2016(02)
[9]植被生物量高光谱遥感监测研究进展[J]. 姚阔,郭旭东,南颖,李坤,江淑芳,孙婷婷.  测绘科学. 2016(08)
[10]基于空间相关性约束稀疏表示的高光谱图像分类[J]. 刘建军,吴泽彬,韦志辉,肖亮,孙乐.  电子与信息学报. 2012(11)

硕士论文
[1]基于深度自编码网络的高光谱图像空谱联合分类[D]. 余立付.西安电子科技大学 2017



本文编号：3426245