基于形态学空间特征的高光谱遥感图像分类方法

传统的高光谱图像分类主要是基于像素的光谱特征,在一定程度上忽略了高光谱遥感图像中像素之间的空间相关性。为了充分利用高光谱图像中的空间信息,提出了一种基于加权多结构元素无偏差形态学的空间特征提取方法,并基于形态学的多尺度特征和结构保持性提出了基于邻域的多尺度空间特征提取方法,得到了高光谱遥感图像的空间特征。对k-NN分类算法进行改进,提出了基于变精度粗糙集和重构误差的k-NN分类算法,实现了基于空间特征的高光谱遥感图像分类。在两个不同的高光谱遥感图像的实验验证了基于空间特征和改进k-NN分类算法的性能。     

基于核映射多光谱特征融合的高光谱遥感图像分类法

多光谱遥感图像的波段设定在理论和实践上都极具地物针对性,在更有效的数据挖掘方法帮助下可以提取足够的光谱特征以区分地物,本文将光谱匹配技术用于相似性度量,以提高分类准确度.首先选定光谱角制图、光谱相关制图、Mahalanobis距离、光谱相似度和光谱信息差异做为光谱度量;随后选择高斯核函数,在选定核函数之后,得到了核映射下的光谱特征度量来挖掘高光谱遥感数据的光谱特征.最后采用核映射多光谱特征融合法对多光谱遥感图像光谱特征的相似性进行描述,得到基于核映射多光谱特征融合的高光谱遥感图像分类算法.使用MATLAB中的LIBSVM工具箱对AVIRIS高光谱遥感数据进行分类实验,并与已有算法进行对比,结果表明本文提出的算法具有较高的分类准确度和性能.     

基于分类器集成的高光谱遥感图像分类方法

高光谱遥感图像为地物的精确分类带来了机遇,但也面临着一些挑战,高光谱遥感图像分类中所面临的一个挑战是如何处理高的光谱维数和小的样本数目之间的矛盾,目前几乎全部采用降维方法来缓解这一矛盾。集成学习的出现和选择性集成概念的提出为解决这一问题提供了新的研究思路,基于这一思想提出了基于波段分组和分类器集成的方法。在高光谱遥感图像的原始光谱空间根据波段之间的相似性信息对光谱波段进行分类,从每类中随机抽取一个波段形成新的光谱组,并依靠限制不同光谱组中相同波段的数目增加不同光谱组之间的差异程度,将新的光谱组作为训练分类器的特征子集,在特征子集训练最大似然分类器,使用简单的多数投票法合成得到最终的集成分类器。实验结果表明,使用基于波段分组和分类器集成的方法可以得到更高的分类精度。