高光谱影像光谱-空间多特征加权概率融合分类

提出了一种基于光谱-空间多特征加权概率融合的高光谱影像分类方法。首先,利用最小噪声分离(minimum noise fraction,MNF)方法对高光谱影像进行降维和特征提取,并以得到的MNF特征影像作为光谱特征,联合灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取的纹理特征、基于OFC算子建立的多尺度形态学特征以及采用连续最大角凸锥(sequential maximum angle convex cone,SMACC)提取的端元组分特征,组成3组光谱-空间特征;然后利用支持向量机(support vector machine,SVM)对每一组光谱-空间特征进行分类,得到每组特征的概率输出结果;最后,建立多特征加权概率融合模型,应用该模型将不同特征的概率输出结果进行加权融合,得到最终分类结果。为了验证该方法的有效性,利用ROSIS和AVIRIS影像进行试验,总体分类精度分别达到97.65%和96.62%。结果表明本文的方法不但较好地克服了传统基于单一特征高光谱影像分类的局限性,而且其分类效果也优于常规矢量叠加(vector stacking,VS)和概率融合的多特征分类方法,有效地改善了高光谱影像的分类结果。

面向地理国情监测的CRF遥感影像分类

针对地理国情监测中地表覆盖信息的提取,提出了一种基于条件随机场的高分辨率遥感影像自动分类方法.与面向对象的传统分类方法不同,该方法基于概率图模型分别计算像素级和对象级的势函数,以及像素与它所属对象之间的层间势函数,将所得势函数统一到一个CRF模型中进行图割求解.该方法较充分地表达了像素与对象之间的关系,从而降低了对象分割误差传递对影像分类结果的影响.以"高分1号"遥感影像为实验数据,借鉴地理国情普查中地表覆盖分类体系进行实验验证.分类总体精度和平均精度分别达到91.08%和86.95%,远高于基于面向对象的分类结果.