联合局部二值模式的高光谱影像空-谱分类方法

为充分利用高光谱影像"图谱合一"的特性,提出了一种联合局部二值模式的高光谱影像空-谱分类方法。该方法通过局部二值模式从降维影像中提取空间纹理特征,以线性加权求和核为多核组合方式,与原始光谱特征结合构造混合核极限学习机模型,实现影像的地物分类。为了验证该方法的有效性,利用Indiana和Pavia U两组高光谱影像数据进行实验,总体分类精度分别达到99.23%和94.95%。结果表明该方法分类效果优于纯光谱分类、纯局部二值模式空间分类、GLCM空-谱分类以及3Gabor空-谱分类方法,有效地改善了高光谱影像分类结果,获得更加平滑的分类结果图。

多层级二值模式的高光谱影像空-谱分类

利用高光谱遥感影像的空间纹理特征,可以提高高光谱遥感影像的分类精度。提出了一种多层级二值模式的高光谱影像空-谱联合分类方法。该方法将高光谱影像转化为局部二值模式特征图像获取像元微观特征,基于特征图像生成多层级特征向量获取像元宏观特征。为验证该方法的有效性,选取PaviaU、Salinas和Chikusei高光谱影像数据,利用核极限学习机分类器,分别针对光谱、局部二值模式、多层级二值模式等特征开展实验。结果表明,多层级二值模式空-谱分类总体精度分别达到97.31%、98.96%和97.85%,明显优于传统光谱、3Gabor空-谱等分类方法。该方法可为高光谱影像分类提供更加有效的类别判定特征,有助于提高影像分类精度并获取更加平滑的分类结果图。

基于超像素分割的形态学标准差属性剖面特征自动生成

针对形态学属性剖面(Morphological Attribute Profile,AP)参数取值难以获取问题,提出一种基于超像素分割的自动确定标准差属性剖面参数的方法。首先,利用主成份分析(Principal Component Analysis,PCA)对高光谱影像进行降维,并对降维影像进行超像素分割,形成具有空间相邻和光谱相似特征的同质区域块。接着,基于分割结果进行训练样本的扩充:在一个区域块中,若只存在一类训练样本,则该区域中像素被均被标记为同类;若该区域块中存在不同类别的训练样本或不含训练样本,则不进行训练样本扩充。最后,基于扩充后训练样本的统计信息确定标准差AP的参数阈值。实验结果表明,所提算法优于多种自动确定属性剖面参数的方法。