联合超像素降维和后处理优化的高光谱图像分类方法

针对高光谱图像样本标签量少且空间—光谱信息利用不充分而导致图像分类精度较低的问题,本文提出一种联合超像素降维和后验概率优化的高光谱图像分类方法。该方法首先基于高光谱图像的空间—光谱信息为每个样本构建局部邻域集合,并从局部邻域集合中提取超像素稀疏混合特征来充分表征图像的空谱信息和相关变化信息,然后将全局稀疏混合特征输入支持向量机分类器中生成像素的类别概率向量,最后采用后验概率模型优化类别概率向量,并依据概率最大值得到分类标签图。在3组常用的小规模数据集Indian Pines、Pavia University和Salinas以及一组大规模数据集HoustonU上的实验结果表明:本研究所提出的分类方法能够自适应地充分提取高光谱图像的高判别性特征信息,且在少量样本标签情形下,该方法在这4组实验数据集上分别获得了98.58%、96.88%、98.54%和91.01%的总体分类精度,优于文中对比的7种先进分类方法。

联合超像素主成分分析降维和扩展随机游走概率优化的高光谱图像分类

针对高光谱图像分类中小规模训练样本下空间信息利用不足和分类精度下降问题,提出一种联合超像素降维和类别后验概率优化的高光谱图像分类方法。首先根据高光谱图像的空间纹理结构,采用熵率超像素分割算法自适应地识别均匀同质超像素区域,对每个区域逐一应用主成分分析,挖掘能表征图像空间-光谱信息的超像素混合特征;然后将混合特征输入支持向量机中计算各像元初始类别概率向量,采用扩展随机游走算法利用图像空间邻域信息对初始类别进行后验概率优化;最后根据各像元最大类别概率确定分类结果。在Indian Pines、Pavia University和Salinas等3组通用高光谱数据集上开展实验,与其他6种方法进行对比,实验结果表明:在有限训练样本条件下,所提方法的总体分类精度分别为98.29%、97.29%和99.72%,优于对比方法的分类结果。