首页 期刊 光学精密工程 利用区域增长技术的自适应高光谱图像分类 【正文】

利用区域增长技术的自适应高光谱图像分类

作者:吴银花; 胡炳樑; 高晓惠; 周安安 中国科学院西安光学精密机械研究所; 陕西西安710119
高光谱   分类   面向对象   区域增长   自适应  

摘要:针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据IndianPines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.9195,来自ROSIS传感器的高光谱数据PaviaUniversity在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.9440。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性

注:因版权方要求,不能公开全文,如需全文,请咨询杂志社

学术咨询 免费咨询 杂志订阅