基于超像素级联的高光谱图像分类算法研究

• 作 者: 邓祥龙
• 机 构: 深圳大学
• 出 处: 深圳大学
• 发表日期: 2020年01期
• 关键词: 高光谱图像分类 自适应超像素分割 协同表示 决策融合 基于超像素的征提取 加权标签传播

近年来,随着高光谱成像技术和理论研究的不断发展,高光谱遥感已广泛应用于人类生产生活。高光谱图像分类作为高光谱遥感领域的一项重要研究内容,已吸引众多国内外的优秀学者投身于其中。光谱成像技术特别是光谱和空间分辨率的不断提高,使得收集到的高光谱图像包含了更加丰富的地物空间和光谱信息,同时又带来了新的挑战。一方面,有限的标记样本,要求分类器有着极强的鉴别能力,制约着高光谱图像分类精度的提升。另一方面,高光谱图像分类问题的特殊性导致算法计算规模非常大。本文将以超像素为基础,结合超像素的优势与高光谱图像的特点,深入研究小样本条件下的高光谱图像分类。主要包括以下成果:1.针对已有超像素算法普遍需要预先指定超像素个数的问题,提出了一种自适应超像素分割方法。该方法基于熵率分割算法均匀分割的假设。首先,针对不同的高光谱图像,利用图像的空间分辨率估计出均匀分割时每个超像素中像素的个数。然后,结合图像的空间大小与每个超像素包含的像素个数,自适应求取高光谱图像的超像素个数。最后,利用熵率分割算法对高光谱图像进行超像素分割。实验结果表明,自适应超像素分割算法完全能够根据不同图像的空间大小、空间分辨率自适应地完成超像素的分割。2.为了充分利用超像素包含的空间信息,提高高光谱图像分类精度,提出了一种基于协同表示的多尺度超像素高光谱图像分类结果融合框架。首先,对原始高光谱图像进行EMAP-Gabor特征提取,得到图像的空谱联合特征。其次,使用基于协同表示的分类器对EMAP-Gabor特征进行分类,得到预分类结果。再次,从EMAP特征生成多个尺度的超像素图对预分类结果进行正则化。最后,利用多数投票策略对多个正则化结果图进行投票,得到最终分类结果。实验结果表明,多尺度超像素图的引入能够有效提升分类精度,尤其是针对空间分布规律的物体,效果非常明显。3.为了解决高光谱图像标记样本少,分类算法计算代价大的问题,提出了一种基于超像素级加权标签传播的高光谱图像分类。首先,利用成果1中的方法对高光谱图像进行过分割,得到一幅过分割的超像素图。其次,基于超像素进行训练样本的正则化,将像素级的训练样本拓展到超像素级。再次,基于超像素进行特征提取并建立超像素间的邻接关系图。最后,利用基于动态标签传播算法改进的加权标签传播算法进行超像素级的分类,再将超像素级的分类结果映射到像素,得到最终的分类结果。实验结果表明,基于超像素级加权标签传播的高光谱图像分类算法能够取得很好的分类效果。