高光谱图像特征提取和分类算法研究

• 作 者: 王姗姗
• 出 处: 辽宁师范大学
• 发表日期: 2020年01期
• 关键词: 高光谱图像 特征提取 谱空信息 分类

高光谱遥感技术通过数百个光谱窄波段实现地面场景成像,具有较高的光谱分辨率,波段连续且地物识别能力较强。在地质绘图和勘探、大气或植被生态监测、产品质检、精细农业、城市遥感和军事战场侦察等领域有广泛的应用。高光谱遥感图像具有冗余度高、相关性强、数据量大等特点,给图像分类识别带来了诸多挑战。针对高光谱图像的特点,本文在现有图像特征提取方法和分类识别方法的基础上研究基于光谱和空间的特征提取算法和图像分类方法。主要工作如下:(1)研究分析现阶段的高光谱图像特征提取方法、高光谱图像模式识别方法,介绍常用的高光谱图像评价分类指标及数据集等。(2)提出了谱空特征分层融合的高光谱图像特征提取算法,并在无监督极限学习机上进行分类。对于高光谱图像,无监督极限学习机在分类时会产生计算时间长,分类精度低的现象。为解决这个问题在无监督极限学习机中加入谱空特征分层融合算法。该算法首先利用基于光谱维的特征提取算法LDA将原始高光谱图像数据降到一定维数,提取光谱信息。然后对降维后的数据采用多尺度自适应加权滤波器AWF进行滤波,提取空间信息。两种算法交替使用设计了分层融合框架,有效提取出了高光谱图像中重要的谱空信息。为验证所提算法的有效性,使用三种高光谱图像进行实验,实验结果表明所提出算法的有效性。(3)提出了融合传播滤波的高光谱图像分类深度网络。该方法包含预处理、深层特征提取和分类三个步骤。预处理使用传播滤波,用于平滑图像、去除噪声、阴影等与光谱特性无关的信息,得到一个光谱特性与实际更接近的高光谱图像。深层特征提取部分由LPP算法和AWF算法构成,进行光谱特征和空间特征的分层交叉学习,获得深度谱空特征。分类使用加权核极限学习机作为分类器。为验证提出算法的可行性,使用两种高光谱图像进行实验,实验结果表明提出的算法具有良好的效果。