基于形态稀疏协同表示的高光谱遥感图像分类
本成果属于高光谱图像信息处理技术,为高光谱遥感图像分类方法。首先对高维高光谱图像提取第一主成分特征图,并利用结构元素对主成分特征图进行多维的空间结构特征提取,结合提取的形态学特征与原始光谱特征,利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解,最终通过最小残差判断准则确定像元类别。这种方法有效地并且充分的挖掘了高光谱遥感图像中的空间信息、形态信息和光谱信息。考虑到稀疏表示方法在迭代求解稀疏向量时的耗时性与对非线性数据的不可分性,进一步提出了基于差分形态学核协同表示的高光谱遥感图像分类算法。该成果方法通过核化的协同表示分类算法避免了优化求解的耗时性,同时克服了高维特征空间下数据的线性不可分性。算法首先通过差分形态学方法在高光谱遥感图像的主成分分析图上进行空间特征提取,并通过核变换方法将新特征字典投影到高维的线性核特征空间,最后利用核化协同表示算法的高效性对高光谱图像进行分类。
主要技术指标
University of Pavia 通过 ROSIS-03 传感器记录,该图像捕获了意大利帕维亚的帕维亚大学周围的市区。图像尺寸为 610×340×103,空间分辨率为 1.3 m / 像素,光谱覆盖范围为 0.43 至 0.86μm。该图像考虑了九个类别。其具有 42776 个标记样本。每类取 50 个有标记样本共 450 个样本作为训练样本。
请参阅表 1,本方法提出的高光谱图像分类方法,相比于传统分类器 SVM,OA 提高了约 18%;相比于 JSRC,OA 提高了约 5%;同时参阅表 2,展示了本成果方法的时间运行效率与相关方法的比较。该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果。
表 1 PaviaU 数据集上对比实验结果
表 2 不同数据集上时间运行对比实验结果
西安电子科技大学
2023-03-14