針對高光譜圖像中同質(zhì)異譜現(xiàn)象造成的分類精度較低以及邊緣像元在聯(lián)合空間光譜信息分類時特征易混淆的問題,提出了基于分層引導(dǎo)濾波與最近鄰正則化子空間的分類方法.利用主成分分析獲得高光譜圖像的第一主成分.以第一主成分為引導(dǎo)圖像對高光譜圖像執(zhí)行分層引導(dǎo)濾波操作,引導(dǎo)濾波的邊緣保護特性,有效阻隔了邊緣處類間光譜信息的混淆,并減小了局部區(qū)域類內(nèi)光譜的差異,最后將預(yù)處理后的高光譜圖像送至最近鄰正則化子空間分類器進行分類識別.在Indian Pines,Salinas以及GRSS_DFC₂013高光譜數(shù)據(jù)集上與現(xiàn)有的方法進行對比實驗.結(jié)果表明,本文提出的方法在三個數(shù)據(jù)集上分別取得了98.63%,99.13%與99.42%的總體分類準確率,有著更優(yōu)的分類精度與可視化效果.

【文章頁數(shù)】：13 頁

【部分圖文】：

圖1濾波前后光譜特征對比

圖像的第一主成分很好地表達了圖像地邊緣結(jié)構(gòu)信息，故選用圖像的第一主成分為引導(dǎo)圖像．以Salinas數(shù)據(jù)集中兩類位置相鄰的地物Stubble與Celery的部分光譜特征為例，原始光譜特征與引導(dǎo)濾波10次、20次后的光譜特征如圖1所示．圖1中虛線輪廓內(nèi)為光譜特征（108～204波段）....

圖2HGF-NRS算法流程圖

將經(jīng)過HGF預(yù)處理的HSI送至NRS進行分類，NRS分類器是通過比較各組別訓(xùn)練樣本對測試樣本的重建誤差來確定測試樣本的歸屬．本文提出的HGF-NRS可分為3個步驟，流程圖如圖2所示，首先通過PCA變換獲得高光譜數(shù)據(jù)的第一主成分，以此作為引導(dǎo)濾波的引導(dǎo)圖像；然后，迭代地執(zhí)行T次引導(dǎo)....

圖3測試樣本的重建誤差

以Salinas數(shù)據(jù)集的組1中某一測試樣本為例，NRS,Gabor-NRS[19],HGF-NRS分類時各組別的歸一化的重建誤差如圖3所示．三種方法都取得了正確的分類，與NRS和與Gabor-NRS相比，HGF-NRS有著更小的重建誤差，注意到其他各組的重建誤差仍保持與NRS一致....

圖4不同的ε，r對OA的影響

ε與r對全局分類準確率的影響如圖4所示，為公平對比，令T=10，λ=0.1．適當?shù)脑黾哟翱诎霃絩與正則化參數(shù)ε，有利于組內(nèi)光譜的聚攏，r與ε過大時會使大尺度的邊緣結(jié)構(gòu)被平滑，造成邊緣處像元光譜特征的丟失，從而準確率下降．由此獲得三個數(shù)據(jù)集上最優(yōu)的ε與r.λ與T對全局分類準確率的影....

本文編號：3917788