面向对象的航空高光谱图像混合分类方法.pdfVIP

第16卷 第6 期 Vol. 16, No.6 2014 年11月 Nov., 2014 面向对象的航空高光谱图像混合分类方法 1,2 1* 1 1 3 李雪轲 ，王晋年 ，张立福 ，杨 杭 ，刘 凯 (1. 中国科学院遥感与数字地球研究所，北京 100101；2. 中国科学院大学，北京 100049； 3. 中国科学院地理科学与资源研究所，北京 100101) 摘要：传统的高光谱分类通常仅考虑单一像元的光谱或纹理特征，分类后容易出现地物破碎的现象。鉴于此，本文 提出了一种面向对象的混合分类方法，将面向对象的分割结果与传统的像元级分类结果进行有机融合，充分利用 对象的光谱特征和空间结构特征。在此基础上，引入了2 种具体的混合分类方法，即多尺度分割的SVM 分类和多 波段分水岭分割的SVM 分类。前者将地物光谱的可变性进行弱化处理，转化为多尺度均质对象单元进行分类；后 者融入了地物的空间信息和形态学特征，对分割得到的同质区域进行分类。将这2 种分类方法应用于航空高光谱 数据，实验结果表明：面向对象的混合分类方法的总体精度分别为92.63%和96.13% ，与传统的像元级分类法相比， 分别提高了10.14%和13.64% ，有效地解决了分类后地物的破碎现象。 关键词：航空高光谱；面向对象图像分类；支持向量机（SVM） DOI:10.3724/SP.J. 1047.2014.00941 1 引言 像元分解，降低了分类器受土地覆盖类型模糊样本 点的干扰。然而，上述应用的分类方法只是以逐像 高光谱遥感技术可揭示丰富的地物光谱信息， 元的光谱或纹理特征进行识别，很少考虑地物空间 [1] 结构信息与空间特征的相关性，存在着一定的 在地物分析与识别方面具有较大的优势 。但其分 类中容易出现“椒盐现象”，致使传统的高光谱分类 局限。 识别技术在应用中存在许多问题。 面向对象的遥感分类方法可实现较高层次的 目前，在分类识别技术中，支持向量机（Sup- 地物信息提取，其减少了分类中的不确定性，可充 port Vector Machines, SVM ）在解决小样本和高维模 分利用图像的几何结构、空间信息及上下文信息， 式识别中具有其特有的优势：Pal[2]认为SVM 方法几 有效地改善传统分类方法，在遥感分类中具有广阔 [7-9] 乎不受Hughes 影响，其分类能力优于常见的分类 的发展前景 。但是，影像处理单元从像元到对象 器，譬如最大似然分类器（Maximum Likelihood 会造成部分光谱信息的损失，从而模糊不同地物间 [3] [10] Classifier, MLC ）和神经网络分类器；George 利用 光谱特性的差异 ，如果将面向对象与逐像元的分 EO- 1 Hyperion 图像对树种进行精细分类，发现 类器进行融合，利用对象的光谱特征和空间结构特 [4] [11-12] SVM 明显优于光谱角分类；Kavzoglu