一种基于引导滤波和MNF的高光谱遥感图像分类方法.docVIP

一种基于引导滤波和MNF的高光谱遥感图像分类方法 　　摘要：提出一种基于引导滤波和最大噪声分离变换的高光谱遥感图像分类方法。使用MNF对高光谱图像进行最大噪声分离变换并进行降维，然后使用引导滤波对降维后的图像进行滤波操作，使用的引导图像为MNF变换后的第一成份，得到滤波后的高光谱图像特征，最后使用支持向量机针对特征进行分类。在AVIRIS图像上的实验结果表明，与单纯的MNF方法相比，该方法的Kappa系数提高超过15%。 　　关键词：引导滤波；MNF；高光谱；图像分类 　　DOIDOI：10.11907/rjdk.161940 　　中图分类号：TP317.4 　　文献标识码：A文章编号文 　　章编号2016）009016102 　　基金项目基金项目：国家自然科学基金青年基金项目；山东省自然科学基金青年基金项目（ZR2014DQ030） 　　作者简介作者简介：房宗启（1990-），男，山东青岛人，山东科技大学信息科学与工程学院硕士研究生，研究方向为高光谱遥感图像分类。 　　3实验 　　3.1实验数据 　　Indian Pines图像被用于该实验。该图像是通过AVIRIS传感器获得，它拍摄的是印第安纳州西北部的Indian Pines农业测试区，包括220个波段，大小为145×145。20个水吸收波段（104～108、150～163和220）在高光谱图像分类前移除。另外，Indian Pines图像的空间分辨率是每个像素20m，光谱范围为0.4～2.5μm。图4显示了其对应的参考分类图。 　　评价标准：本文使用遥感分类中的常用指标：整体精度（OA）、平均精度（AA）、Kappa系数评价不同算法性能的客观评价。 　　3.2实验方法 　　实验中，SVM使用的是默认参数设置，PCA取前10个主成分，MNF取前12个成份。本文方法中，引导滤波的窗口大小为8，引导图像为MNF变换后的第一成份。使用的训练样本设置是，平均每类地物使用16个训练样本，训练样本不参与分类。相同实验重复运行20次，计算均值得到分类结果如表1所示。 　　3.3实验结果 　　通过实验结果可以发现，本文方法获得了最高的分类精度，与原始的MNF相比，本文方法的Kappa系数提高超过了15个百分点，整体精度OA提高了接近14个百分点，平均精度则提高了超过8个百分点。实验证明，本文分类方法是一种有效的高光谱遥感图像分类方法。 　　4结语 　　本文提出了一种基于引导滤波和最大噪声分离变换的高光谱遥感图像分类方法。首先，使用MNF对高光谱图像进行最大噪声分离变换，选取前12个成份作为初始特征图像；然后使用引导滤波对初始特征图像进行滤波操作，使用的引导图像为MNF变换后的第一成份，得到滤波后的高光谱图像特征；最后使用支持向量机针对特征进行分类。实验结果表明，本文方法相比原先的MNF方法，在分类精度上提高达15个百分点。后续工作中，可以在此基础上，解决MNF变换后存在的条带噪声，研究在不同类图像上的分类表现。 　　参考文献参考文献： 　　[1]HUGHES G.On the mean accuracy of statistical pattern recognizers[J].IEEE Transactions on Information Theory，1968，14（1）：5563. 　　[2]杜培军，夏俊士，薛朝辉，等.高光谱遥感影像分类研究进展_杜培军[J].遥感学报，2016，20（2）：84104. 　　[3]杨钊霞，邹峥嵘，陶超，等.空谱信息与稀疏表示相结合的高光谱遥感影像分类[J].测绘学报，2015，44（7）：775781. 　　[4]KANG X，LI S，BENEDIKTSSON JA.Spectralspatial hyperspectral image classification with edgepreserving filtering[J].IEEE Transactions on Geoscience Remote Sensing，2014，52（5） 　　[5]A A GREEN，M BERMAN，P SWITZER，et al.A transformation for ordering multispectral data in terms of image quality with implications for noise removal[J].IEEE Transactions on Geoscience and Remote Sensing，1988，26（1）：6574. 　　[6]HE KAIMING.Guided