一种基于空间一致性降元的高光谱图像非监督.pdfVIP

第32卷，第7期 光谱学与光谱分析 2oI and 2年7月 Spectral Spectroscopy Analysis July，2012 一种基于空间一致性降元的高光谱图像非监督分类 岳江，张毅，徐杭威，柏连发’ 南京理工大学电子工程与光电技术学院，江苏南京210094 reductionwith 摘要 为了提高分类精度和边缘辨识性，该文引入图像空间一致性降元(pixels spatial coherence property，PRSCP)及线性回归分析，提出了一种基于空间一致惟降元的非监督分类。该方法从像 元光谱相似性出发，利用像元最小关联窗口合并相邻相似像元为像块完成降元。使用线性关系建模像块内 dimensionallinearre— 像元的光谱向量，并利用F检验判断像块数据的线性显著性。利用一元线性恒j归(one 评估了该方法性能，实验结果表明：与K-MEANS和1SODATA方法相比，该方法精度高、边缘辨识度好及 鲁棒性强。 关键词降元；空间一致性；一元线性回归；非监督分类；高光谱图像 中图分类号：TP751．1文献标识码：A 分割，能有效提高分割精度。文献[8]提出利用马尔科夫随 机场(markovrandom 引 言 field，~玎姬)分析高光谱中光谱特征的 空间联系，用来提高分类效果。 高光谱图像分类可以分为两大类：监督分类和非监督分 本1：作以高光谱数据守间一致性为前提，光谱角作为像 类[1。3]。虽然监督分类有较高的精度，但需要获取先验知识， 元光谱相似测度，将夺问相邻的多个相似像元合并成一个 在无法获得先验知识或者代价较大时，只能选择非监督分 “像块”。上述操作称为降元，像块等同于广义上的一个像 类口“]。非监督分类最常见、最具代表性的是K-MEANS和 元。光谱角是基于光谱曲线形状衡量像元相似性，在高光谱 IS()DATA两种方法，这两种方法假设类内像元满足多元高 分类中广泛使用，比如属监督分类的光谱角映射(spectral 斯分布(multivariate gaussian)，以高斯混合模璎(gaussianangle mixture model)建模，采用欧拉距离作为基本测度手段口“]。件中。而且利用光谱角进行降元，能最大保证降元后，像块 由于卜述两种方法较简单、使用普遍，已经被集成在某些遥 中像元光谱向量成线性分布。 感图像处理软件中，如咖。然而这类算法只考虑了光谱 信怠忽略了图像空间特性，毗邻像元具有更高相似可能 1像元光谱相似性 性——图像空间一致性，基于此特征的分类将更符合人类对 图像的解析忡]。另一方面大部分聚类和基于统计学的分类 常温下。物体无法辐射可见光和短波红外，依靠反射辐 方法都需要指定类别数最，目Ij{f还没有完善的、可接受的确射成像。地面物体反射率随波长的变化规律被称为反射波 定类别数量的统一理论nJ。图像毗邻像元特征逐渐受到研究 谱，利用反射波谱差别可以区分物体。用_厂(z，jr)表示物函 者的莺视，关于这方面的成果也越来越多。文献E63提出综 数，g(x，了)表示像函数(即像元光