基于空间-光谱特征和稀疏表达的高光谱图像分类算法.pdfVIP

2014 年12 月 APPLIED GEOPHYSICS （应用地球物理） 第11 卷，第4 期 基于空间-光谱特征和稀疏表达的高光谱图像分类算法//Hyperspectral image classification based on spatial and spectral features and sparse representation, APPLIED GEOPHYSICS, 2014, 11(4), P. 489-499. DOI: 10.1007/s11770-014-0451-3 基于空间-光谱特征和稀疏表达的高光谱图像分 类算法 1 1♦ 2,3 杨京辉 ，王立国 ，钱晋希 （1. 哈尔滨工程大学 信息与通信工程学院 黑龙江 哈尔滨 150001 ；2. 中国空间 技术研究院通信卫星事业部 北京 100094 ；3. 北京邮电大学电子工程学院 北京 100876） 摘要：针对传统的高光谱数据分类方法分类精度不高、没有充分地利用空间信息 等缺陷，提出一种基于Gabor 空间纹理特征(Gabor spatial texture features)及无参数 加权光谱特征(Nonparametric weighted spectral features)和稀疏表达分类(Sparse representation classification) 的高光谱图像分类算法，可以简写为 Gabor-NWSF 和 SRC，即GNWSF-SRC 。所提出的GNWSF-SRC 分类方法首先通过融合高光谱的 Gabor 空间特征和无参数加权光谱特征来更好地描述高光谱图像，然后通过其进 行稀疏表达，最终通过对比其重构误差获得分类结果。在训练集比例不同的情况 下，用所提出的方法对两组典型的高光谱数据进行处理，理论研究和仿真结果表 明：与传统的分类方法相比，所提出算法能够提高分类精度、Kappa 系数等，取 得了较好的分类效果。 关键词：高光谱，分类，稀疏表达，空间特征，光谱特征 引言 2013; Melgani and Bruzzone, 2004; Kuo et al., 2014) 。近年来，稀疏表达得到了广泛应用，比 如在图像去噪(Qian and Ye, 2013) 、图像复原 高光谱图像是对对整个频谱的数据进行采 (Yang et al., 2010)、人脸识别(Wright and Yang, 集和处理。目前，高光谱图像被广泛应用于农业 2009) 、高光谱图像解混(Iordache et al., 2012)、可 生产、矿物填图、目标识别与探测、灾害预警、 视化(Wang et al., 2013) 以及分类(Zhang et al., 军事侦察以及城市规划等领域。高光谱数据的特 2014) 。值得注意的是，文献(Wright and Yang, 点是数据量大、冗余多，维数较高这些特点会为