高光谱图像滚动引导递归滤波与地物分类.PDFVIP

高光谱图像滚动引导递归滤波与地物分类 崔宾阁, 吴亚男, 钟勇, 钟利伟, 路燕 山东科技大学 计算机科学与工程学院, 山东青岛 266590 摘 要: 高光谱图像类内光谱变化较大，“同物异谱”现象普遍存在。利用原始地物光谱特征进行分类精度较低 而且分类结果图中存在“椒盐现象”。为了获得好的分类结果，必须充分利用高光谱图像的光谱信息和空间信息， 减少类内的光谱变化，并扩大类别间的光谱差异。为此，本文提出一种滚动引导递归滤波的高光谱图像光谱—空间 分类方法。首先，利用主成分分析对高光谱图像进行降维；然后，利用高斯滤波对输入图像进行模糊化，消除图像 中的噪声和小尺度结构；接下来，将模糊化后的图像作为引导图像，对输入图像进行边缘保持递归滤波，输出结果 作为新的引导图像，重复迭代这个过程直至大尺度边缘被恢复；最后，利用提取的特征波段和支持向量机对高光谱 图像进行分类。在两个真实高光谱数据集上进行了分类实验,结果表明本文方法的分类精度优于其它的高光谱图像 分类方法。在训练样本极少的情况下，本文方法也能获得较高的分类精度。 关键词: 高光谱图像分类，滚动引导递归滤波，特征提取，主成分分析 中图分类号: TP751 文献标志码: A 1 引 言 Grimes, 2003)和拉普拉斯特征映射 LE(Chen et al., 2010)等。 由于高光谱图像波段狭窄，每个通道接收的光 成像光谱仪获取的地表图像含有丰富的空间、 能量较低，因此相对于宽波段的多光谱图像来说， 光谱和辐射多重信息。通过高光谱图像的光谱空间、 高光谱图像的信噪比通常较低，部分波段噪声严重。 特征空间和图像空间等多个空间对目标进行探测和 此外，光照条件、地物地形和混合像元等问题都会 识别，可以大大提高地物分类的可靠性与稳定性。 不同程度地引入噪声。这些噪声会同时存在于光谱 因此，在过去几十年中高光谱图像广泛应用到环境 域和空间域中，导致高光谱图像分类图呈现“椒盐 监测(Pontius et al., 2008) 、海洋监测(Ruitenbeek et al., 现象”，严重影响了高光谱遥感图像的应用能力。 2006) 、矿物识别(Baldwin et al., 1990) 以及精准农业 为了消除图像和分类结果图中存在的噪声，人们提 (Boggs et al., 2003)等领域中。 出了多种滤波方法，如均值滤波、中值滤波、高斯 高光谱图像波段数目众多，但用于图像分类的 滤波、边缘保持滤波等。其中，边缘保持滤波方法 训练样本通常难于获取，模型复杂度和样本的数量 （Edge-Preserving Filter ）能在消除图像噪声的同时 严重不匹配，存在所谓的休斯现象(Hughes, 1968) 。 保持地物边缘结构清晰而非模糊化，因此近年来已 为了解决这一问题，国内外研究人员通常采用特征 成为图像处理领域的一个热点主题。典型边缘保持 选择和特征提取两种方式进行降维。特征选择是指 从给定