一种波段聚类和多尺度结构特征融合的高光谱图像分类模型.pdfVIP

第44卷，第1期光谱学与光谱分析Vol.44,No.1,pp258-265

2024年1月SpectroscopyandSpectralAnalysisJanuary,2024

一种波段聚类和多尺度结构特征融合的高光谱图像分类模型

王彩玲1，张静"，王洪伟2*，宋晓楠，纪童3

1.西安石油大学计算机学院，陕西西安710065

2.西北工业大学光电与智能研究院，陕西西安710072

3.甘肃农业大学草业学院，甘肃兰州730070

摘要高光谱图像包含丰富的地物信息，在农业、工业和军事等领域应用广泛。因此，高光谱图像的识别

与分类是一项重要的研究课题。然而，高光谱图像存在光谱维度高、噪声大、标记样本有限等问题，并未取

得很好的分类效果。针对以上问题，提出一种波段聚类和多尺度结构特征融合的高光谱图像分类模型

（ASPS-MRTV）。该方法主要包括以下几个步骤，首先，对高光谱数据进行归一化处理，将归一化后的三维

图像按光谱维等分为n个子空间；其次，采用粗细划分策略构造自适应子空间光谱特征提取框架，将每个空

间波段拉伸为一维向量后用信息散度构造波段的相似性矩阵，按照聚类的思想对n个子空间进行自适应；

然后，将每个自适应子空间的光谱波段平均值进行叠加，形成光谱特征；最后，对所得到的光谱特征数据利

用多尺度相对全变分技术提取结构特征。为了增强样本的线性可分性，在数据堆叠之后进行核主成分分析，

最终形成空谱特征。对比实验中统一使用惩罚参数C和核参数。都为24.5的SVM进行分类。经测试，

ASPS-MRTV网络模型在IndianPines、UniversityofPavia两个数据集上分别以5%，1%的训练样本达到了

97.06%、98.98%的总体分类精度。实验结果表明，该模型与SVM、ASPS（ED）、ASPS（ID）、ASPS-LBP、

ASPS-GICM、ASPS-BF模型相比，在分类性能和计算效率方面都取得了更优的效果，有效提高小样本下高

光谱图像的分类精度。

关键词高光谱图像；多尺度结构特征；信息散度；核主成分分析；空谱特征

中图分类号：TP751.1文献标识码：AD0I:10.3964/j.issn.1000-0593(2024)01-0258-08

现象。这些问题导致分类精度较低，不利于后续的图像

引言分析。

为了克服这些问题，多种特征提取方法用于保持光谱分

高光谱遥感技术利用光谱探测与成像技术对感兴趣物体辨能力。一些基于特征变换的方法如主成分分析[5]，独立主

成像，形成了高光谱图像立方体。它包含丰富的光谱和空间成分分析，它们在降低光谱维度的同时保留了数据的原有信

信息，是一个三维数据[]，因此被广泛应用于生态保护[2]、息，但却改变了波段本身的物理意义。另外一种基于波段选

灾害监测[3]、医疗卫生[4]等领域。在高光谱（hyperspectral择的方法由于保留了高光谱数据的固有属性而备受关注。它

image，HSD数据处理任务中，分类仍然是一项具有挑战性在不损失物理意义和信息的前提下，选择了低相关性，信息

的任务，旨在为每个像元分配唯一标签，对许多实际应用非量大的子集。波段相似性度量方式包括：信息散度（informa-

常关键。一开始，我们通过人眼进行分类，取得了不太理想tiondivergence，ID)、欧氏距离(Euclideandistance，ED)[6]等。

的效果。到后来，利用机器学习方法虽然提高了分类精度，研究表明，仅提取数据内部的光谱信息对高光谱分类并

但仍存在许多问题：（1)样本稀少引发