多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。     

高光谱影像奇异谱特征提取和分类方法北大核心CSCD

针对高光谱影像中地物的尺度复杂多样,并且存在“同物异谱、同谱异物”现象,给影像的解译和分类带来了困难,以及高光谱影像维度过高容易造成分类中的维数灾难等难题,提出了一种结合超像素的改进二维奇异谱分析(two-dimensional singular spectrum analysis combining with superpixels,S2DSSA),与局部Fisher判别分析(local Fisher discriminant analysis,LFDA)相融合,共同提取影像的光谱-空间特征,并使用支持向量机(support vector machine,SVM)来进行分类,记为S2DSSA-LFDA-SVM的方法。超像素2DSSA将2DSSA作用于每个构造的超像素规则区域,能够自适应地提取地物的空间特征。在其基础上,LFDA进一步挖掘光谱维度的流形结构,实现光谱特征提取和降维。实验结果证明,在两个经典高光谱数据集上,所提出方法的总体精度相比于原始数据分别提升了31.7%和12.9%,相比于其他先进的光谱-空间分类算法有2%~6%不同程度的提升。     

与中国制造业共同创造价值

作为中国制造业的积极参与者，山特维克可乐满深刻地感受到，中国制造业自改革开放至今经历了翻天覆地的变化。但尽管新119技术不断更替，竞争优胜劣汰，有一样东西却从未改变，那就是制造更新、更好及更低成本的产品。展望2006年，我们有理由相信，为客户创造更大价值．将成为中国制造业的主旋律。     

与中国制造业共同创造价值

作为中国制造业的积极参与者,山特维克可乐满深刻地感受到,中国制造业自改革开放至今经历了翻天覆地的变化.但尽管新旧技术不断更替,竞争优胜劣汰,有一样东西却从未改变,那就是制造更新、更好及更低成本的产品.展望2006年,我们有理由相信,为客户创造更大价值,将成为中国制造业的主旋律.