面向高光谱影像分类的多特征流形鉴别嵌入

鉴于传统维数约减方法对高光谱遥感影像进行降维时,往往只利用了单一的光谱特征,限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法,该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征,然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构,在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性,而且使同类点尽可能紧致、不同类点远离,实现空-谱联合低维鉴别特征提取,以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明,本文算法的分类精度在不同实验条件下均优于传统的维数约减方法,其分类精度可达95.05%和96.20%,在较少训练样本条件下优势更为明显,有利于实际应用。     

基于分水岭及半监督最小误差重构的荧光微球分割及分类方法

针对荧光微球图像分割存在粘连及有限标记样本分类困难等问题,提出了一种基于改进分水岭及半监督最小误差重构分类器(SSMREC)的荧光微球图像分割及分类方法。采用改进分水岭方法对荧光微球图像进行分割,有效分离粘连,得到独立的荧光微球对象;对微球对象的色调(H)、饱和度(S)、明度(V)即HSV颜色空间进行非均匀量化,去除冗余信息,提取鉴别特征;采用半监督误差重构分类器实现荧光微球分类。将本文方法与线性鉴别分析分类器(LDA)、随机森林分类(RFC)、稀疏表示分类器(SRC)、K近邻分类器(KNN)、支持向量机(SVM)分类方法进行比较。实验结果显示,针对每类样本随机选取2,4,6,8个有类别标记的样本时,本文方法的总体分类精度比其他算法高3.5%~14.3%,该算法在类别标记样本量较少的情况下,能够有效提高分类精度。