利用提升树模型综合Gabor和LPQ特征进行遥感地物识别

为充分融合高光谱遥感图像空间域和频率域的特征信息，提出了一种综合多尺度Gabor和LPQ特征的空谱融合遥感地物识别模型（Ms_GLPQ）。首先，在空间域上利用Gabor滤波器组，提取出遥感图像各类地物多尺度、多方向的空间邻域特征信息，以描述图像的边缘和纹理等空间结构信息；其次，在频率域上将局部相位量化（Local Phase Quantization，LPQ）算子应用于高光谱遥感图像，提取出高光谱图像的多尺度频域纹理特征，获得图像的相位不变特征描述；然后针对其中特征冗余的问题采用主成分分析（PCA）算法进行降维，再将空间域、频率域的特征进行特征融合，获得了能充分描述图像信息的特征向量；最后采用基于提升树的机器学习分类器（XGBoost、CatBoost等）进行识别。在Indian Pines、Salinas和茶树等高光谱遥感数据集上进行学习与分类测试，准确率分别为85.88%、94.42%和92.61%。实验结果表明：与传统方法相比，Ms_GLPQ模型能够提取小比例样本图像中的有效特征，取得了区分性更强的多特征区域描述子，且在采用提升树模型进行分类时效果更优，得到了比常用分类器更高的识别精度。

Boosting Tree Model with Gabor and LPQ Feature Fusion of HSI Ground Object Recognition