增强类可分性的高光谱图像分类

目的 在高光谱图像分类中，由于成像空间分辨率较低，混合像元大量存在。混合像元使得不同类别的光谱特征发生改变，失去原有的独特性，类内差异变大，类间差异变小。针对这一问题，本文提出基于分组滚动引导滤波的策略。同时针对高光谱图像中存在的“维数灾难”问题，提出了弹性网逻辑回归分类器的框架。方法 通过线性判别分析（linear discriminant analysis，LDA）算法生成具有判别性的引导图，对高光谱图像的每个波段执行滚动引导，从而让光谱曲线呈现类内凝聚、类间距离增大的趋势。通过构造逻辑回归目标函数的L1&L2范数正则项约束进行嵌入式波段选择，为每个类别选择出各自可分性强的波段，同时可以使高度相关性的波段保留下来作为分类依据。最后使用邻域优化策略对分类后结果进一步优化，提升分类精度。结果 分别在3个实验数据集上与其他分类算法进行对比，实验结果表明，本文算法的分类结果取得明显提升。本文算法的总体分类精度（overall accuracy，OA）在Indian Pines、Salinas和KSC （Kennedy Space Center）数据集上分别为96.61%、98.66%和99.04%，比其他算法平均分别高出4.8%、3%和1%，同时也在Indina Pines数据集中进行了对比实验以验证增强混合像元光谱可分性和波段可分性算法的有效性，对比实验结果表明本文算法改善了分类效果。结论 分别在光谱特性和波段选择两个环节增强类可分性，分类精度取得明显提升；同时，本文算法适合不同的数据集，并且在不同数量的训练样本下OA均表现较优，算法具有一定的鲁棒性。

Hyperspectral image classification with enhanced class separability