基于多尺度特征提取的高光谱星载分类算法

针对当前高光谱分类算法难以同时满足星载分类高精度、低能耗需求的问题,提出一种基于多尺度空间特征提取的高光谱星载分类算法,在保持较高分类精度的同时大幅度降低算法的计算开销。利用局部最大值滤波提取高光谱图像的纹理特征,将多尺度滤波结果根据遥感图像空间关联性进行组合得到局部-全局联合空间特征,融合空间特征和光谱特征后采用随机森林进行分类。该算法仅包含整数比较和加法运算,未采用高光谱主流分类算法中的乘法和求幂等高开销运算。在Indian Pines、Pavia University和HyRANK影像数据集上的实验结果表明,该算法与最高水平分类算法相比分类精度损失保持在2.4%以内,在跨场景分类中同样获得了较高的分类精度,与星载分类算法相比分类过程能耗降低到1/10000以下。该算法与现有算法相比更适用于星载分类任务,能够在保持较高分类精度的同时有效降低星载分类过程中的计算开销和能耗。