帮助 关于我们

返回检索结果

利用区域增长技术的自适应高光谱图像分类
Adaptive hyperspectral image classification using region-growing techniques

查看参考文献16篇

文摘 针对面向对象的高光谱分类方法中分割参数设置问题,提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法,利用已知训练样本的空间信息,提供有效约束,从而降低区域增长过程中区域标记的错误传播率,以提高分类性能;其次,提出了自适应阈值计算方法,通过分析已知训练样本光谱的分布规律,自适应地计算出合理的区域划分阈值,从而代替经验阈值,提高算法的鲁棒性;最后,采用K近邻算法(KNN),对划分后各区域中心进行分类。实验结果表明:对于不同图像,提出的算法计算出的自适应阈值均与其经验值相符合,且其分类效果优于其他算法,来自AVIRIS传感器的高光谱数据Indian Pines在10%的已知训练样本下总体分类精度达92.94%、kappa系数达0.919 5,来自ROSIS传感器的高光谱数据Pavia University在5%的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性,同时有效提高了分类性能,在高光谱应用中具有较强的实用性。
其他语种文摘 Aiming at the problem of segmentation parameters setting in object-oriented hyperspectral classification method,an adaptive hyperspectral classification algorithm based on region-growing techniques was proposed in this paper.Firstly,a constrained region-growing method was proposed,which used the spatial information of the training samples to provide effective constraints,thus reducing the error propagation rate of the region markers in the region-growing process,and improving classification performance.Secondly,an adaptive threshold calculation method was proposed.By analyzing the distribution law of the spectrum of the training samples,the reasonable threshold for region division was calculated adaptively to replace the empirical threshold,so that the robustness of the algorithm was improved.Finally,the K-nearest neighbor algorithm (KNN)was used to classify the centers of each region after division.Experimental results show that:For different images,the adaptive thresholds calculated by the method are consistent with the empirical values,and the classification effect of the proposed algorithm is better than other algorithms.For hyperspectral data Indian Pines from AVIRIS sensor,the overall classification accuracy and kappa are 92.94% and 0.919 5 respectively with 10%training samples,and for hyperspectral data Pavia University from ROSIS sensor,the overall classification accuracy and kappa are 95.78%and 0.944 0 respectively with 5%training samples. The proposed algorithm not only enhances the robustness of the algorithm,but also improves the classification performance effectively,and has strong practicability in hyperspectral applications.
来源 光学精密工程 ,2018,26(2):426-434 【核心库】
DOI 10.3788/ope.20182602.0426
关键词 高光谱 ; 分类 ; 面向对象 ; 区域增长 ; 自适应
地址

中国科学院西安光学精密机械研究所, 陕西, 西安, 710119

语种 中文
文献类型 研究性论文
ISSN 1004-924X
学科 自动化技术、计算机技术
基金 国家自然科学基金资助项目 ;  国家国际科技合作专项 ;  国家自然科学基金资助项目
文献收藏号 CSCD:6191019

参考文献 共 16 共1页

1.  张成业. 高光谱遥感岩矿识别的研究进展. 光学精密工程,2015,23(8):2407-2418 被引 18 次    
2.  Jiao Q J. A novel two-step method for winter wheat-leaf chlorophyll content estimation using a hyperspectral vegetation index. International Journal of Remote Sensing,2014,35(21):7363-7375 被引 5 次    
3.  鲍一丹. 近红外高光谱成像技术快速鉴别国产咖啡豆品种. 光学精密工程,2015,23(2):349-355 被引 18 次    
4.  龚小进. 高光谱成像技术在生物医学中的应用. 激光生物学报,2016,25(4):289-314 被引 7 次    
5.  张兵. 高光谱图像处理与信息提取前沿. 遥感学报,2016,20(5):1062-1090 被引 83 次    
6.  Richards J A. Remote Sensing Digital Image Analysis:an Introduction. 4th ed,2006 被引 2 次    
7.  Du P J. A novel binary tree support vector machine for hyperspectral remote sensing image classification. Optics Communications,2012,285(13/14):3054-3060 被引 9 次    
8.  郭文川. 高光谱成像结合人工神经网络无损检测桃的硬度. 光学精密工程,2015,23(6):1530-1537 被引 21 次    
9.  周志华. 机器学习,2016 被引 731 次    
10.  Qian Y T. Hyperspectral image classification based on structured sparse logistic regression and three-dimensional wavelet texture features. IEEE Transactions on Geoscience and Remote Sensing,2013,51(4):2276-2291 被引 10 次    
11.  唐中奇. 基于多尺度分割的高光谱图像稀疏表示与分类. 光学精密工程,2015,23(9):2708-2714 被引 16 次    
12.  耿修瑞. 一种基于空间连续性的高光谱图像分类方法. 红外与毫米波学报,2004,23(4):299-302 被引 18 次    
13.  Tarabalka Y. Segmentaion and classification of hyperspectral images using watershed transformation. Patter Recognition,2010,43(7):2367-2379 被引 34 次    
14.  Li S S. Superpixel-based Markov random field for classification of hyperspectral images. Proceedings of the 2013 IEEE International Geoscience and Remote Sensing Symposium,2013:3491-3493 被引 2 次    
15.  Fang L Y. Spectralspatial classification of hyperspectral images with a superpixel-based discriminative sparse model. IEEE Transactions on Geoscience and Remote Sensing,2015,53(8):4186-4201 被引 11 次    
16.  黄鸿. 加权空-谱与最近邻分类器相结合的高光谱图像分类. 光学精密工程,2016,24(4):873-881 被引 25 次    
引证文献 8 篇

1 裴信彪 基于无人机遥感的不同施氮水稻光谱与植被指数分析 中国光学（中英文）,2018,11(5):832-840
被引 6 次

2 余达 基于电子倍增的高光谱成像链模型的系统信噪比分析 光学学报,2018,38(11):1104002-1-1104002-8
被引 2 次

显示所有8篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护：中国科学院文献情报中心
地址：北京中关村北四环西路33号 邮政编码：100190 联系电话：(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号