首页 > 论文 > 光学 精密工程 > 24卷 > 4期(pp:873-881)

加权空-谱与最近邻分类器相结合的高光谱图像分类

Hyperspectral image classification with combination of weighted spatial-spectral and KNN

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法, 并将其应用到最近邻分类器(KNN)中, 导出了一种新的高光谱图像分类算法。 该算法利用高光谱图像的物理特性, 通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息, 利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上, 增大了同类像元间的相似性以及异类像元间的差异性, 获得了更为有效的鉴别特征, 从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验, 结果表明: 将提出的WSSD-KNN算法应用于高光谱图像分类时, 其分类精度高于其他算法, 总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息, 提取出了更为有效的鉴别特征, 故不仅有效地改善了高光谱数据的地物分类精度, 而且可在训练样本较少时, 保持较高的识别率。

Abstract

A spatial consistency measurement method based on the Weighted Spatial-Spectral Distance(WSSD) is proposed and applied to the K Nearest Neighbor(KNN) classifier, and a new hyperspectral image classification algorithm is obtained. On the basis of the physical characters of hyperspectral images, the proposed algorithm combines both spatial window and spectral factor to obtain the spatial information and spectral information , and uses the spatial nearest points to reconstruct the center point and to reveal the local spatial structure. With effectively reducing the redundant information in the image, this algorithm increases the consistency of the same kinds pixels and the difference of the different kinds pixels and obtains extract discriminating features, so it implements the consistency measurement between the data points. The experiments were performed on the Indian Pines and PaviaU hyperspectral data sets. Experiment results show that the WSSD-KNN algorithm has better classification accuracy than other algorithms when it is applied to the classification of hyperspectral image, and the overall classification accuracies reach 91.72% and 96.56%, respectively. With the spectral information, spatial information and extract discriminating features, the proposed algorithm effectively improves ground object classification accuracy of hyperspectral data and has better recognition ability in less train samples.

Newport宣传-MKS新实验室计划
补充资料

中图分类号:TP751.1

DOI:10.3788/ope.20162404.0873

所属栏目:信息科学

基金项目:国家自然科学基金资助项目(No.41371338, No.61101168); 重庆市基础与前沿研究计划资助项目(No.cstc2013jcyjA4005); 中央高校基本科研业务费专项资金资助项目(No.106112013CDJZR125501, No.1061120131204)

收稿日期:2015-12-15

修改稿日期:2016-01-14

网络出版日期:--

作者单位    点击查看

黄鸿:重庆大学 光电技术与系统教育部重点实验室, 重庆 400044
郑新磊:重庆大学 光电技术与系统教育部重点实验室, 重庆 400044

联系人作者:黄鸿(hhuang@cqu.edu.cn)

备注:黄鸿(1980-), 男, 湖南新宁人, 博士, 副教授, 博士生导师, 2003、2005、2008年于重庆大学分别获得学士、硕士和博士学位, 主要从事流形学习、模式识别、遥感影像智能化处理等方面的研究。

【1】李志敏, 张杰, 黄鸿, 等.面向高光谱图像分类的半监督丛流形学习[J].光学 精密工程, 2015, 23(5): 1434-1442.
LI ZH M, ZHANG J, HUANG H, et al.. Semi-supervised bundle manifold learning for hyperspectral image classification[J]. Opt. Precision Eng., 2015, 23(5): 1434-1442. (in Chinese)

【2】张达, 郑玉权.高光谱遥感的发展与应用[J].光学与光电技术, 2013, 11(3): 67-73.
ZHANG D, ZHENG Y Q. The development and application of hyperspectral remote sensing[J]. Optical and Photoelectric Technology, 2013, 11(3): 67-73. (in Chinese)

【3】唐中奇, 付光远, 陈进, 等.基于多尺度分割的高光谱图像稀疏表示与分类[J].光学 精密工程, 2015, 23(9): 2708-2714.
TANG ZH Q, FU G Y, CH J, et al.. Multiscale segmentation-based sparse coding for hyperspectral image classification[J]. Opt. Precision Eng., 2015, 23(9): 2708-2714. (in Chinese)

【4】FAUVEL M, TARABALKA Y, BENEDIKTSSON J A, et al.. Advances in spectral-spatial classification of hyperspectral images[J]. Proceedings of the IEEE, 2013, 101(3): 652-675.

【5】黄鸿, 曲焕鹏.基于半监督稀疏鉴别嵌入的高光谱遥感影像分类[J].光学 精密工程, 2014, 22(2): 434-442.
HUANG H, QU H P. Hyperspectral remote sensing image classification based on SSDE[J]. Opt. Precision Eng., 2014, 22(2): 434-442. (in Chinese)

【6】MA L, CRAWFORD M M, TIAN J W. Local manifold learning-based k-Nearest-Neighbor for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(11): 4099-4109.

【7】SHAFRI H Z M, SUHAILI A, MANSOR S. The performance of maximum likelihood, spectral angle mapper, neural network and decision tree classifiers in hyperspectral image analysis[J]. Journal of Computer Science, 2007, 3(6): 419-423.

【8】GUO B F, GUNN S R, DAMPER R I, et al.. Customizing kernel functions for SVM-based hyperspectral image classification[J]. IEEE Transactions on Image Processing, 2008, 17(4): 622-629.

【9】郭敬明, 何昕, 魏仲慧.基于在线支持向量机的Mean Shift彩色图像跟踪[J].液晶与显示, 2014, 29(1): 120-128.
GUO J M, HE X, WEI ZH H. New mean shift tracking for color image based on online support vector machine[J]. Chinese Journal of Liquid Crystals and Displays, 2014, 29(1): 120-128. (in Chinese)

【10】魏峰, 何明一, 梅少辉.空间一致性邻域保留嵌入的高光谱数据特征提取[J].红外与激光工程, 2012, 41(5): 1249-1254.
WEI F, HE M Y, MEI SH H. Hyperspectral data feature extraction using spatial coherence based neighborhood preserving embedding[J]. Infrared and Laser Engineering, 2012, 41(5): 1249-1254. (in Chinese)

【11】VELASCO F S, MANIAN V. Improving hyperspectral image classification using spatial preprocessing[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(2): 297-301.

【12】TAN K, HU J, LI J, et al.. A novel semi-supervised hyperspectral image classification approach based on spatial neighborhood information and classifier combination[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105: 19-29.

【13】MOHAN A, SAPIRO G, BOSCH E. Spatially coherent nonlinear dimensionality reduction and segmentation of hyperspectral images[J]. IEEE Geoscience and Remote Sensing Letters, 2007, 4(2): 206-210.

【14】KANG X D, LI S T, BENEDIKTSSON J A. Spectral-Spatial hyperspectral image classification with Edge-Preserving Filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2666-2677.

【15】YUAN H L, TANG Y Y, LU Y, et al.. Spectral-Spatial classification of hyperspectral image based on discriminant analysis[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2035-2043.

引用该论文

HUANG Hong,ZHENG Xin-lei. Hyperspectral image classification with combination of weighted spatial-spectral and KNN[J]. Optics and Precision Engineering, 2016, 24(4): 873-881

黄鸿,郑新磊. 加权空-谱与最近邻分类器相结合的高光谱图像分类[J]. 光学 精密工程, 2016, 24(4): 873-881

被引情况

【1】何 芳,王 榕,于 强,贾维敏. 加权空谱局部保持投影的高光谱图像特征提取. 光学 精密工程, 2017, 25(1): 263-273

【2】侯榜焕,张耿,王飞,于为中,姚敏立,胡炳樑. 结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择. 光子学报, 2017, 46(5): 510003--1

【3】李佳逊,董安国,沈亚栋,张蓓. 基于邻域相似度的联合稀疏表示的高光谱图像分类算法. 激光与光电子学进展, 2017, 54(12): 122803--1

【4】侯榜焕,姚敏立,贾维敏,沈晓卫,金 伟. 空谱结构保持的高光谱图像分类. 红外与激光工程, 2017, 46(同学12): 1228001--1

【5】侯榜焕,姚敏立,贾维敏,沈晓卫,金 伟. 空谱结构保持的高光谱图像分类. 红外与激光工程, 2017, 46(12): 1228001--1

【6】吴银花,胡炳樑,高晓惠,周安安. 利用区域增长技术的自适应高光谱图像分类. 光学 精密工程, 2018, 26(2): 426-434

【7】侯榜焕,姚敏立,贾维敏,张峰干,王道平. 面向高光谱图像分类的空谱判别分析. 光学 精密工程, 2018, 26(2): 450-460

【8】徐 夏,张 宁,史振威,谢少彪,齐乃明. 高光谱图像Pareto优化稀疏解混. 红外与激光工程, 2018, 47(2): 226002--1

【9】陈熠,樊祥,程玉宝,程正东,梁振宇. 基于邻域相似度的压缩感知鬼成像. 光学学报, 2018, 38(7): 711001--1

【10】杨恢先,张翡,陈永,刘建,周彤彤. 结合改进CSLBP和位平面分解的单样本人脸识别. 激光与光电子学进展, 2018, 55(7): 71012--1

【11】王庆超,付光远,汪洪桥,王超. 多核融合多尺度特征的高光谱影像地物分类. 光学 精密工程, 2018, 26(4): 980-88

【12】刘嘉敏,张丽梅,石光耀,黄鸿. 联合稀疏特性和邻域相似度量的高光谱图像分类. 光子学报, 2018, 47(6): 610001--1

【13】黄 鸿,陈美利,段宇乐,石光耀. 空-谱协同流形重构的高光谱影像分类. 光学 精密工程, 2018, 26(7): 1827-1836

【14】闫敬文,陈宏达,刘 蕾. 高光谱图像分类的研究进展. 光学 精密工程, 2019, 27(3): 680-693

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF