基于空譜差分輔助核聯合稀疏表示的高光譜圖像分類

人工智能

該成果提出了一種基于空譜差分輔助核聯合稀疏表示分類的高光譜圖像分類方法。本章方法的主要創新性在于：1）能夠將光譜的差分輔助信息和原光譜特征信息有效結合。2）能夠考慮不同光譜屬性間的高階空間相關信息。3）原空譜和差分空譜核特征字典的信息通過具有混合正則的核聯合稀疏表示分類方法得到充分利用。通過在真實高光譜圖像數據上的實驗表明，該成果提出的方法能夠有效地提高高光譜遙感圖像的分類效果。

主要技術指標

不同數據集下的訓練樣本與測試樣本數參閱表 1. 在該訓練樣本集數量下的分類結果表現參見表 2. 相比于傳統分類器 SVM，OA 提高了約 20%；相比于 SOMP，OA 提高了約20%。

該成果無需使用 GPU 資源在保證精度的同時有效提升了分類的精度和效果，同時在較少訓練樣本條件下仍能得到較好的分類精度和分類效果。

表 1. 不同數據集下的訓練樣本選取數量

表 2. PaviaU 大學數據下不同方法的正確率比較

高光譜圖像中含有豐富的光譜信息和空間信息，可以實現對地物精確辨別與細節提取。由于高光譜圖像獨有的特點，高光譜遙感技術已經廣泛的應用在不同的領域。在民用領域，高光譜遙感影像已經被用于城市環境監測、地表土壤監測、地質勘探、災害評估、農業產量估計、農作物分析等方面。該成果方法較好的保證了分類精度和采用形態學特征提取方法較好的保證了分類結果的空間表現。