联合局部二值模式与K-最近邻算法的高光谱图像分类方法

• Published in: 红外与毫米波学报 Vol. 40; no. 3; pp. 400 - 412
• Main Authors: 赵晋陵, 胡磊, 严豪, 储国民, 方艳, 黄林生
• Format: Journal Article
• Language: Chinese
• Published: 安徽大学电子信息工程学院,安徽合肥230601%安徽大学电子信息工程学院,安徽合肥230601 01.06.2021; 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,安徽合肥230601
• Subjects: 高光谱遥感; K-最近邻; 主成分分析; 局部二值模式; 空谱特征
• ISSN: 1001-9014
• DOI: 10.11972/j.issn.1001-9014.2021.03.017

P237; 如何利用较少训练样本达到高分类精度已成为高光谱遥感领域的重要研究方向和极具挑战性任务.针对高光谱图像包含的丰富光谱与空间信息,提出了一种联合局部二值模式LBP(Local Binary Patterns)与K-最近邻KNN(K-Nearest Neighbors)算法的高光谱图像分类方法.首先,通过主成分分析PCA(Principle Component Analysis)对高光谱数据进行降维;然后,使用LBP提取降维后的高光谱图像空间纹理信息,将光谱与空间特征变量堆叠成空—谱特征向量;最后,输入最近邻分类器得到分类结果.选取Pavia University、Indian Pines和Salinas三种公开高光谱数据集的训练集和测试集作为建模和验证数据源,选取KNN、基于径向基核函数的支持向量机(RBF-SVM)、核联合正交匹配追踪(Kernel Simultaneous Orthogonal Matching Pursuit,KSOMP)三种经典分类算法作为比较.在Pavia University与Indian Pines数据集中随机选取10％作为训练样本,总体精度和Kappa系数分别达到99.15％、98.87％和97.88％、97.58％;在Salinas数据集中随机选取2％作为训练样本,总体精度与Kappa系数为98.46％和98.29％.实验结果表明,在训练样本仅为数据集10％甚至2％的条件下,本文提出的方法仍可达到98％以上的分类精度,可满足训练样本难以获取的应用场景对高分类精度要求.