基于加权指数函数模型的高光谱图像分类方法

作者：李玉; 李奕燃^*; 王光辉; 石雪

来源：地球信息科学学报, 2020, 22(08): 1642-1653.

• 高光谱图像分类
• 加权指数函数模型
• 最小二乘法
• 模糊C均值
• 光谱曲线
• 曲线拟合
• 主成分分析
• 最小噪声分离

高光谱图像的众多波段为地物分类提供了充分的特征信息,同时也为如何有效利用这些特性带来难题。为了充分利用高光谱图像的光谱信息实现地物目标的精确分类,根据其像素光谱曲线所呈现出的多峰特性,提出一种基于加权指数函数模型(Weighted Exponential Function, WEF))的高光谱图像分类方法。首先,采用WEF建立像素光谱曲线的理想模型,其中WEF模型由多个具有不同权重的指数函数相加而成。由于该模型中参数较多,导致参数求解较为困难。因此,为简单起见固定所有像素WEF模型中的峰值位置,并将由所有峰值位置构建矢量集。然后,根据最小二乘原理求解WEF模型的参数,以拟合光谱曲线。利用求得的参数集代替光谱测度矢量作为像素特征。最后,采用模糊C均值(Fuzzy C-means, FCM)算法实现图像分类。为了验证提出方法的可行性和有效性,分别以提出的分类方法、基于主成分分析(Principal Component Analysis,PCA)的分类方法、基于最小噪声分离(Minimum Noise Fraction, MNF)的分类方法和以光谱测度矢量为分类特征的FCM方法对Salinas和PaviaU图像进行分类实验,并据此对实验结果进行定性和定量评价。在Salinas图像中提出的分类方法比其它方法的分类精度从51%提高到了60%,在PaviaU图像中分类精度从43%提高到了51%。此外,提出的分类方法在降低了高光谱图像数据量的同时,保留了高光谱图像丰富的光谱信息。

• 单位
  辽宁工程技术大学