房宗啟

摘要：提出一種基于引導(dǎo)濾波和最大噪聲分離變換的高光譜遙感圖像分類方法。使用MNF對(duì)高光譜圖像進(jìn)行最大噪聲分離變換并進(jìn)行降維，然后使用引導(dǎo)濾波對(duì)降維后的圖像進(jìn)行濾波操作，使用的引導(dǎo)圖像為MNF變換后的第一成份，得到濾波后的高光譜圖像特征，最后使用支持向量機(jī)針對(duì)特征進(jìn)行分類。在AVIRIS圖像上的實(shí)驗(yàn)結(jié)果表明，與單純的MNF方法相比，該方法的Kappa系數(shù)提高超過15%。

關(guān)鍵詞：引導(dǎo)濾波；MNF；高光譜；圖像分類

DOIDOI：10.11907/rjdk.161940

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文

章編號(hào)：16727800（2016）009016102

基金項(xiàng)目基金項(xiàng)目：國(guó)家自然科學(xué)基金青年基金項(xiàng)目（41406200）；山東省自然科學(xué)基金青年基金項(xiàng)目（ZR2014DQ030）

作者簡(jiǎn)介作者簡(jiǎn)介：房宗啟（1990-），男，山東青島人，山東科技大學(xué)信息科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)楦吖庾V遙感圖像分類。

3實(shí)驗(yàn)

3.1實(shí)驗(yàn)數(shù)據(jù)

Indian Pines圖像被用于該實(shí)驗(yàn)。該圖像是通過AVIRIS傳感器獲得，它拍攝的是印第安納州西北部的Indian Pines農(nóng)業(yè)測(cè)試區(qū)，包括220個(gè)波段，大小為145×145。20個(gè)水吸收波段（104～108、150～163和220）在高光譜圖像分類前移除。另外，Indian Pines圖像的空間分辨率是每個(gè)像素20m，光譜范圍為0.4～2.5μm。圖4顯示了其對(duì)應(yīng)的參考分類圖。

評(píng)價(jià)標(biāo)準(zhǔn)：本文使用遙感分類中的常用指標(biāo)：整體精度（OA）、平均精度（AA）、Kappa系數(shù)評(píng)價(jià)不同算法性能的客觀評(píng)價(jià)。

3.2實(shí)驗(yàn)方法

實(shí)驗(yàn)中，SVM使用的是默認(rèn)參數(shù)設(shè)置，PCA取前10個(gè)主成分，MNF取前12個(gè)成份。本文方法中，引導(dǎo)濾波的窗口大小為8，引導(dǎo)圖像為MNF變換后的第一成份。使用的訓(xùn)練樣本設(shè)置是，平均每類地物使用16個(gè)訓(xùn)練樣本，訓(xùn)練樣本不參與分類。相同實(shí)驗(yàn)重復(fù)運(yùn)行20次，計(jì)算均值得到分類結(jié)果如表1所示。

3.3實(shí)驗(yàn)結(jié)果

通過實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，本文方法獲得了最高的分類精度，與原始的MNF相比，本文方法的Kappa系數(shù)提高超過了15個(gè)百分點(diǎn)，整體精度OA提高了接近14個(gè)百分點(diǎn)，平均精度則提高了超過8個(gè)百分點(diǎn)。實(shí)驗(yàn)證明，本文分類方法是一種有效的高光譜遙感圖像分類方法。

4結(jié)語

本文提出了一種基于引導(dǎo)濾波和最大噪聲分離變換的高光譜遙感圖像分類方法。首先，使用MNF對(duì)高光譜圖像進(jìn)行最大噪聲分離變換，選取前12個(gè)成份作為初始特征圖像；然后使用引導(dǎo)濾波對(duì)初始特征圖像進(jìn)行濾波操作，使用的引導(dǎo)圖像為MNF變換后的第一成份，得到濾波后的高光譜圖像特征；最后使用支持向量機(jī)針對(duì)特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，本文方法相比原先的MNF方法，在分類精度上提高達(dá)15個(gè)百分點(diǎn)。后續(xù)工作中，可以在此基礎(chǔ)上，解決MNF變換后存在的條帶噪聲，研究在不同類圖像上的分類表現(xiàn)。

參考文獻(xiàn)參考文獻(xiàn)：

[1]HUGHES G.On the mean accuracy of statistical pattern recognizers[J].IEEE Transactions on Information Theory，1968，14（1）：5563.

[2]杜培軍，夏俊士，薛朝輝，等.高光譜遙感影像分類研究進(jìn)展_杜培軍[J].遙感學(xué)報(bào)，2016，20（2）：84104.

[3]楊釗霞，鄒崢嶸，陶超，等.空譜信息與稀疏表示相結(jié)合的高光譜遙感影像分類[J].測(cè)繪學(xué)報(bào)，2015，44（7）：775781.

[4]KANG X，LI S，BENEDIKTSSON JA.Spectralspatial hyperspectral image classification with edgepreserving filtering[J].IEEE Transactions on Geoscience & Remote Sensing，2014，52（5）：26662677.

[5]A A GREEN，M BERMAN，P SWITZER，et al.A transformation for ordering multispectral data in terms of image quality with implications for noise removal[J].IEEE Transactions on Geoscience and Remote Sensing，1988，26（1）：6574.

[6]HE KAIMING.Guided image filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35（6）：13971409.

責(zé)任編輯（責(zé)任編輯：孫娟）