文献类型：期刊文章

作　　者：涂兵[1] 朱禹[1] 周承乐[1] 陈思源[1] 何伟[1]

TU Bing;ZHU Yu;ZHOU Chengle;CHEN Siyuan;HE Wei(School of Information Science and Engineering,Hunan Institute of Science and Technology,Yueyang 414000,China)

机构地区：[1]湖南理工学院信息科学与工程学院,岳阳414000

出　　处：《电子与信息学报》

基　　金：国家自然科学基金(51704115);湖南省杰出青年科学基金(2020JJ2017);湖南省水利厅重大科技项目(XSKJ2021000-12);湖南省重点领域研究计划(2019SK2012);湖南省自然科学基金(2019JJ50211,2019JJ50212,2020JJ4340,2021JJ40226);湖南省教育厅优秀青年基金(19B245,19B237,20B257,20B266);湖南省水利厅一般科研项目(XSKJ2021000-13)。

年　　份：2022

卷　　号：44

期　　号：6

起止页码：2207-2215

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：高光谱图像的低空间分辨率特性往往导致全局纹理提取技术难以获取地物要素的精准纹理信息,同时,单一尺度的局部纹理提取技术难以达到有效识别地物的目的。基于此,该文设计了一种多尺度超像素纹理保持与融合(MSuTPF)的高光谱图像分类方法,主要架构如下:首先,利用2D Gabor滤波器对高光谱图像进行多方向与尺度的全局纹理提取,并通过融合各尺度的纹理特征,增强纹理结构表征能力;其次,融合纹理与光谱主成分特征以形成光谱-纹理联合判别特征;再次,采用形状自适应的超分割方法,作用至光谱-纹理联合特征进行局部纹理信息保持与融合,尤其是,为克服超像素邻域像元的隐性不相关问题,该文定义了基于密度最近邻相似性评价准则,使超像素纹理进一步趋于一致性;最后,将各更新的光谱-纹理联合特征输入像素级分类器获取其对应的类标签,并采用多数表决的决策融合机制取得最终分类结果。Indian Pines和Pavia University真实数据集的实验表明,该方法在小样本条件下的分类精度优于基准分类器(SVM)、深度学习方法(GFDN)以及最新的空-谱分类方法(S3-PCA)等8个对比方法,充分证明了该文所提方法的实用性和有效性。

关 键 词：高光谱图像分类 特征提取 超像素  纹理一致性  

分 类 号：TN911.73] TP751]