基于多特征动态集成的高光谱影像分类算法

doi:10.13474/j.cnki.11-2246.2026.0817

摘要/Abstract

摘要： [目的] 为探索高光谱遥感影像动态集成过程中多特征信息利用的有效性，本文提出了一种基于多特征的高光谱遥感动态集成算法(MDE)。[方法] 该算法首先提取出高光谱遥感影像的光谱特征、Gabor特征、局部二值模式(LBP)特征和扩展形态学多属性剖面特征(EMAPs)；然后根据每个测试样本的特点，动态地选择最佳的特征预测结果参与集成决策；最后利用Salinas和Indian Pines两组高光谱遥感影像作为试验数据，对MDE算法的性能进行评价与分析。[结果] 试验结果表明，MDE算法在Salinas数据上总体精度达到96.89%，在Indian Pines数据上总体精度达到94.99%。[结论] 与其他对比算法相比，本文算法具有更稳定优异的分类表现。

关键词: 集成学习, 多特征, 动态集成, 影像分类

Abstract: [Purposes] In order to use spectral information and spatial information in hyperspectral remote sensing images，a multi-feature dynamic ensemble method (MDE)based on hyperspectral remote sensing is proposed. [Methods] Firstly，the algorithm extracts spectral features，Gabor features，LBP features and EMAPs features of hyperspectral remote sensing images.Then,according to the characteristics of each test sample，the best feature prediction results are dynamically selected to participate in the integrated decision-making.Finally，two datasets of AVIRIS (airbone visible infrared Imaging spectrometer)sensor are used to evaluate the performance of the proposed algorithm. [Findings] The results show that the overall accuracy of MDE algorithm is up to 96.89% in Salinas dataset and 94.99% in Indian Pines dataset. [Conclusions] Compared with other methods，MDE can provide excellent and stable classification results．

Key words: ensemble learning, multi-feature, dynamic ensemble, image classification

中图分类号:

P237

徐洪新, 虞瑶. 基于多特征动态集成的高光谱影像分类算法[J]. 测绘通报, 2026, 0(8): 117-124,136.

Xu Hongxin, Yu Yao. Hyperspectral image classification algorithm based on multi-feature dynamic ensemble[J]. Bulletin of Surveying and Mapping, 2026, 0(8): 117-124,136.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.0817

http://tb.chinasmp.com/CN/Y2026/V0/I8/117

参考文献

[1] 童庆禧，张兵，郑兰芬.高光谱遥感：原理、技术与应用[M].北京：高等教育出版社，2006．
[2] Bioucas-Dias J M，Plaza A，Camps-Valls G， et al.Hyperspectral remote sensing data analysis and future challenges[J].IEEE Geoscience and Remote Sensing Magazine，2013，1(2)： 6-36．
[3] 杜培军，夏俊士，薛朝辉，等.高光谱遥感影像分类研究进展[J].遥感学报，2016，20(2)： 236-256．
[4] 彭冰.表示模型框架下多特征信息融合的高光谱图像分类[D].北京：北京化工大学，2016．
[5] Chen Chen，Li Wei，Su Hongjun，et al.Spectral-spatial classification of hyperspectral image based on kernel extreme learning machine[J].Remote Sensing，2014，6(6)： 5795-5814．
[6] 李非燕，霍宏涛，李静，等.基于多特征和改进稀疏表示的高光谱图像分类[J].光学学报，2019，39(5)： 343-351．
[7] Peng Bing，Li Wei，Xie Xiaoming，et al.Weighted-fusion-based representation classifiers for hyperspectral imagery[J].Remote Sensing，2015，7(11)： 14806-14826．
[8] Su Hongjun，Zhao Bo，Du Qian，et al.Multifeature dictionary learning for collaborative representation classification of hyperspectral imagery[J].IEEE Transactions on Geoscience and Remote Sensing，2018，56(4)： 2467-2484.
[9] Cruz R M O，Sabourin R，Cavalcanti G D C.Dynamic classifier selection： Recent advances and perspectives[J].Information Fusion，2018，41： 195-216.
[10] 张凯德.多分类器动态集成技术研究及其应用[D].大连：大连理工大学，2011．
[11] 苏红军，刘浩.一种利用空间和光谱信息的高光谱遥感多分类器动态集成算法[J].国土资源遥感，2017，29(2)： 15-21．
[12] Woods K，Kegelmeyer W P，Bowyer K.Combination of multiple classifiers using local accuracy estimates[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(4)： 405-410．
[13] Smits P C.Multiple classifier systems for supervised remote sensing image classification based on dynamic classifier selection[J].IEEE Transactions on Geoscience and Remote Sensing，2002，40(4)： 801-813．
[14] Damodaran B B，Nidamanuri R R，Tarabalka Y.Dynamic ensemble selection approach for hyperspectral image classification with joint spectral and spatial information[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8(6)：2405-2417．
[15] Lu Hongliang，Su Hongjun，Hu Jun，et al.Dynamic ensemble learning with multi-view kernel collaborative subspace clustering for hyperspectral image classification[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2022，15：2681-2695.
[16] Jia Sen，Shen Linlin，Li Qingquan.Gabor feature-based collaborative representation for hyperspectral imagery classification[J].IEEE Transactions on Geoscience and Remote Sensing，2015，53(2)： 1118-1129．
[17] 姜亚楠，张欣，张春雷，等.基于多尺度LBP特征融合的遥感图像分类[J].自然资源遥感，2021，33(3)： 36-44．
[18] Xia Junshi，Dalla Mura M，Chanussot J，et al.Random subspace ensembles for hyperspectral image classification with extended morphological attribute profiles[J].IEEE Transactions on Geoscience and Remote Sensing，2015，53(9)： 4768-4786．
[19] 虞瑶，苏红军，陶旸.联合空间信息的高光谱遥感协同表示动态集成分类算法[J].遥感学报，2024，28(1)： 187-202．
[20] Giacinto G，Roli F.Dynamic classifier selection based on multiple classifier behaviour[J].Pattern Recognition，2001，34(9)： 1879-1881．
[21] Lei Zhang，Meng Yang，Feng Xiangchu.Sparse representation or collaborative representation： Which helps face recognition？ [C]//Proceedings of 2011 International Conference on Computer Vision.Barcelona： IEEE，2012： 471-478.
[22] 李昌元，刘国栋，谭博.基于PCA和KPCA的高光谱遥感数据降维对比研究[J].地理空间信息，2022，20(7)： 89-93，103．
[23] 虞瑶，范雪婷，丁婷.联合自适应邻域和Bagging的协同表示集成学习方法[J].遥感信息，2023，38(4)： 161-167．