基于空间特征与纹理信息的高光谱图像半监督分类

doi:10.13474/j.cnki.11-2246.2016.0401

测绘通报 ›› 2016, Vol. 0 ›› Issue (12): 56-59,73.doi: 10.13474/j.cnki.11-2246.2016.0401

基于空间特征与纹理信息的高光谱图像半监督分类

程志会, 谢福鼎

辽宁师范大学城市与环境学院, 辽宁大连 116029

收稿日期:2016-04-07 修回日期:2016-07-15 出版日期:2016-12-25 发布日期:2016-12-29
作者简介:程志会(1990-),男,硕士生,主要从事空间数据挖掘方面的研究。E-mail:811269090@qq.com

Semi-supervised Classification for Hyperspectral Image Based on Spatial Features and Texture Information

CHENG Zhihui, XIE Fuding

Received:2016-04-07 Revised:2016-07-15 Online:2016-12-25 Published:2016-12-29

摘要/Abstract

摘要：

传统高光谱图像分类方法主要使用图像的光谱特征信息，没有充分利用高光谱图像的空间特性及样本的其他信息。本文提出了一种基于空间特征与纹理信息的高光谱图像半监督分类方法。首先，将高光谱图像每一像素的光谱特征与其邻域范围内的光谱特征进行结合，得到了这一像素的空-谱特征；然后用灰度共生矩阵提取了高光谱图像的纹理特征，并与空-谱特征进行了融合；最后，用基于图的半监督分类算法进行了分类。通过在Indian Pines数据集和PaviaU数据集上进行试验，结果表明本文提出的方法能取得较高的分类结果。

关键词: 高光谱图像分类, 灰度共生矩阵, 半监督方法, 空谱特征, 纹理特征

中图分类号:

P237

程志会, 谢福鼎. 基于空间特征与纹理信息的高光谱图像半监督分类[J]. 测绘通报, 2016, 0(12): 56-59,73.

CHENG Zhihui, XIE Fuding. Semi-supervised Classification for Hyperspectral Image Based on Spatial Features and Texture Information[J]. 测绘通报, 2016, 0(12): 56-59,73.

参考文献

[1] 田彦平,陶超,邹峥嵘,等.主动学习与图的半监督相结合的高光谱影像分类[J].测绘学报,2015,44(8):919-926.
[2] 李慧,王云鹏,李岩,等.基于SVM和PWC的遥感影像混合像元分解[J].测绘学报,2009,38(4):323-329.
[3] 金晶,邹峥嵘,陶超.高分辨率遥感影像的压缩纹理元分类[J].测绘学报,2014,43(5):493-499.
[4] 张伟,杜培军,张华鹏.基于神经网络的高光谱混合像元分解方法研究[J].测绘通报,2007(7):23-26.
[5] 杜培军,林卉,孙敦新.基于支持向量机的高光谱遥感分类进展[J].测绘通报,2006(12):37-40.
[6] DOPIDO I, LI J,MARPU P R,et al.Semisupervised Self-Learning for Hyperspectral Image Classification[J].Geoscience & Remote Sensing IEEE Transactions on,2013,51(7):4032-4044.
[7] CAMPS-VALLS G,MARSHEVA T V B,ZHOU D.Semi-Supervised Graph-based Hyperspectral Image Classification[J].Geoscience & Remote Sensing IEEE Transactions on,2007,45(10):3044-3054.
[8] LIU X,PAN S,HAO Z,et al.Graph-based Semi-supervised Learning by Mixed Label Propagation with a Soft Constraint[J].Information Sciences, 2014,277:327-337.
[9] 王小攀.基于图的高光谱遥感数据半监督分类算法研究[D].北京:中国地质大学,2014.
[10] 林晓峰.基于纹理特征的遥感图像分类算法研究[D].大连:大连理工大学,2007.
[11] 倪国强,沈渊婷,徐大琦.一种基于小波PCA的高光谱图像特征提取新方法[J].北京理工大学学报,2007,27(7):621-624.
[12] 王增茂,杜博,张良培,等.基于纹理特征和形态学特征融合的高光谱影像分类法[J].光子学报,2014(8):1-7.
[13] 樊利恒,吕俊伟,于振涛,等.基于核映射多光谱特征融合的高光谱遥感图像分类法[J].光子学报,2014(6):93-98.
[14] KLAUS B,KLIJN F.Local and Global Consistency Properties for Student Placement[J].Journal of Mathematical Economics,2011,49(3):222-229.
[15] ZHOU D,BOUSQUET O,LAL T N,et al.Learning with Local and Global Consistency[J].Advances in Neural Information Processing Systems,2004,17(4):321-32.

基于空间特征与纹理信息的高光谱图像半监督分类

Semi-supervised Classification for Hyperspectral Image Based on Spatial Features and Texture Information

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[2]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[3]	刘明轩, 张黎明, 王昊, 马文骏, 李玉. 运用ULBP的高分辨率遥感影像感知哈希完整性认证算法[J]. 测绘通报, 2021, 0(12): 22-27.
[4]	陈根良, 董胜光. 面向地理国情监测的房屋建筑区树冠覆盖多特征协同提取[J]. 测绘通报, 2021, 0(10): 73-77.
[5]	陈世荣, 申佩佩, 包颖. 一种适用于粗匹配的遥感影像快速变化发现方法[J]. 测绘通报, 2021, 0(1): 90-93,98.
[6]	韦春桃, 赵平, 肖博林, 白风, 李小勇, 杨晚芸. 结合双树复小波纹理特征和MRF模型的遥感图像分割[J]. 测绘通报, 2019, 0(10): 40-45.
[7]	魏国武, 王琦, 张阳阳, 陈永生. 道路综合特征下高分辨率遥感影像的提取[J]. 测绘通报, 2017, 0(8): 31-35.
[8]	贾洪果, 刘路遥, 韦博文, 张梦意, 武燕, 章昊. 基于形状与纹理特征的高分辨率SAR影像桥梁目标自动提取方法[J]. 测绘通报, 2017, 0(12): 82-85.
[9]	谢嘉丽, 李永树, 李何超, 吴玺. 利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法[J]. 测绘通报, 2017, 0(12): 90-93,102.
[10]	黄杰, 王光辉, 胡高强, 杨化超. 高分辨率彩色遥感影像变化检测方法研究[J]. 测绘通报, 2016, 0(8): 30-34.
[11]	李腾腾, 唐新明, 高小明. 资源三号影像朵云识别中云雪分离研究[J]. 测绘通报, 2016, 0(2): 46-49,68.
[12]	梁晓莉, 李利伟, 程钢, 高连如. 灰度共生矩阵和模糊分类的高分辨率光学影像欠发达村落提取[J]. 测绘通报, 2015, 0(8): 25-29,45.
[13]	李海江, 刘耀林, 谭荣辉, 邱丽娟. 一种新的基于高分辨率全色影像的城市建成区边界提取算法[J]. 测绘通报, 2015, 0(7): 36-41.
[14]	余旭初谭熊付琼莹王蔚涛. 联合纹理和光谱特征的高光谱影像多核分类方法[J]. 测绘通报, 2014, 0(9): 38-42.
[15]	白穆张勤吴晓春. 资源三号影像质量及测图应用评价[J]. 测绘通报, 2014, 0(12): 82-85.