论文部分内容阅读
近些年来,在遥感影像研究领域,高光谱遥感影像以其独特的优势引起了人们的极大关注,它能够在拥有较高的光谱分辨率的同时也能保持较高的空间分辨率,其“图谱合一”的性质,能够更好的反应图像的自然属性,从而为地物的识别提供丰富的信息。因此,人们为了更好地利用高光谱遥感数据获得有用的地物信息,开始关注于高光谱数据分类问题。分类是一个很重要的基础性工作,高精度的遥感影像分类对满足社会经济等发展具有重要的意义,虽然已经出现了很多的高光谱遥感影像分类方法,但是由于高光谱数据波段间高相关性、非线性以及高维的特征使得现有的很多分类方法并不适用于高光谱数据,这就导致现有的很多高光谱遥感影像的分类方法的精度以及效果不佳,难以满足实际应用的需求。鉴于此,本文重点对高光谱遥感图像分类的三种比较常见的分类方法进行研究和实现,包括传统的基于统计模式的分类方法、经典的支持向量机(Support Vector Machines,SVM)的分类方法以及当前热点研究的基于稀疏表达(Sparse Representation Classification,SRC)的分类方法,通过这几种常用的分类方法在两个经典的高光谱遥感集上的分类结果图以及分类评价指标,对各算法进行综合评价,从而为高光谱遥感影像分类方法选择提供一定的依据。同时,针对传统的基于稀疏表达的模型只考虑像元的光谱信息,没有分析像元的空间关系,导致分类精度低的问题,本文构建了联合稀疏表示分类(Joint Sparse Representation Classification,JSRC)模型,认为待测中心像元与其邻域内的像元具有相似性,充分考虑空间信息,通过设置一个邻域,把邻域内的像元看作一个整体,对这个整体求解,得到的结果为中心像元的分类结果。实验结果证明,传统的基于统计模式的分类算法椒盐现象严重,对于轮廓的分类效果较差,分类精度不高,均在80%以下;使用高斯径向基(Radial Basis Function)核函数的基于SVM的分类方法可以得到较好的分类结果,均达到了87%以上的精度,但RBF核函数在寻找最优参数上比较耗时,效率不高;基于SRC模型的分类方法效果,比起基于统计模式的分类方法效果更好,达到了88%以上的精度,但比起加入空间信息的JSRC模型,还是有所欠缺;JSRC模型在采用合适的尺度与稀疏系数的情况下,精度较其他几种方法有较大的提高,分类效果较好,分类精度均达到了95%以上,是一种比较适合高光谱遥感影像的分类方法。