基于光譜和紋理特征的高光譜圖像分類

摘"要：針對高光譜圖像分類技術(shù)利用空間信息不足的問題，提出了一種光譜特征和紋理特征相結(jié)合的高光譜圖像分類方法。通過二維Gabor小波提取高光譜圖像紋理特征，利用函數(shù)型數(shù)據(jù)分析（FDA）框架分析高光譜數(shù)據(jù)，采用三次B樣條基系統(tǒng)生成光譜特征和紋理特征的函數(shù)型數(shù)據(jù)，結(jié)合函數(shù)主成分分析（FPCA）提取每個像素的函數(shù)主成分（FPC），運用概率SVM分別對光譜特征和紋理特征進(jìn)行分類。通過實驗調(diào)參找到光譜特征和紋理特征的最佳參數(shù)組合，從而提高分類精度。通過在兩個具有不同空間分辨率的高光譜圖像數(shù)據(jù)集上進(jìn)行實驗，分析了參數(shù)的變化對分類精度的影響，并與其他同類方法相比較，隨機選擇5%的樣本和10%的樣本作為訓(xùn)練樣本的總體精確度（OA）較EMAP+SVM方法分別提高了1.39%和3.87%。

關(guān)鍵詞：高光譜圖像；圖像分類；紋理特征；光譜特征；空間信息

中圖分類號：TP751;TP183"""文獻(xiàn)標(biāo)識碼：A

Hyperspectral"Image"Classification"Based"

on"Spectral"and"Texture"Features

ZHU"Meng，"YU"Yang，"ZHAI"Qianhui，"HE"Wei，"KANG"Yumeng

（Marketing"Service"Center"of"Statenbsp;Grid"Jiangsu"Electric"Power"Co.，"Ltd.，"Nanjing，"Jiangsu"210000，"China）

Abstract：A"hyperspectral"image"classification"method"based"on"the"combination"of"spectral"features"and"texture"features"is"proposed"to"solve"the"problem"of"using"insufficient"spatial"information"in"hyperspectral"image"classification"technology."The"texture"features"of"hyperspectral"images"are"extracted"by"twodimensional"Gabor"wavelet，"hyperspectral"data"are"analyzed"by"functional"data"analysis"（FDA）"framework，"functional"data"of"spectral"features"and"texture"features"are"generated"by"cubic"Bspline"basis"system，"functional"principal"component"analysis"（FPCA）"is"used"to"extract"the"functional"principal"component"（FPC）"of"each"pixel，"and"probabilistic"SVM"is"used"to"classify"spectral"features"and"texture"features"respectively."The"best"parameter"combination"of"spectral"features"and"texture"features"is"found"by"adjusting"parameters"in"experiments，"so"as"to"improve"the"classification"accuracy."Through"experiments"on"two"hyperspectral"image"datasets"with"different"spatial"resolutions，"the"influence"of"parameter"changes"on"classification"accuracy"is"analyzed."Compared"with"other"similar"methods，"the"overall"accuracy"（OA）"of"randomly"selecting"5%"samples"and"10%"samples"as"training"samples"is"1.39%"and"3.87%"higher"than"that"of"EMAP+SVM"respectively.

Key"words：hyperspectral"image;"image"classification;"texture"features;"spectral"features;"spatial"information

隨著高光譜成像傳感器出現(xiàn)，許多無法通過傳統(tǒng)多光譜成像傳感器分辨的目標(biāo)，現(xiàn)在可以通過高光譜成像儀進(jìn)行數(shù)據(jù)分析[1]。目標(biāo)分類作為高光譜成像的重要應(yīng)用，空間信息有助于提高高光譜圖像分類精度[2]。

通常，高光譜圖像的光譜空間分類有三大類：（1）基于目標(biāo)的分類：經(jīng)過分割后的圖像被劃分為一組相互連接的組成部分（即目標(biāo)），其中，每個目標(biāo)確定一個特征或一組特征。利用基于像素的分類器對像素進(jìn)行逐個目標(biāo)分類。文獻(xiàn)[3]提出了支持向量機（SVM）分類器和組合核（SVMCK）的分類方法，通過從光譜數(shù)據(jù)中提取超像素圖，利用SVM得到目標(biāo)間加權(quán)平均特征數(shù)據(jù)和平均特征數(shù)據(jù)立方體，結(jié)合原始光譜數(shù)據(jù)和數(shù)據(jù)立方體生成的組合核（CK）進(jìn)行分類。（2）基于組合特征的分類：基于光譜數(shù)據(jù)和空間信息生成的組合特征用于分類。紋理是用于分析不同類型圖像的最重要特征，文獻(xiàn)[4]利用基于形態(tài)學(xué)屬性濾波器的擴展屬性輪廓（EAP）和擴展多形態(tài)屬性輪廓（EMAP）來提取空間信息，研究表明，與擴展形態(tài)輪廓（EMP）相比，EMAP結(jié)合SVM分類器（EMAP+SVM）所表示的特征能夠更好地建?？臻g信息并進(jìn)行高效分類。（3）分類和分割的集成：利用空間信息和決策規(guī)則（如多數(shù)投票或概率標(biāo)簽松弛）來細(xì)化像素，達(dá)到分類目的。馬爾可夫隨機場（MRF）是用于將空間信息納入高光譜圖像分類的概率模型，文獻(xiàn)[5]提出了利用SVM后驗概率結(jié)合改進(jìn)多尺度MRF的遙感圖像分類（SVMMRF）方法。文獻(xiàn)[6]提出在隱馬爾可夫隨機場中引入SVM分類器（HMRF+SVM），通過決策規(guī)則實現(xiàn)多尺度分類，在每個尺度中生成分層超像素分割并用于改進(jìn)超像素分類結(jié)果。

通常，傳統(tǒng)分類方法屬于多元分析框架（MAF），其中像素特征由光譜或紋理特征數(shù)量決定的維數(shù)向量表示。然而，在函數(shù)型數(shù)據(jù)分析（FDA）框架中，高維數(shù)據(jù)視為連續(xù)函數(shù)。如果高維高光譜數(shù)據(jù)由連續(xù)函數(shù)表示，則可以使用隱藏在波長帶之間的額外信息。同時，F(xiàn)DA框架中的高光譜圖像分類優(yōu)于MAF框架中的傳統(tǒng)分類方法。同時，基于光譜、紋理和形狀特征等多個特征提取組合特征作為高光譜圖像分類的常用方法，但需要大量計算才能將多個特征以最佳方式組合，進(jìn)而獲取統(tǒng)一的組合特征進(jìn)行分類。

本文提出了一種基于光譜特征和紋理特征的高光譜圖像分類方法，通過Gabor濾波器進(jìn)行紋理特征提取，利用概率SVM分別對光譜和紋理特征進(jìn)行分類，求出每個像素的每類概率的光譜和紋理估計，運用先前概率的線性組合得到總概率，最終將每個像素分配到具有最高總概率的類別。光譜特征和紋理特征相互增強以提高分類精度，通過實驗調(diào)整組合參數(shù)，從而找到各種區(qū)域中光譜和紋理特征的最佳組合。所提出的高光譜圖像分類方法在MAF和FDA框架中分別對兩個具有不同訓(xùn)練樣本的真實高光譜數(shù)據(jù)進(jìn)行了分類，驗證了方法在分類精度方面的有效性。

1"研究框架

提出的高光譜圖像分類方法主要分為三個組成部分：（1）使用Gabor濾波器的紋理特征提??；（2）FDA框架中的高光譜數(shù)據(jù)分析；（3）利用概率SVM分別對光譜特征和紋理特征進(jìn)行分類。

1.1"紋理特征提取

采用二維Gabor小波提取紋理特征。Gabor濾波器可在不同方向和尺度上提取有用紋理特征。Gabor小波作為濾波器，其脈沖響應(yīng)由橢圓高斯包絡(luò)和復(fù)平面波定義[7]。二維Gabor函數(shù)可以用數(shù)學(xué)公式表示為：

Gs，d（x，y）=Gk→（）=δ2e－k→2－22δ2（eik→·－eδ2/2）（1）

其中，=（x，y）為圖像中像素的位置。參數(shù)k→=（π/2fs）ei（πd/8）為頻率向量，f=2。參數(shù)s和d分別為尺度和方向。高斯包絡(luò)下的振蕩次數(shù)由δ=2π決定。

Gabor紋理特征圖像是通過將圖像I（x，y）與Gabor函數(shù)以特定尺度和方向進(jìn)行卷積計算：

Fs，d（x，y）=Gs，d（x，y）I（x，y）"（2）

像素的紋理特征由向量表示為：

vt（x，y）=［F1，1（x，y），…，F(xiàn)s，d（x，y）］∈Rs×d（3）

1.2"高光譜數(shù)據(jù)分析

函數(shù)型數(shù)據(jù)由觀察到的函數(shù)或平滑曲線組成，F(xiàn)DA框架作為一種統(tǒng)計方法，旨在解決函數(shù)型數(shù)據(jù)的統(tǒng)計建模和預(yù)測相關(guān)的問題。

令X={x1，x2，…，xn}為高光譜圖像的n個像素，其中xi=［xi，1，xi，2，…，xi，d］T表示第i個像素的反射率，d為光譜帶的數(shù)量。平滑函數(shù)yi可以表示為第i個像素構(gòu)成光譜曲線的基礎(chǔ)。像素xi在波長j∈［1，d］處的反射率值是平滑函數(shù)yi（λ）在點λj處的值，其中，λ為波長。

平滑函數(shù)yi（λ）可以用線性方程表示為：

yi（λ）=∑Kk=1ci，kφk（λ）（4）

其中，φk為基函數(shù)集合，ci，k為基函數(shù)相應(yīng)控制點的系數(shù)，K為基函數(shù)的數(shù)量。

假設(shè)T=t0，t1，…，td－1為定義曲線的d個控制點集合，其中，ti∈（tmin"，tmax"）為結(jié)點。對參數(shù)t的唯一其他限制是ti的值必須是單調(diào)相加的。階數(shù)為I的第k個B樣條基函數(shù)Nk，I（t）可根據(jù)CoxDe"Boor遞推關(guān)系[10]計算為：

Nk，I（t）=（t－tk）Nk，I－1（t）tk+I－1－tk+

（tk+I－t）Nk+1，I－1（t）tk+I－tk+1"（5）

其中，

Nk，1（t）=1，tklt;tlt;tk+10，其他（6）

文獻(xiàn)[11]指出，在三次B樣條基系統(tǒng)中，I=4時適用于高光譜圖像。通過在兩個控制點之間使用不同的三次多項式曲線來構(gòu)造三次B樣條，該函數(shù)非常光滑且任意點都具有連續(xù)的二階導(dǎo)數(shù)。對式（4）中的三次B樣條基函數(shù)的系數(shù)ci，k進(jìn)行估計，從而使得所構(gòu)造的曲線適合于特定程度的平滑數(shù)據(jù)。利用粗糙度懲罰方法來估計系數(shù)，通過最小化以下標(biāo)準(zhǔn)將平滑曲線yi（t）擬合到像素值xi：

F=

min"∑dj=1xi，j－yi（tj）2+ω∫D2yi（s）2ds"（7）

其中，第一項決定了第i個像素的反射率與平滑曲線數(shù)值之間的平方誤差之和。第二項為粗糙度懲罰項，用于測量擬合函數(shù)yi的可變性。D2yi（s）為函數(shù)yi的二階導(dǎo)數(shù)。平滑參數(shù)ω控制著使yi適合數(shù)據(jù)與平滑函數(shù)yi的平衡。當(dāng)ω=0時，yi適合于數(shù)據(jù)，而當(dāng)ω=1時，yi將根本不適合于數(shù)據(jù)。當(dāng)ω從0變?yōu)?時，平滑性愈加明顯。

通過對所構(gòu)造的函數(shù)型數(shù)據(jù)直接進(jìn)行比較較為困難，函數(shù)型數(shù)據(jù)可以通過主成分的線性組合來估計。函數(shù)主成分分析（FPCA）是標(biāo)準(zhǔn)主成分分析（PCA）的結(jié)構(gòu)擴展。在標(biāo)準(zhǔn)PCA中，數(shù)據(jù)具有有限的維數(shù)，而FPCA適用于無限維數(shù)的數(shù)據(jù)。當(dāng)FPCA應(yīng)用于函數(shù)型數(shù)據(jù)時，提取稱為函數(shù)主成分（FPC）的正交函數(shù)fi=［fi，1，fi，2，…，fi，M］，i∈［1，n］，其中，fi的元素稱為FPC分?jǐn)?shù)，M為每個特定應(yīng)用中所需FPC分?jǐn)?shù)的數(shù)量。

每個FPC由M個FPC分?jǐn)?shù)組成。yi的第m個FPC分?jǐn)?shù)fi，m為：

fi，m=∫εi，myidt"（8）

其中，εi，m為主成分權(quán)重函數(shù)。εi，m的求取受限于以下約束條件：

∫εi，m2dt=1

∫εi，rεi，mdt=0，rlt;m（9）

利用與PCA類似的方式，可以使用協(xié)方差函數(shù)的特征分析來求取主成分權(quán)重函數(shù)εm，即第i個像素的特征值和特征函數(shù)組成序列對{ρi，m，εi，m}滿足以下方程：

∫v（s，t）εi，mdt=ρi，mεi，m

∫εi，rεi，mdt=δr，m，rlt;m"（10）

其中，δ為克羅內(nèi)克（Kronecker）函數(shù)，v（s，t）為協(xié)方差函數(shù)。協(xié)方差函數(shù)計算為：

v（s，t）=1n∑ni=1yi（s）yi（t）"（11）

如果曲線yi由yi（t）=∑Kk=1ci，tNk，4（t）表示，且特征函數(shù)由ε（t）=∑Kq=1bqNq，4（t）給出，則式（10）可以改寫為：

∫v（s，t）ε（t）dt=1n∑∑∑∑ci，kci，pbqNk，4（s）

∫Np，4（t）Nq，4（t）dt=ρ∑q=1KbqNk，4（s）"（12）

假設(shè)A=∫Np，4（t）Nq，4（t）dtk×k′，b=［b1，b2，…，bk］′，C=∑ni=1ci，kci，pk×k′，h=N1，4（t），…，Nk，4（t）′。因此，式（11）的矩陣形式為：

1nh′CAb=ρ"h′b1nCAb=ρ"b（13）

通過求解式（13）中的特征分析問題，利用εm=hbm計算v（s，t）的第m個特征函數(shù)，其中，bm為n－1CA的第m個特征向量。利用式（8）計算曲線yi的第m個FPC分?jǐn)?shù)fi，m，從而提取FPC的正交函數(shù)fi=［fi，1，fi，2，…，fi，M］，i∈［1，n］。

在高光譜圖像中，提取每個像素的FPC作為光譜或紋理特征用于分類。

1.3"概率SVM

在SVM分類中，與線性方法相比，核方法表現(xiàn)出強大的優(yōu)勢[12]。本文采用基于高斯徑向基函數(shù)（RBF）核的多類單對一SVM分類器進(jìn)行高光譜圖像分類。盡管原始SVM不提供類概率估計，但可以使用不同的技術(shù)得到基于所有成對比較的類概率估計[13]。本文使用LIBSVM庫函數(shù)中的概率SVM方法[14]。

2"圖像分類

所提出的高光譜圖像分類方法流程圖如圖1所示。其中，虛線表示應(yīng)包括MAF或FDA框架中的相應(yīng)特征（光譜和紋理）。

圖1"分類方法流程圖

首先通過Gabor濾波器提取紋理特征。然后，將概率SVM分類器分別應(yīng)用于光譜和紋理特征。隨后，將兩個概率線性組合得到總概率。最后，將每個像素分配給總概率最高的類。將所提出的基于光譜和紋理特征的分類方法分別在MAF和FDA框架中執(zhí)行。兩個概率線性組合估計的示例如圖2所示。其中，示例中假設(shè)有4個不同的類別，且每個像素根據(jù)總概率分配給其中一個類。

圖2""α=0.5時，分類方法示例

2.1"MAF框架中的分類

假設(shè)將d維高光譜圖像作為輸入，并視為n個元素X={xj∈Rd，j∈［1，n］}的像素向量集合，這些像素被分配給K個不同的類別{w1，w2，…，wK}。在MAF框架中，對光譜和紋理特征進(jìn)行概率SVM處理。因此，針對第i個像素計算空間和紋理兩種概率估計分別為：

pspectral（xi）={pk，spectral（xi）=

pspectral（y=k|xi）}"（14）

ptexture（xi）={pk，texture（xi）=

ptexture（y=k|xi）}"（15）

將與像素xi相關(guān)的總概率定義為：

ptotal（xi）=α×pspectral（xi）+（1－α）ptexture（xi）"（16）

其中，α為正常數(shù)，α∈（0，1）。它定義了光譜和紋理概率項在計算總概率中的重要性，參數(shù)α的最佳取值可以通過實驗得出。

2.2"FDA框架中的分類

與MAF框架中的分類相比，F(xiàn)DA框架中的分類方法增加了一個步驟，即計算光譜特征的函數(shù)型數(shù)據(jù)和FPC。將提取的函數(shù)型數(shù)據(jù)的FPC輸入到概率SVM分類器中，從而估計每個像素的每類概率：

pFDAspectral（xi）={pk，F(xiàn)DAspectral（xi）=

pFDAspectral（y=k|xi）}"（17）

類似地，計算紋理特征的函數(shù)型數(shù)據(jù)和FPC。使用概率SVM分類器對提取的函數(shù)型數(shù)據(jù)的FPC進(jìn)行分類，從而估計每類概率：

pFDAtexture（xi）={pk，F(xiàn)DAtexture（xi）=

pFDAtexture（y=k|xi）}"（18）

最后，與像素xi相關(guān)的總概率計算為：

pFDAtotal（xi）=β×pFDAspectral（xi）+

（1－β）pFDAtexture（xi）"（19）

其中，β為正常數(shù)，β∈（0，1）。參數(shù)β的最佳取值也可以通過實驗得出。

3"實驗分析

使用來自農(nóng)業(yè)和城市地區(qū)的兩個具有不同空間分辨率的高光譜圖像數(shù)據(jù)集來評估所提出方法的性能。實驗在英特爾酷睿i712700H處理器和16GB"RAM的計算機上運行Windows10"64位操作系統(tǒng)，使用MATLAB""2014a版本軟件對圖像進(jìn)行分析。

3.1"高光譜數(shù)據(jù)集

（1）印度松樹圖像：該圖像數(shù)據(jù)集是光譜分辨率高但空間分辨率低的高光譜圖像集合，由機載可視紅外成像光譜儀（AVIRIS）傳感器在印第安納州西北部上空捕捉的農(nóng)業(yè)區(qū)域圖像組成。該數(shù)據(jù)集具有145×145像素的空間大小和224個光譜帶，包含16個土地覆蓋類別。通過去除覆蓋吸水區(qū)域的噪聲光譜帶，本文使用剩下的200個光譜帶，并選擇了9個類別用于分類實驗。印度松樹圖像數(shù)據(jù)集每個類別的樣本數(shù)量如表1所示。

（2）帕維亞大學(xué)圖像：該圖像數(shù)據(jù)集是光譜分辨率高且空間分辨率高的高光譜圖像集合，由反射光學(xué)系統(tǒng)成像光譜儀（ROSIS03）光學(xué)傳感器在意大利北部帕維亞上空捕捉的城市區(qū)域圖像組成。該數(shù)據(jù)集具有610×340像素的空間大小和115個光譜帶，包含9個類別。通過去除12個噪聲最大的光譜帶后，本文使用剩下的103個光譜帶。帕維亞大學(xué)圖像數(shù)據(jù)集每個類別的樣本數(shù)量如表2所示。

3.2"總體描述

對于這兩種圖像數(shù)據(jù)集，紋理特征由Gabor濾波器提取。Gabor函數(shù)的參數(shù)s和d分別設(shè)置為5和12。因此，大小為60×1的向量vt∈R60表示高光譜圖像每個像素的紋理特征。采用三次B樣條基系統(tǒng)生成光譜特征和紋理特征的函數(shù)型數(shù)據(jù)。印度松樹圖像的前3個FPC如圖3所示。

光譜和紋理特征FPC用于光譜和紋理分類，因此，本文使用兩個不同的訓(xùn)練集，即從整個場景的每個類別中隨機選擇5%的樣本（稱為集合A）和10%的樣本（稱為集合B）作為訓(xùn)練樣本，其余作為測試樣本。在所有分類中都選擇基于RBF核的多類單對一SVM分類器。通過實驗得出了參數(shù)α和β組合的最佳取值。同時，使用了4種衡量準(zhǔn)確度的方法：平均準(zhǔn)確度（AA）、總體準(zhǔn)確度（OA）、Kappa系數(shù)（κ）、z分?jǐn)?shù)。在實驗測試中，當(dāng)zijgt;0時，表示分類器i比分類器j更準(zhǔn)確，反之亦然，即zijlt;0。如果|zij|gt;1.96，則兩個分類器i和j之間的分類精度差異具有統(tǒng)計學(xué)意義。參數(shù)z定義為：

z=fij－fjifij+fji"（19）

其中，fij為分類器i正確標(biāo)記且分類器j錯誤標(biāo)記的樣本數(shù)量。

3.3"分類性能

（1）印度松樹圖像：在印度松樹圖像上使用兩個不同的訓(xùn)練集合進(jìn)行光譜空間分類方法。針對不同的控制參數(shù)α和β，對本文方法在MAF和FDA框架中的性能進(jìn)行研究。本文方法對印度松樹圖像的分類準(zhǔn)確度如表3所示。其中，最佳分類精度以粗體顯示。

由表3可見，對于兩個不同的訓(xùn)練集合，控制參數(shù)最佳值α∈［0.4，0.5］，對于5%的訓(xùn)練樣本，β∈［0.4，0.5］，對于10%的訓(xùn)練樣本，β∈［0.3，0.5］。盡管在MAF和FDA框架中，本文方法對參數(shù)α和β的選擇都具有魯棒性，但默認(rèn)值α=0.5和β=0.5對分類精度與最高分類精度沒有顯著差異，則光譜和紋理特征對提高分類的效果幾乎相同。

為了驗證本文方法在高光譜圖像分類中的效率，將本文方法與SVMMRF[5]、HMRF+SVM[6]、EMAP+SVM[4]和SVMCK[3]等其他光譜空間分類方法進(jìn)行比較，如表4所示。

由表4可見，本文方法在MAF和FDA框架中總體上具有更高的分類精度。尤其本文方法在FDA框架中得出了最佳的全局和特定類別分類精度。然而，印度松樹圖像的低空間分辨率導(dǎo)致像素具有高度混合問題，并且不同類別之間以及某些類別內(nèi)部的像素數(shù)量差異較大。本文方法在MAF和FDA框架中仍能正確分類超過94%的像素。其中，在MAF框架中，集合A和集合B的OA分別為95.03%和97.76%，與EMAP+SVM相比，分別提高了1.35%和3.31%；在FDA框架中，集合A和集合B的OA分別為95.07%和98.32%，與EMAP+SVM相比，分別提高了1.39%和3.87%。實驗結(jié)果證明了本文方法有能力將光譜和紋理分類結(jié)果結(jié)合起來，從而提高像素分類精度，其中使用FDA框架能夠得到最佳結(jié)果，這是由于在FDA框架中，高維數(shù)據(jù)被視為函數(shù)型數(shù)據(jù)，可以使用隱藏在頻帶之間的額外豐富信息。

利用印度松樹圖像的集合B訓(xùn)練樣本，將本文方法與SVMMRF[5]、EMAP+SVM[6]、HMRF+SVM[4]和SVMCK[3]等其他光譜-空間分類方法進(jìn)行比較，如圖4所示。

由圖4可見，盡管與其他分類方法相比，本文方法的分類圖沒有正確顯示區(qū)域邊緣，但可以更清晰地看到參考數(shù)據(jù)的所有區(qū)域。

同樣，利用印度松樹圖像的集合B訓(xùn)練樣本進(jìn)行對比，不同方法的z分?jǐn)?shù)結(jié)果如表5所示。

由表5可見，本文方法與其他方法之間在分類精度上的差異具有統(tǒng)計學(xué)意義。

（2）帕維亞大學(xué)圖像：針對不同的控制參數(shù)α和β，對本文方法在MAF和FDA框架中的性能進(jìn)行研究。本文方法對帕維亞大學(xué)圖像的分類準(zhǔn)確度如表6所示。其中，最佳分類精度以粗體顯示。

由表6可見，對于兩個不同的訓(xùn)練集合，控制參數(shù)最佳值分別為α∈［0.4，0.6］和β∈［0.4，0.5］。

利用帕維亞大學(xué)圖像的集合B訓(xùn)練樣本，將本文方法與SVMMRF[5]、HMRF+SVM[6]、EMAP+SVM[4]和SVMCK[3]等其他光譜空間分類方法進(jìn)行比較，如圖5所示。

4"結(jié)"論

提出了一種基于光譜特征和紋理特征的分類方法來提高高光譜圖像分類精度，并在MAF和FDA框架中得到了應(yīng)用。通過將每個像素的光譜特征和紋理特征的兩個概率線性地組合，從而提高了分類精度。利用FDA框架更好地估計高光譜圖像分析的概率。在兩個高光譜圖像上進(jìn)行了測試，得到的結(jié)果證實了本文方法的有效性，并與其他同類方法的比較驗證了本文方法具有更高的分類性能。在未來的研究中，將致力于利用基于機器學(xué)習(xí)的方法提取紋理特征，從而進(jìn)一步提升高光譜圖像分類精度。

圖5"不同分類方法對帕維亞大學(xué)

圖像集合B的分類結(jié)果

參考文獻(xiàn)

［１］"魏長婧.遙感技術(shù)在礦業(yè)領(lǐng)域的應(yīng)用現(xiàn)狀及發(fā)展趨勢綜述[J].北京測繪，2022，36（10）：1285-1292.

[2]"任彥，高曉文，楊靜，等.結(jié)合并行CNN與極限學(xué)習(xí)機的高光譜圖像分類[J].遙感信息，2022，37（3）："34-41.

[3]"陳軍麗，黃睿，張國鵬.基于超像素分割的形態(tài)學(xué)標(biāo)準(zhǔn)差屬性剖面特征自動生成[J].工業(yè)控制計算機，"2018，31（3）：23-24.

[4]"WANG"Yongqi，"XIAO"Zengqi，"TIONG"L"K，"et"al."Datadriven"quantification"of"publicprivate"partnership"experience"levels"under"uncertainty"with"Bayesian"hierarchical"model[J]."Applied"Soft"Computing，"2021，103（5）："107-116.

[5]"曲海成，郭月，王媛媛.一種新的空譜聯(lián)合高光譜圖像分類方法[J].測繪科學(xué)，2019，44（8）：82-90.

[6]"涂兵，朱禹，周承樂，等.多尺度超像素紋理特征保持與融合的高光譜圖像分類[J].電子與信息學(xué)報，"2022，44（6）：2207-2215.

[7]"PRATHIBHA"V，"SAROJA"G."Hexagonal"image"enhancement"using"HexGabor"filter"for"machine"vision"applications[J]."Materials"Today："Proceedings，"2022，56（1）：555-558.

[8]"趙鶴宇，樊立艷，常錦才.基于三次樣條基函數(shù)的模糊數(shù)據(jù)插值[J].華北理工大學(xué)學(xué)報（自然科學(xué)版），"2022，44（4）：68-79.

[9]"張夢珠，王旭輝.基于B樣條的概率密度函數(shù)非參數(shù)估計[J].大學(xué)數(shù)學(xué)，2022，38（3）：1-6.

[10]BECCARI"C，"CASCIOLA."A"coxde"boortype"recurrence"relation"for"C1"multidegree"splines[J]."Computer"Aided"Geometric"Design，"2019，75（9）："101-112.

[11]李錦鵬，熊顯名，曾啟林，等.基于三次B樣條小波變換和Franklin矩亞像素級圖像邊緣檢測算法[J].紅外技術(shù)，2022，44（3）：255-261.

[12]李廣洋，寇衛(wèi)利，陳幫乾，等.多核學(xué)習(xí)算法及其在高光譜圖像分類中的應(yīng)用研究進(jìn)展[J].地球信息科學(xué)學(xué)報，2021，23（3）：492-504.

[13]趙烜赫，潘新，馬玉寶，等.基于RBFSVM的草地高光譜圖像分類[J].揚州大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），"2022，43（1）：128-134.

[14]孫玉杰，張占強，孟克其勞，等.基于FST和LibSVM的電能質(zhì)量擾動信號分類[J].計算機仿真，"2022，39（11）：146-152.