基于多層次區(qū)域劃分的高光譜圖像分類.pdf

1、高光譜圖像是雷達成像傳感器通過獲取大量地物反射的窄帶電磁波波段信息所形成的圖像，包含了所測地物的光譜信息、空間信息和幾何信息。由于高光譜數(shù)據(jù)的龐大和復雜性，圖像中的每個象元代表的物質類別不能完全依靠人工識別，因此，高光譜圖像的分類技術就成為高光譜圖像處理技術中重要的一環(huán)。隨著傳感器技術的發(fā)展，高光譜圖像的分辨率得到很大的提高，于是人們嘗試使用各種方式把高光譜圖像的譜域信息和空域信息融合在一起，通過兩種信息的融合來提高圖像分類的精確度。<

2、br>　　近些年，Yuliya Tarabalka等人提出了基于劃分聚類的空譜信息融合的圖像分類算法，利用圖像分割技術，把圖像分割成許多個同質區(qū)域，同一個區(qū)域的樣本用同一個類標標示，克服了分類圖中的椒鹽噪聲的問題，但是也造成了邊緣區(qū)域樣本的分類錯誤。
　　針對上述分類算法的不足，本文提出了基于多層次劃分區(qū)域的分類算法。算法的特征在于：
　　（1）提出了一個多層次劃分區(qū)域的算法結構。算法在把圖像分割成多個單一屬性區(qū)域的基礎上，

3、把圖像進一步劃分為地物邊界區(qū)域和地物非邊界區(qū)域。按照多數(shù)投票準則，對每個單一屬性區(qū)域，其內部所有的樣本均用內部多數(shù)樣本的分類結果進行標記；而屬于邊界區(qū)的樣本則采用主動學習算法進行分類，使得算法的分類處理更加具有針對性。
　?。?）提出了表性準則一個新的表現(xiàn)形式。為了選取性價比更好的新標記樣本，主動學習算法采用代表性準則的目的在于，避免主動學習算法在樣本選擇中選取了噪聲樣本和代表性低的樣本進行標記。代表性準則新的表現(xiàn)形式利用了快速聚