基于鄰域自適應(yīng)SLIC的高光譜圖像分類

周敏

摘要：針對傳統(tǒng)SLIC算法對高光譜圖像空間信息提取不充分問題，基于地物物理分布特性，提出一種鄰域自適應(yīng)SLIC算法。該方法基于Parzen窗概率密度估計方法計算采樣間隔，自動調(diào)整鄰域大小。在Pavia U數(shù)據(jù)集上的結(jié)果顯示，該方法比傳統(tǒng)方法分類精度更高，總體分類精度達到了95.49%。

關(guān)鍵詞： 高光譜圖像; SLIC算法; 鄰域自適應(yīng);Parzen窗

中圖分類號：TP751? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）25-0189-02

Abstract：Aiming at the problem of insufficient spatial information extraction of hyperspectral image by traditional SLIC algorithm， a neighborhood adaptive SLIC algorithm is proposed based on the physical distribution characteristics of ground objects. The method calculates the sampling interval based on the Parzen window probability density estimation method and automatically adjusts the neighborhood size. The results on the Pavia U dataset show that the method has higher classification accuracy than the traditional method， and the overall classification accuracy reaches 95.49%.

Key words：hyperspectral image;SLIC algorithm; neighborhood adaptive; Parzen window

高光譜圖像分類實際上是對地物進行分類，其在精準農(nóng)業(yè)、國防軍事、地質(zhì)勘探等領(lǐng)域具有重要作用[1]。近來研究表明，結(jié)合使用高光譜圖像的光譜信息和空間信息進行分類可以得到更好的分類效果。

超像素屬于一種圖像分割技術(shù)，是指由一系列位置近鄰，顏色、紋理等特征相近的像素點組成的不規(guī)則像素塊[2]。超像素分割算法大致可分為基于圖論的方法和基于梯度下降的方法。典型的基于圖論的方法包括Ncut算法、SL算法和基于熵率的ERS算法等。典型的基于梯度下降的方法包括分水嶺算法、基于核密度梯度估計的迭代式搜索算法和SLIC算法等。文獻[3-4]利用SLIC算法提取圖像的空間信息，并結(jié)合光譜信息，提高了分類精度。但SLIC算法的鄰域大小通常為固定值，而實際地物在空間分布是不均勻的，鄰域的選擇直接影響了算法的分割效果。針對這一問題，本文提出了一種鄰域自適應(yīng)SLIC（Neighborhood adaptive SLIC algorithm，NASLIC）算法，基于Parzen窗概率密度估計[5]分析像元鄰域的分布規(guī)律，自適應(yīng)調(diào)整采樣間隔，從而提高算法性能。

1鄰域自適應(yīng)SLIC算法

真實地物中，地物的分布往往是不規(guī)則的，基于該物理特性，本文算法基于Parzen窗概率密度估計方法計算采樣間隔S，實現(xiàn)鄰域的自適應(yīng)。

2實驗與分析

2.1 實驗數(shù)據(jù)選擇與設(shè)置

實驗選擇Pavia U數(shù)據(jù)集驗證本文算法的有效性，并與PCA算法、SLIC算法進行分類效果對比，超像素個數(shù)設(shè)置為2000，m取20。實驗步驟如下：

（1）使用PCA算法進行降維，取前三個主成分生成假彩色圖像;

（2）分別使用NASLIC和SLIC算法對假彩色圖像進行超像素分割，得到基于空間信息的分類結(jié)果;

（3）使用SVM算法對PCA算法降維后的數(shù)據(jù)進行分類，得到基于光譜信息的分類結(jié)果;

（4）基于最大投票算法，利用空間信息對基于光譜信息的分類結(jié)果進行修正。

2.2 實驗結(jié)果與分析

隨機選擇3%的樣本作為訓(xùn)練集，剩余樣本為測試集，以總體精度OA、平均精度AA和Kappa系數(shù)作為性能評價指標。在Pavia U數(shù)據(jù)集上的實驗結(jié)果如表1所示：

從表1可以看出，NASLIC算法比PCA算法和SLIC算法的分類效果都要好，這是因為通過Parzen窗概率密度估計分析真實地物的分布規(guī)律，提取的空間信息更符合實際地物的物理特性，從而提高了分類精度。

3結(jié)論

為進一步提取高光譜圖像的空間信息，本文提出一種鄰域自適應(yīng)SLIC算法。該算通過概率密度估計實現(xiàn)了搜索鄰域的自適應(yīng)。在Pavia U數(shù)據(jù)集上的實驗結(jié)果證明，該算法比傳統(tǒng)算法的分類效果更好。

參考文獻：

[1] 王超陽.灰度共生矩陣下的遙感圖像分類處理[J].電腦知識與技術(shù)，2019，15（5）：167-168.

[2] 王春瑤，陳俊周，李煒.超像素分割算法研究綜述[J].計算機應(yīng)用研究，2014，31（1）：6-12.

[3] 李昌利，張琳，樊棠懷.基于自適應(yīng)主動學(xué)習(xí)與聯(lián)合雙邊濾波的高光譜圖像分類[J].計算機科學(xué)，2018，45（12）：223-228.

[4] 李寧. 基于超像素的高光譜圖像無監(jiān)督分割[D].云南大學(xué)，2017.

[5] 趙慧珍，劉付顯，李龍躍.Parzen窗確定系數(shù)的協(xié)同模糊C均值算法[J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2017，29（2）：272-278.

【通聯(lián)編輯：唐一東】