(精选)利用扩展的形态属性剖面以及独立分量分析进行高光谱图像的分类课件.pptVIP

文献主要内容简介 在这篇文章中，介绍了一种基于独立分量分析（ICA）以及扩展的形态属性剖面（EAPs）的高光谱遥感应图像分类的技术。独立分量分析法将数据映射到一个子空间，在这个子空间中这些分量尽可能地独立。这些通过利用几个特定的属性而提取出来的属性剖面适用于每张图像相关的提取出来的独立分量中，从而产生出了一系列扩展的形态属性剖面。 两种方法都提出了包括在分析中的计算模式。这些通过形态学处理而提取出来的特征是利用支持向量机（SVM）来分类的。最后在两张高光谱图像上进行的实验证明了提出的方法的有效性。 简介 对于高分辨率的高光谱图像的分类来说，空间信息的利用是非常重要的，尤其是考虑到市区时，并且最好是在分析时要考虑到几何特征，以至于得到在空间上的精确地图。在这篇文章中，我们通过使用两种分别基于扩展的属性剖面和独立分量分析的技术进行高光谱图像的分类，不仅如此，我们还探讨了将通过扩展的属性剖面计算所提取出来的信息和不同的属性结合起来的两种方法。  本文的结构：第二部分讨论了独立成分分析，而形态属性过滤器和扩展的属性剖面的概念将在第三部分展示，第四部分则阐述了所提出的用于处理复合的扩展的属性剖面的方法，实验的结果将在第五部分说明，最后在第六部分将得出结论。 扩展的属性剖面（EAP） 扩展的属性剖面是基于属性剖面的概念上的，而且它是广泛使用的形态剖面的一般化。类比于扩展的形态剖面，扩展的属性剖面是通过级联大量的属性剖面而产生的。每个属性剖面都是根据其中的c个特征中的一个计算的，而这些c个特征是指通过从一幅多元影像（例如高光谱影像）中特征减少变换（例如主成分分析法）而提取出来的。 EAP={AP(FR-1),AP(FR2),……，AP(FRc)}. (1) 属性剖面是形态剖面的一个扩展，通过处理一幅标量的灰度图像f而得到的，根据一个准则T，n个形态属性增厚 ，n个属性增厚 运算符，通过重建式子（2）来取代传统的形态过滤器。 （2） 利用不同的属性计算得到扩展的属性剖面过程的例子将会在下图中得到展示。 左图就是由大学数据集中图像的一部分的首要的两个主分量所计算出来的EAP的例子。每一列分别表示了一个内置不同属性的EAP。属性从左到右分别是面积，边界地区的框中对角线长度，惯性矩和标准偏差。每个EAP都是通过两个AP的级联而组成的，而这两个AP是由主分量1（PC1）和主分量2（PC2）计算出来的。每个AP是由三个水平组成的，分别是：增厚图像 ，原始的主分量和变薄图像 。所有的增厚和变薄变换都是采用下面的属性值计算的，即，面积：5000，边界地区的框中对角线长度：100，惯性矩：0.5，标准偏差：50。 处理复合的扩展属性剖面的方法 选择出最适合的属性和确定用来提取地理空间对象的信息的阈值的范围显然是一项很复杂的工作，特别是当先验信息没有提供时。一个可能的用来克服这一问题的方法就是依赖于计算通过多种多样的属性的得到的扩展的属性剖面。然而这将导致一个能否正确利用的问题，具体到分析中就是能否正确利用通过扩展的属性剖面而提取出来的不同的信息。 一个简单的策略是堆积的矢量方法（SVA），这种方法能够通过将这些不同信息并列到一个特征的单个向量里而与扩展的属性剖面结合起来。图a将会展示这个过程。 另一种方法就是融合方法（FA），这种方法是基于单个的扩展属性剖面的单独分类以及独立分类所得到的结果的融合上的，其中独立分类器的目的是为了生成最终的决定意义上的地图。详见图b 下图中，（a）表示的是采用堆积的矢量方法（SVA）来处理复合的EAP，（b）表示的是融合方法（FA） 实验分析 这次实验的分析在两张意大利帕维尔市的高光谱图像上进行的。这两张图像是通过反射光学系统的成像光谱仪-03的高光谱传感器得到的。这两张图像的几何分辨率是1.3m。第一张展现的是一个大学校园（610*340像素），而第二张则是市中心（1096*489像素）。 在大学校园里确定了九种主题的土地覆盖类，分别是：树木、沥青、沥青、碎石、金属片、阴影、自锁砖、草地和裸土。对于这个数据集，共有3921和42776像素分别作为训练和测试的数据集。在市中心区，确定的主题土地覆盖类分别是：水，树，草甸，自我封锁砖，土，沥青，沥青，瓷砖，和阴影。而训练和测试数据集分别由5536和103539个样本组成。详见下图。 下图所示的是帕维尔市的ROSIS数据集，图像的真实颜色表示和测试集，（a），（b）表示的是“大学”，（c），（d）表示的是“中心”。 两幅图像中，考虑到了利用主成分分析法和独立分量分析法所提取的四个分量。首要的四个主成分包含了这两个数据集99%的差异。分量则被重新调整到（0,1000）的范围里，并且被转化为整数以便属性过滤器对之进行