211062321_基于递归滤波的高光谱图像地物分类方法|江阴雨辰互联

2024年4月23日发(作者：)

现代电子技术

2023年第46卷

件测试方案主要有以下两种：

流电源分析仪、水浴锅，对MicroLED光源的测试主要

以测试不同环境下同一个MicroLED的电压和电流。在

室温环境和室温蒸馏水中测试MicroLED光源的电压电

流特性，曲线如图8a）和图8b）所示。由此可知，Micro

LED的开启电压为2.8V，电流的变化在0~70mA。

1）MicroLED电压电流测试：选用的测试设备为直

在已有的研究中，普遍认为能够激发ChR2的最小光强

密度为1mW/mm

，所以实验需要在这个范围内进行

[10]

。

可以在一个黑暗的房间里使用直流电源分析仪驱动光

极发光，然后用光功率计来测试光极的发光功率，这里

需要说明的是，本文设计的驱动芯片是恒流模式驱动芯

片，所以设置直流电源分析仪输出模式为电流源，通过

改变不同的输出电流值来记录光功率计的参数。因为

ChR2的光敏蛋白只有在光功率为2~3mW范围上才会

起作用，所以通过光功率的测试，最终调整光极参数可

以在被光敏蛋白起作用的范围内，图8c）所示为测试的

结果，满足激活光敏感蛋白的辐射通量；图8d）所示为

光源的发光效率。需要说明的是，图8c）和图8d）为随

机光源阵列抽取的单颗发光LED的测试结果。

3结论

本文设计了一种用于医学眼科神经研究的体内植

入式硬件，该硬件从光源、驱动、能量传输方面得到了优

化，实现了小型化、低功耗、可植入的优势。在本文中实

现了以下几部分的创新：

LED光阵列，阵列的尺寸为60μm×60μm，同时在此基

础上设计了光导，光导的直径达到10~20μm，实现了神

经元级的刺激光源。

组合进行优化，但考虑的参数有限，在后续的研究中会

不断进行完善。

化，能量采集方面完成了无线能量供电，相比现有电池

尺寸进行优化，完成芯片化设计。

本文系统研发的无线光控系统对于光遗传应用于

眼科神经的研究有一定的推动意义。

注：本文通讯作者为王文思。

参考文献

1）针对于植入式的需求设计一种小型化的Micro

2）针对刺激光源的阵列组合，运用深度学习来对

3）系统整体设计尺寸达到了mm级，实现了小型

的供电取得了一定的进步，在后续的研究中会不断缩小

[1]ARAVANISAM，WANGLP，ZHANGF，cal

neuralinterface：invivocontrolofrodentmotorcortexwith

neuralengineering，2007，4（3）：143⁃156.

integratedfiberopticandoptogenetictechnology[J].Journalof

[2]ZHANGF，WANGLP，BRAUNERM，odalfast

图8硬件测试结果

（7136）：633⁃639.

differentiationin

opticalinterrogationofneuralcircuitry[J].Nature，2007，446

蛋白注入指定的位置，本文选用的光敏蛋白为ChR2。

2）光极发光功率测试：光遗传中首先必须将光敏

[3]STROHA，TSAIHC，WANGLP，ngstemcell

stimulation[J].Stemcells，2011，29（1）：78⁃88.

thesettingofautomatedoptogenetic

第8期

吉彦平，等：可植入无线MicroLED光遗传学硬件设计

N，ZHANGZ，singofvisuallyevoked[4]WEIP，LIU

innatefearbyanon⁃canonicalthalamicpathway[J].Nature

communications，2015，6（1）：6756.

ocampal⁃entorhinalcortex

[5]neticdissectionofictalpropagationinthehipp⁃

communications，2016，7：12019.

structures[J].Nature

[14]SAHELJA，BOULANGER⁃SCEMAMAE，PAGOTC，etal.

Partialrecoveryofvisualfunctioninablindpatientafter

optogenetic

2021，27（7）：1223⁃1229.

therapy[J].Molecularhumanreproduction，

[15]REUTSKY⁃GEFENI，GOLANL，FARAHN，a⁃

phicoptogeneticstimulationofpatternedneuronalactivityfor

visionrestoration[J].Naturecommuncation，2013，4：1509.

[6]nergicinputsinthedentategyrusdirect

E5501⁃E5510.

thechoiceofmemoryencoding[J].PNAS，2016，113（37）：

[16]BOYDENES，ZHANGF，BAMBERGE，econd⁃

timescale，geneticallytargetedopticalcontrolofneural

activity[J].Natureneuroscience，2005，8（9）：1263⁃1268.

学报，2019，30（1）：18⁃25.

[7]ZOUW，FUJ，ZHANGH，ngtheintensityof

interneuron[J].Naturecommunications，2018，9（1）：4311.

[17]邰建鹏，郭伟玲.MicroLED显示技术研究进展[J].照明工程

[18]LIUC，ZHAOY，CAIX，ess，implantable

optoelectrochemicalprobeforoptogeneticstimulationand

2020，6：64.

dopaminedetection[J].Microsystems&nanoengineering，

[19]邰建鹏.MicroLED的阵列设计制备及性能研究[D].北京：北

京工业大学，2020.

[20]DOUTHWAITEM，KOUTSOSE，YATESDC，⁃

mallypoweredISFETarrayforon⁃bodypHmeasurement[J].

11（6）：1324⁃1334.

IEEEtransactionsonbiomedicalcircuitsandsystems，2017，

[21]NEUMANNA，GHASEMIJ，NEZHADBADEHS，⁃

compatibleplenopticdetectorforLEDlightingapplications

[J].Opticsexpress，2015，23（18）：23208⁃23216.

[8]GAUVAING，AKOLKARH，CHAFFIOLA，⁃

genetictherapy：highspatiotemporalresolutionandpattern

discriminationcompatiblewithvisionrestorationinnon⁃human

primates[J].Communicationbiology，2021，4（1）：125.

[9]SHINH，JEONGS，LEEJH，etal.3Dhigh⁃density

microelectrodearraywithopticalstimulationanddrugdelivery

for

communication，2021，12（1）：492.

investigatingneuralcircuitdynamics[J].Nature

[10]NAGELG，SZELLAST，HUHNW，lrhodopsin⁃

2，adirectlylight⁃gatedcation⁃selectivemembranechannel

[J].PNATLACADSCIUSA，2003，100（24）：13940⁃13945.

[11]BIA，CUIJ，MAYP，cexpressionofamicrobial⁃

typerhodopsinrestoresvisualresponsesinmicewith

photoreceptordegeneration[J].Neuron，2006，50（1）：23⁃33.

[22]CHOIDY，⁃constrainedimageenhance⁃

mentusingmultibandprocessingforTFTLCDdeviceswith

andsystemsforvideotechnology，2018，28（6）：1445⁃1456.

anedgeLEDbacklightunit[J].IEEEtransactionsoncircuits

[23]SUNY，LACOURSP，BROOKSRA，mentofthe

biocompatibilityofphotosensitivepolyimideforimplantable

researchparta，2009，90（3）：648⁃655.

medicaldeviceuse[J].Journalofbiomedicalmaterials

[12]HATTARS，LIAOHW，TAKAOM，psin⁃

containingretinalganglioncells：architecture，projections，

andintrinsicphotosensitivity[J].Science，2002，295：1065⁃

1070.

[13]岳森.基于µLED的光遗传学可植入光极研究[D].长春：中国

科学院大学，2015.

作者简介：吉彦平（1987—），男，甘肃武威人，博士，讲师，研究方向为脑机接口、深度学习、光遗传学。

王文思（1983—），男，北京人，博士，副教授，博士生导师，研究方向为脑机接口、模拟IC、光遗传学。

郑梦沂（1987—），女，北京人，博士，讲师，硕士生导师，研究方向为心理学、遗传学。

引用格式：陆美，李文，杨佳欣.基于递归滤波的高光谱图像地物分类方法[J].现代电子技术，2023，46（8）：8⁃14.

DOI：10.16652/.1004⁃373x.2023.08.002

2023年4月15日

第46卷第8期

现代电子技术

ModernElectronicsTechnique

Apr.2023

Vol.46No.8

基于递归滤波的高光谱图像地物分类方法

陆美，李文，杨佳欣

650093）（昆明理工大学国土资源工程学院，云南昆明

摘要：针对原始高光谱图像信噪比较低导致的分类精度差及边缘地物光谱特征易混淆的问题，文中提出一种基于递

归滤波的高光谱图像地物分类方法。首先，对原始高光谱图像进行递归滤波处理，并利用主成分分析方法降低滤波后图像

的维度，消除高光谱图像中的大部分噪声、弱边缘和小尺度结构；然后，使用递归滤波对主成分分析后的各主成分图像进行

一次滤波，在减少图像中一些更小的纹理结构的同时，避免边缘像元光谱特征的混淆；最后，将预处理后的高光谱数据发送

至支持向量机分类器进行训练和预测。实验结果表明：在高光谱图像降维前后分别使用递归滤波，能更好地消除图像中的

噪声和保留多尺度边缘特征；在IndianPines和UniversityofPavia高光谱数据集上，所提方法的总体分类精度分别为

98.17%，92.17%，相较于其他的分类方法平均提高11%和7%。

中图分类号：TN919⁃34；TP751

关键词：地物分类；高光谱图像；递归滤波；主成分分析；噪声消除；图像滤波；数据训练

文献标识码：A文章编号：1004⁃373X（2023）08⁃0008⁃07

MethodofHSIgroundobjectclassificationbasedonrecursivefilteringprocessing

（FacultyofLandResourcesEngineering，KunmingUniversityofScienceandTechnology，Kunming650093，China）

LUMei，LIWen，YANGJiaxin

Abstract：Inordertosolvetheproblemsofpoorclassificationaccuracycausedbylowsignal⁃to⁃noiseratiooforiginal

hyperspectralimages（HSI）andeasyconfusionofspectralfeaturesofedgegroundobjects，amethodofHSIgroundobject

ursivefilteringisusedtoprocesstheoriginalHSI，and

ursivefilteringisusedtofiltereachprincipalcomponentimageonce

theprincipalcomponentanalysisisusedtoreducethedimensionofthefilteredimage，soastoeliminatemostofthenoise，

afterprincipalcomponentanalysis，soastoavoidconfusionofspectralfeaturesofedgepixelswhilesomesmallertexture

processedhyperspectraldataissenttotheclassifierofsupportvectormachinefor

erimentalresultsshowthattheapplicationofrecursivefilteringbeforeandafterHSIdimension

reductioncanbettereliminatenoiseintheimageandpreservemulti⁃yperspectraldatasetsofIndian

whichis11%and7%higherthanotherclassificationmethodsonaverage.

filtering；datatraining

PinesandUniversityofPavia，theoverallclassificationaccuracyoftheproposedmethodis98.17%and92.17%，respectively，

Keywords：groundobjectclassification；HSI；recursivefiltering；principalcomponentanalysis；noiseelimination；image

0引言

近几年，边缘保留滤波因能在提高图像信噪比的同

时地物边缘结构不会被模糊化而被大量应用到图像处

理领域

[2]

。双边滤波和各向异性扩散滤波是常用的边缘

保留滤波器。各向异性扩散滤波可在保留目标边缘的

同时降低图像的空间和光谱差异性，提高图像的质量和

分类精度。但各向异性扩散滤波

[3]

是基于偏微分方程的

滤波优化方法，需根据预定义的扩散张量进行迭代更

新，因此计算成本较高。双边滤波（BilateralFiltering，

[4⁃5]

BF）

是对邻近像元值的加权平均，其权重取决于相邻

高光谱图像（HyperspectralImage，HSI）通常由上百

条连续的窄波段组成，包含地物的空间信息和丰富的光

谱信息。但高光谱图像在获取和传输的过程中会因成

像设备和环境因素导致获得的图像信噪比较低，进而影

响高光谱图像的分类精度。

[1]

收稿日期：2022⁃07⁃27修回日期：2022⁃09⁃28

基金项目：国家自然科学基金项目（41561082）

第8期

陆美，等：基于递归滤波的高光谱图像地物分类方法

像素的空间亲和度和强度相似性，在保留图像主要结构

的同时可平滑图像。但双边滤波处理图像时会在强边

缘附近出现梯度反转伪影，产生不必要的轮廓导致边缘

处地物信息混淆，降低分类精度

[6]

。此外，也有许多边缘

保留滤波方法，如引导滤波、递归滤波等。引导滤波

（GuidedFiltering，GF）是通过引导图像的局部线性变换

来产生滤波输出。引导滤波与双边滤波一样，能很好地

保留图像的整体边缘轮廓，并且运行时间也不会受滤波

范围和强度的影响。但引导滤波的支持区域仅为框式

窗口，输入图像中的所有像素会受到同等的惩罚，这将

导致滤波输出图像会出现光晕伪影等问题

[6⁃7]

。域变换

[8]

递归滤波（RecursiveFiltering，RF）是在保留图像相邻

信息传播；相反，如果两个相邻像素属于不同的区域，则

像素亲和度应较低，信息传播停止。

递归滤波处理可分为两步：一是将输入图像I进行

域变换Ω→Ω

；二是在变换域Ω

中对图像I进行递归滤

波。域变换函数C

（）的定义如下：

(

)

I′

(

)

为输入信号

(

)

的导数；式中：

和

表示递归滤

∫

éù

（1）

(

I′

(

)

dx,u∈Ω;i=1,2,…,n

ëû

波器采用的第i个参数设置，即空间标准差和光谱标准

差。然后将域变换后的离散输入信号进行递归滤波处

理，递归滤波在变换域Ω

中的定义如下：

i,j

=ay

i,j-1

+by

i-1,j

(

1-a-b

)

i,j

a=exp

（2）

（3）

像元之间测地距离的同时把图像转换到变换域中进行

滤波处理，再还原至原域的过程。递归滤波输出的结果

不仅依赖于输入，其先前的输出结果也会作为反馈用于

下一次的滤波输出

[7⁃9]

。递归滤波的计算量不受滤波器

参数选择的影响，可实时地对图像进行边缘保留滤波；

另一方面，递归滤波为无限脉冲激响应（IIR）滤波器，在

强边缘另一侧的像素权重衰减为0，因此可有效避免边

缘处异类地物间光谱信息的混淆，改善图像的分类

精度。

基于以上分析，本文提出一种利用递归滤波的高光

谱图像地物分类方法。对高光谱图像进行递归滤波处

理，并利用主成分分析（PrincipalComponentAnalysis，

PCA）方法降低滤波后图像数据的维度。PCA方法可提

差异

[10]

，选出最能保留图像质量的主成分分量；接着对

各主成分图像再进行一次光谱标准差和空间标准差都

较小的递归滤波，利用递归滤波器的边缘保留特性，在

减少局部区域内相同类别之间光谱差异的同时，进一步

去除高光谱图像的细小纹理结构，强化地物的边缘轮

廓；最后利用支持向量机（SupportVectorMachine，

[11]

SVM）

对处理后的高光谱图像进行分类。在两个经典

(

i,j

-x

i,j-1

)

∈

[

0,1

]

i,j

，

i,j

分别为递归滤波在第i行和第j列处的输入

式中：

和输出像素值；像素（i，j-1）到（i，j）的像素亲和度为a

i，j

∈

[0，1]，式中将a

i，

b∈[0，1]为像素（i-1，j）

简化为a。同理，

到（i，j）的像素亲和度。像素亲和度a与b的定义类似。

图像高和宽分别为h和w，集合A={a

i，

h]，j∈[1，w]}，

∈[0，

B={b

i，

h]，j∈[0，w]}分别表示递归滤波的信息传播

∈[1，

在水平和垂直方向上的所有像素亲和度。滤波器系数

总和为1用以控制滤波输出的范围。递归滤波的信息

传播方案如图1所示。

取到高光谱数据中的最相关信息并增强地物间的光谱

图1递归滤波的信息传播方案

从信息传播的角度来看，a和b可视为水平方向与

垂直方向上能传播多少信息的两个关键参数。当a与b

都接近于1时，意味着附近的区域具有相近的像素值；

相反，如果a和b都接近于0时，返回x

i，

即访问的

i，j

，

两个像素属于不同的对象，滤波器没有来自先前位置的

反馈，信息传播停止。当b为0时，垂直方向的信息传播

消失，式（2）表现为一维递归滤波在水平方向上传播信

息；类似地，当a为0时，递归滤波器退化为垂直方向上

的一维递归滤波。

1.2

为更好地消除高光谱图像中的噪声，本文采用递归

本文方法

高光谱数据集上的实验结果表明，本文方法能在样本量

少的情况下显著改善高光谱图像的分类精度。

1.1

方法原理

递归滤波

[7⁃8]

处理图像的过程中，可将图像视为二维

递归滤波

的离散信号，对其行和列迭代地执行一维递归滤波，这

个过程可看作是信息传播的过程。从这个角度来看，反

馈系数可看作是连接两个像素之间的像素亲和度，以

控制从一个像素到另一个像素的信息传播部分。如

果两个像素属于同一邻域，则像素亲和度应较高，允许

滤波器对高光谱数据进行预处理。与其他边缘保留滤

12]

波相比，递归滤波处理图像边缘时有着更好的表现

[8，

。

为此，本文提出一种利用递归滤波的高光谱地物分类方

法，采用两次不同参数设置的递归滤波器对图像进行处

理，保留图像中不同尺度的对象或边缘特征，降低噪声

RF⁃PCA⁃RF，其实现过程主要分为以下几个步骤：

现代电子技术

2023年第46卷

的同时增加局部区域内像素的光谱纯度。该方法称为

1）初始滤波。对高光谱图像进行第一次递归滤

2）PCA变换。由于对高光谱图像进行递归滤波降

的高光谱图像数据。式（6）即利用PCA提取初次递归

滤波图像数据的前N个主成分。

中一些比较细小的纹理结构，即：

3）对前N个主成分图像进行递归滤波，消除图像

L=RF

(

,δ

)

,n=1,2,…,N

波，移除图像中大部分波段的噪声和小尺度的细节。

低了不同地物间像素值的差异，且滤波后的数据中包含

了大量的互补信息和冗余信息，而采用PCA方法可以

提取初始滤波后数据中最相关的信息进而实现对数据

的降维，还可以增强不同地物之间的光谱差异

[10]

。

间标准差δ

都较小的递归滤波，去除图像中细小的纹理

结构，保留图像的整体轮廓和主要内容。

4）将滤波后的各主成分图像送入SVM分类器进行

3）对每个主成分图像进行一次光谱标准差δ

和空

式中

，

为滤波器的第2个参数。通过设置

，

来获

{

,…,L

}

（7）

（8）

得递归滤波后的图像L为递归滤波后N个主成分的

图像。

择训练样本集X⁃train和测试样本集X⁃test，SVM使用径

组合。

输出：高光谱图像的地物分类结果。

4）分类。从图像数据集L中以一定的比例随机选

向基函数（RBF），采用5折交叉验证寻找最优的参数

分类识别，算法流程如图2所示。完成高光谱图像分类

后，采用常见的三个指标对分类算法的性能进行评价，

即总体准确率（OverallAccuracy，OA）、平均准确率

（AverageAccuracy，AA）和Kappa系数。

2.1

实验数据及参数设置

1）IndianPines数据集。该场景是由AVIRIS传感

实验数据集

器于1992年在Indian西北部的印度松测试现场获取的。

由145×145像素和224个通道组成，波长范围为0.4~

2.45μm，空间分辨率为20m，共16种地物类型。去除

24个吸水严重的通道，剩下的200个通道作为实验数据

图2RF⁃PCA⁃RF算法流程

集。图3所示为IndianPines的三波段假彩色图和真实

地物类别图。

RF⁃PCA⁃RF算法的具体执行步骤为：

标准差δ

，滤波次数T。

输入：维度为K高光谱图像Y，空间标准差δ

和光谱

1）对高光谱图像Y进行递归滤波处理，去除图像

=RF

(

,δ

k=1,2,…,K

,δ

)

中的大部分噪声和弱边缘，即：

式中：

，

为递归滤波器的第1个参数，

为控制滤波

{

,…,F

}

（4）

（5）

器窗口的大小，

F为第一次

为控制滤波器的模糊度；

滤波后K个波段的图像。

若直接将第一次滤波后的高光谱数据输入到分类器，虽

信息可能导致Hughes现象

[13]

和额外的计算负担。为解

2）对第一次滤波后的图像用PCA进行特征提取。

然可以利用它们之间的互补信息，但是包含的大量冗余

决上述问题，本文对数据进行PCA处理，因为PCA不仅

可以降低数据的维度，而且可以提高地物之间的光谱可

分性，这是PCA的优势所在。具体操作如下：

P=PCA

(

F,N

)

图3IndianPines的三波段假

彩色图和真实地物类别图

（6）

式中：N是保留在P中主成分数量；F是进行初次滤波后传感器获取的来自Pavia大学的高光谱图像，图像的大

2）UniversityofPavia数据集。该场景是由ROSIS

第8期

陆美，等：基于递归滤波的高光谱图像地物分类方法

，小为610×340空间分辨率为1.3m，共9种地物类型。

去除吸水严重的12个通道，其余103个通道作为实验

数据集。

图4所示为UniversityofPavia的三波段假彩色图

和真实地物类别图。

图5不同的δ

和δ

值对分类精度的影响

3.1

实验结果与分析

为验证RF⁃PCA⁃RF分类方法的优越性能，本文使

不同分类算法比较

用RF⁃PCA⁃RF与其他的高光谱图像分类方法进行对比

图4UniversityofPavia的三波段

假彩色图和真实地物类别图

实验，如原图像经递归滤波后分类（RF⁃SVM）、边缘保留

[2]

滤波（EdgePreservingFiltering，EPF）、图像融合与递归

[14]

滤波（ImageFusionandRecursiveFiltering，IFRF），与

2.2

在实验中设置不同的参数会对RF⁃PCA⁃RF方法的

参数设置

经典的逐像素分类算法SVM和模拟图像空间结构的扩

[15]

展形态学轮廓（ExtendedMorphologicalProfiles，EMP）

分类精度产生影响，图5a），b）所示分别为IndianPines

和UniversityofPavia数据集第二次递归滤波的空间标

准差δ

和光谱标准差δ

变化时滤波效果对RF⁃PCA⁃RF

方法最终总体精度（OA）的影响。

从图5中可知：当δ

和δ

的值非常小时，只能考虑到

方法。EPF方法首先采用支持向量机对每个像素进行

分类；然后用双边滤波和引导滤波对分类概率图进行优

化，以确定最终的样本标签

[2]

。IFRF方法使用递归滤波

对图像进行预处理，是一种简单的特征提取方法，提高

了图像的可解释性

[14]

。EMP算法通过采用不同尺度的

固定形态结构元素迭代地进行打开、关闭和重建操作，

以提取图像特征来模拟图像的空间结构

[15]

。这些方法

中使用到的实验参数均采用原文献中的默认参数。为

减少样本的随机选择对实验结果带来的影响，每种方法

都采用不同的样本训练10次，最后得到的分类精度是

这10次实验结果的均值。

3.2

在IndianPines数据集中，随机选择总样本的5%作

实验结果

非常有限的局部空间信息，提取到的图像边缘特征也极

为有限，导致最终的分类精度不高；当δ

和δ

值很大时，

则会对图像造成过度平滑，丢失有用的边缘轮廓信息，

导致地物分类错误。

和δ

的值分别为15和0.3时，RF⁃PCA⁃RF方法获得最好

和δ

的值分别为15和0.12时，获得最优分类精度。

从图5中可以观察到：对于IndianPines图像，当δ

的总体分类精度；在UniversityofPavia数据集上，当δ

一次实验的分类精度。

表1各算法的分类性能对比（IndianPines）

类别

Alfalfa

Corn⁃notill

Corn⁃min

Corn

Grass/pasture

Grass/pasture⁃

owed

Oats

Soybean⁃notill

Soybean⁃min

Soybean⁃clean

Wheat

Woods

Grass/trees

SVM

22.73

63.60

61.98

40.89

81.70

94.08

37.04

98.02

5.26

72.16

73.93

54.00

98.46

93.59

EMP

20.00

87.41

80.38

86.30

95.96

97.53

88.46

99.78

42.11

87.09

90.26

86.27

98.45

98.42

66.67

65.93

89.29

80.69

87.80

EPF

100

84.83

85.51

52.73

98.61

97.19

100

80.64

80.75

90.39

100

94.07

87.74

76.92

86.16

89.34

84.08

IFRF

58.97

89.24

77.43

98.09

93.99

99.00

100

41.67

82.15

98.40

93.66

92.47

100

98.56

79.22

92.35

87.68

91.30

RF⁃SVM

72.73

94.62

89.61

85.78

93.46

98.41

81.48

99.56

63.16

93.61

96.87

92.45

91.79

98.84

98.09

97.73

95.20

90.52

94.52

现代电子技术

2023年第46卷

剩余的95%作为测试样本。表1所示为某为训练样本，

类效果图如图6a）~f）所示。从图中可以看出，RF⁃PCA⁃

RF方法分类结果图中的“椒盐噪声”较少，分类结果更

接近于地面真值图。

RF⁃PCA⁃RF

100

97.64

99.11

86.71

100

78.94

97.94

99.57

94.32

98.97

100

97.54

98.86

98.17

96.80

97.90

Hay⁃windrowed

图6不同方法在IndianPines上的分类效果图

对于UniversityofPavia数据集，随机选取总样本的

0.4%作为训练样本，剩余的99.6%作为测试样本。由

表2可知，本文所提出的方法RF⁃PCA⁃RF在所有指标上

均显著优于其他算法。与其他方法相比，RF⁃PCA⁃RF

分别高出SVM，EMP，EPF，IFRF，RF⁃SVM约10%，4%，

12%，6%，4%；相比于SVM中一些识别不准确的类别，

如Bare⁃Soil，精度从65.36%提高到99.70%。与表2所

对应的分类效果图如图7a）~f）所示。由图7可知，

RF⁃SVM算法和RF⁃PCA⁃RF算法均能在训练样本较少

的情况下更好地区分每类地物，但是RF⁃PCA⁃RF的分

更高。

表2各算法的分类性能对比（UniversityofPavia）%

Bldg⁃grass⁃trees⁃

43.05

drives

Stone⁃steel

towers

Kappa

85.23

73.75

64.11

70.05

类效果图更能够接近地面真值，在边缘处的分类精度

由表1可知，本文所提出的RF⁃PCA⁃RF方法在OA、

AA和Kappa指标上都取得了最优效果。在样本较少的

情况下，有5种地物取得了100%的分类精度，并且大多

数地物的总体分类精度均高于97%，RF⁃PCA⁃RF比其他

方法平均提高了约11%的总体分类精度。与只利用图

像光谱信息的SVM方法相比，其他结合空间光谱信息

的方法能明显改善图像的分类效果；与采用双边滤波和

引导滤波进行图像处理的EPF方法相比，RF⁃PCA⁃RF能

够提取到图像的多尺度边缘特征，并阻止边缘地物信息

的混淆，从而获得更好的分类精度；与IFRF方法相比，

RF⁃PCA⁃RF方法能够提取到更准确的边缘特征并有效

地减少图像中的强噪声和细小的纹理结构，总体分类精

度高出约6%；与RF⁃SVM方法相比，本文所提出的方法

不仅可以有效消除图像中冗余的信息，并且能强化图像

的空间结构，获得更好的分类效果。与表1所对应的分

类别

Asphalt

Meadows

Gravel

Trees

Metal⁃sheets

Bare⁃Soil

Bitumen

Bricks

Shadow

Kappa

SVM

77.03

91.82

55.24

74.90

98.21

65.36

67.62

76.79

99.89

81.74

78.54

75.62

EMP

94.28

91.81

75.43

93.48

62.56

78.18

97.43

91.89

66.95

88.62

83.55

84.76

EPF

97.91

94.49

67.94

93.39

93.51

49.68

61.15

76.14

98.71

79.82

81.44

74.53

IFRFRF⁃SVMRF⁃PCA⁃RF

86.25

97.00

69.07

93.79

96.50

82.11

53.08

71.24

85.51

86.49

81.62

82.34

79.51

98.74

88.67

54.91

89.55

99.80

91.92

70.77

27.57

87.77

77.94

83.68

89.63

99.08

87.42

66.42

99.78

99.70

97.36

76.93

68.93

92.17

87.25

89.52

发布者：admin，转转请注明出处：http://www.yc00.com/web/1713877682a2336413.html

211062321_基于递归滤波的高光谱图像地物分类方法

发表回复

评论列表（0条）

联系我们

400-800-8888

211062321_基于递归滤波的高光谱图像地物分类方法

相关推荐

发表回复

评论列表（0条）

联系我们

400-800-8888