摘要
针对遥感图像样本较少、特征维数高、特征对分类器贡献差异等问题,提出一种多角度、多尺度特征增益的多级稀疏表示遥感图像分类方法,将遥感图像在8个角度5个尺度高斯分解以提取Gabor视觉特征,将粒子群算法中的惯性权重和加速因子设置为适应度的函数以避免早熟和加速收敛,改进后的粒子群算法寻找中心最大频率和带宽参数的最优取值,通过稀疏表示构建Gabor特征视觉词典,形成遥感图像稀疏系数矩阵作为分类器的输入,在分类器中引入信息熵和条件熵,计算特征增益以区分不同特征对分类器的贡献差异,并给出特征增益支持向量机高斯核函数的表达式实现图像分类.在Pavia University数据集上仿真测试结果为:改进粒子群寻优中心最大频率和带宽组合参数后相比随机确定组合参数的分类精度分别提高67.56％和62.49％,均方误差分别降低0.4321和0.4309,30步训练时间增加了37.354 s和34.276 s,分类的总体精度相比未考虑特征增益的SVM、BoVW或PLSA分别提高了1.96％、4.47％和5.39％,Kappa系数分别提升0.0389、0.0685和0.0768.和弦图对分类结果可视化,更加直观地表现出所提方法类间混淆最少,总体分类精度最高.结果表明:二维Gabor滤波器组的中心最大频率和带宽对分类器的性能具有较大影响,通过寻优组合参数值用较小的时间可换取分类性能的较大提升,低频窄带提高了图像的描述能力和可解释性,特征增益可进一步提升分类器的性能,从而整体上改善遥感图像分类效果.
国家科技期刊平台
NSTL
万方数据