基于超像素重构的多尺度高光谱图像分类方法OA

为了进一步提升高光谱图像的分类精度,提出了一种基于超像素重构的多尺度高光谱图像分类方法。该方法利用像素间的空间相似性,更有效地提取高光谱数据的低维特征。首先,为了充分捕捉图像中的多尺度空间特征,采用超像素分割技术提取同质区域,生成多个尺度的分割结果。在每个尺度的超像素区域内,利用属于同一超像素块的相邻像素建立空间邻域重构模型。接着,使用基于超像素的主成分分析对不同尺度的超像素区域进行降维。分类过程中,使用支持向量机针对每个尺度的低维特征进行训练,然后通过多数投票机制融合,充分利用不同尺度的信息。为了验证所提算法的性能,在3个真实数据集上进行实验分析,证明了该方法的优越性。