基于多分类器和决策融合的高光谱图像分类系统

"这篇论文提出了一种多分类器与决策融合系统用于高光谱图像分类的方法，通过使用窗口化的三维离散小波变换（3DDWT）提取图像的光谱-空间特征，这些特征能够量化局部的方向和尺度特性。由于单个子带（即 'LLL' 子带）在利用有用信息方面存在不足，研究中首先将单级双对称的3D DWT的8个子带（LLL, LLH, LHL, LHH, HLL, HLH, HHL, HHH）融合，以解决小样本问题。此外，该系统采用多个分类器进行分类，并通过决策融合策略提高分类性能。" 本文的重点在于利用3DDWT对高光谱图像进行深度分析，以克服传统方法在处理高光谱数据时遇到的小样本问题。高光谱图像具有丰富的光谱信息，但同时也面临着大量的数据和潜在的过拟合风险。3DDWT作为一种有效的信号分析工具，能够同时考虑光谱和空间信息，通过分解得到的不同子带，可以捕捉到图像不同尺度和方向的特征。 具体来说，论文首先对图像进行3DDWT，生成8个子带。由于 'LLL' 子带主要反映低频信息，可能无法充分提取细节特征，因此将所有8个子带进行融合，这样可以更全面地利用数据中的信息，增加分类的稳健性。这一过程有助于缓解高光谱图像分类中的样本量不足问题，尤其是在训练样本有限的情况下。 接下来，文章提到了多分类器系统。通常，单一的分类器可能无法达到最佳的分类效果，而通过集成多个分类器（如支持向量机、随机森林、神经网络等）并应用决策融合策略，可以进一步提升整体分类的准确性和鲁棒性。决策融合是指将各个分类器的输出结果合并，通常基于投票或加权平均等方法，以得到最终的分类决策。 本研究的核心在于结合3DDWT的光谱-空间特征提取和多分类器决策融合策略，为高光谱图像分类提供了一种有效的方法。这种方法不仅充分利用了高光谱数据的丰富信息，还通过融合多种分类器的决策提高了分类性能，对高光谱图像处理领域有着重要的理论和实际意义。