基于双边滤波信息的超光谱图像光谱-空间分类方法

"这篇论文提出了一种基于极端学习机（ELM）的超光谱图像分类新方法，通过在光谱子集上应用双边滤波信息来增强空间-光谱信息的集成，以提高分类准确性。针对单层前馈神经网络（如ELM）在处理超光谱图像（HSI）时，由于训练样本有限导致的分类结果噪声较大的问题，该方法引入了空间双边滤波，结合光谱子集的划分，旨在显著提升基于像素级核ELM的分类性能。其优点主要体现在两方面：1）光谱结构相似性指导的子集划分，以及2）通过双边滤波融入光谱-空间信息。实验结果验证了该方法的有效性。" 本文研究的焦点是利用极端学习机（ELM）进行超光谱图像的分类，这是一种单层前馈神经网络，近年来在HSI分类领域取得了良好的效果。然而，当训练样本量有限时，仅依赖光谱特征的像素级分类器往往会导致分类结果噪声较大，不够精确。为了克服这个问题，作者提出了一个新的策略，即结合光谱-空间信息。 策略的核心是采用空间双边滤波信息来处理光谱子集。双边滤波是一种有效的非局部图像处理技术，它结合了空间邻近度和灰度相似性，能够保留图像边缘同时平滑噪声。在超光谱图像分类中，通过在特定的光谱子集上应用双边滤波，可以提取出更丰富的空间-光谱特征，从而改善分类的准确性。 方法的第一步是根据光谱结构的相似性来划分光谱子集。这种分区策略有助于识别和利用不同光谱波段之间的内在联系，增强分类器对图像复杂性的理解。 接下来，双边滤波被用来融合这些光谱子集中的空间信息。这种融合方式考虑了像素的空间位置和光谱相似性，能够在保持图像细节的同时减少分类噪声，尤其在样本量有限的情况下，能够提高分类的稳健性和精度。 实验部分，作者对比了提出的ELM方法与传统方法，例如支持向量机（SVM），展示了新方法在分类精度上的优势。这表明，通过光谱结构相似性指导的子集划分和双边滤波集成光谱-空间信息，可以有效地提升超光谱图像的分类性能。 该研究为超光谱图像分类提供了一个新颖而实用的解决方案，通过改进的ELM模型和双边滤波技术，增强了分类的准确性，尤其在训练数据有限的条件下，这一方法具有很高的应用价值。