高光谱图像分类新方法：Gabor滤波与同质性判定结合

"这篇论文是2013年发表在《应用科技》杂志第40卷第4期的一篇工程技术类论文，由王立国和肖倩共同撰写，发表于哈尔滨工程大学信息与通信工程学院。该研究关注的是高光谱图像分类问题，通过结合空间信息和光谱信息来提升分类的准确性。论文提出了一个新颖的分类方法，包括使用主成分分析（PCA）和无参数加权特征提取（NWFE）进行特征提取，二维Gabor滤波获取纹理特征，以及利用支持向量机（SVM）进行分类，并通过多尺度区域同质性判定优化分类结果。实验结果显示，该算法能有效去除噪声像素，提高图像分类精度。" 本文主要探讨了高光谱图像分类领域的一个重要议题，即如何充分利用光谱和空间信息来改善分类效果。传统的高光谱图像分类算法往往过于依赖光谱特性，而忽视了空间信息的价值。论文作者针对这一问题，提出了一套综合性的解决方案。 首先，他们采用了主成分分析（PCA）作为预处理步骤，这是一种常用的数据降维方法，能将高维度的光谱数据转换为一组线性无关的主成分，降低数据复杂性，同时保留大部分信息。接着，通过无参数加权特征提取（NWFE）进一步提取关键特征，这种方法可以根据特征的重要性赋予不同的权重，以增强分类性能。 然后，论文引入了二维Gabor滤波，这是在PCA的第一主成分基础上进行的，以提取图像的纹理特征。Gabor滤波器在图像处理中常用于纹理分析，因为它能捕捉到局部结构和方向信息，这对于理解高光谱图像的空间模式至关重要。将这些纹理信息与光谱信息相结合，论文使用支持向量机（SVM）进行分类。SVM是一种强大的机器学习模型，尤其适用于小样本和非线性分类问题。 最后，为了提升分类精度，论文采用了多尺度区域同质性判定策略。这种方法基于图像区域内部像素的一致性，可以在不同尺度上检测和分割出具有相似性质的区域，有助于消除噪声干扰和边界模糊问题，从而提高分类的准确性和稳定性。 这篇论文通过集成多种技术手段，实现了高光谱图像分类的性能提升，对于遥感、地球观测等领域有着重要的应用价值。通过实验验证，该算法的有效性得到了体现，对于未来高光谱图像处理的研究提供了新的思路和参考。