超像素级Gabors特征融合的高光谱图像分类方法

"该论文主要探讨了面向高光谱图像分类的超像素级Gabor特征融合方法，简称SPGF。作者通过使用二维Gabor滤波器提取高光谱图像的有效特征，并结合SLIC超像素分割技术，将图像划分为同质区域。接着，利用支持向量机(SVM)对每个Gabor特征模块进行分类，并采用多数投票策略融合分类结果。最终，通过SLIC超像素图对分类结果进行修正，以提高分类准确性。实验证实在两个真实高光谱数据集上，SPGF方法相对于其他经典算法表现出更优的分类性能。该研究受到国家自然科学基金和广东省、深圳市科研项目的资助，作者们专注于高光谱图像处理和机器学习领域的研究。" 在高光谱图像处理中，高光谱图像由于其丰富的光谱信息和较高的空间分辨率，被广泛应用于遥感、环境监测、军事侦察等多个领域。然而，由于光谱混合和噪声的影响，传统的基于像素级别的分类方法往往面临挑战。为了解决这些问题，本文提出的超像素级Gabor特征融合方法（SPGF）引入了超像素分割和Gabor滤波器的概念。 超像素分割是将图像分割成多个具有相似光谱特性的区域，这种方法有助于减少光谱混合，增强图像的局部一致性。SLIC（Simple Linear Iterative Clustering）是一种常用的超像素分割算法，它通过优化颜色和空间距离来生成紧凑且均匀的超像素，为后续的分类提供更加结构化的输入。 Gabor滤波器是一种能在频域和空域同时进行分析的工具，尤其适用于纹理和边缘检测。在高光谱图像中，Gabor滤波器可以提取出空间和光谱信息的联合特征，这些特征对于区分不同的地物类型非常有用。论文中，作者首先用一组预定义的二维Gabor滤波器对原始图像进行卷积，提取出一系列特征。 接下来，支持向量机(SVM)作为一种有效的分类器，被用于对每个Gabor特征模块进行单独分类。SVM通过构建最大边距超平面，能够找到最佳的决策边界，有效地处理高维数据。多数投票策略则用于融合各个Gabor特征模块的分类结果，以提高整体分类的稳定性和准确性。 最后，为了进一步提升分类精度，论文利用SLIC超像素图对初步分类结果进行修正。SLIC超像素的边界信息可以帮助校正内部可能存在的分类错误，确保分类结果更符合实际的地物分布。 实验结果显示，SPGF方法在两个真实的高光谱数据集上，相较于其他传统算法，如基于像素的分类方法或简单的特征融合策略，取得了更高的分类精度。这表明超像素级的Gabor特征融合在高光谱图像分类中有显著的优势，为高光谱图像处理提供了新的思路和技术手段。