基于二叉划分树的多维尺度分析高光谱图像分类方法

本文主要探讨了一种基于二叉划分树的多维尺度分析图像分类算法，发表于2015年的论文中。高光谱遥感成像技术因其能够提供空间、辐射和光谱三重信息，被广泛应用于多个领域，如军事、农业、气象和地质等。对于高光谱图像分类，关键任务是识别地面物体的类别和特性，这涉及到信息提取、运动预测以及专题地图制作等。 传统方法中，二叉划分树（BinaryPartitionTrees，BPT）作为一种有效的分类工具，通过逻辑判断结合人脑知识，提高了分类效率。然而，这类算法在处理高光谱图像时，可能会受到类内差异和类间差异变化的影响，且未充分利用图像中波段之间的空间关联性。为解决这些问题，本文作者提出了一种创新的策略，即在BPT的基础上引入多维尺度分析（Multi-scale Analysis，MSA），旨在增强对区域模型的相似性评估，并减少冗余信息。 首先，算法通过分析高光谱图像，构建区域模型来表示不同的地物特征。然后，运用多维尺度分析对这些区域模型进行处理，量化不同区域间的相似度，这有助于捕捉波段间的空间关联性，从而更好地反映地物的特征组合。接下来，通过测量和比较区域间的关联性，算法能够有效地进行区域合并，形成一个层次化的二叉划分树结构。 在树形结构中，通过修剪函数进一步优化树的形态，去除那些不重要的或相似度较低的节点，这有助于提高分类的准确性。最后，这种基于多维尺度分析的BPT方法在实际应用中显示出了良好的分类性能，尤其是在处理高光谱图像复杂性方面，证明了它在提高分类精度方面的有效性。 这篇论文提供了一个创新的思路，通过结合二叉划分树的逻辑决策与多维尺度分析的空间关联性考量，解决了高光谱图像分类中的问题，为相关领域的研究者们提供了一种新的工具和技术参考。