EN中文

Journal of Geo-information Science >

2014 , Vol. 16 >Issue 6: 941 - 948

DOI: https://doi.org/10.3724/SP.J.1047.2014.00941

Orginal Article

A Hybrid of Object-based and Pixel-based Classification Method with Airborne Hyperspectral Imagery

  • LI Xueke , 1, 2 ,
  • WANG Jinnian , 1, * ,
  • ZHANG Lifu 1 ,
  • YANG Hang 1 ,
  • LIU Kai 3
Expand
  • 1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences,Beijing 100049, China
  • 3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
*Correspongding author:WANG Jinnian, E-mail:

Received date: 2014-04-23

  Request revised date: 2014-06-26

  Online published: 2014-11-01

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Hyperspectral imagery generally contains hundreds of contiguous narrow bands, which could provide detailed spectral information for target detection and image classification. Traditional hyperspectral classification fails to generate expected results since it simply considers spectral or textural properties at the pixel scale in the context of natural complexity. In this article, a hybrid classification method was proposed which takes full advantages of spectral and spatial features by fusing object-based segmentation results with traditional per-pixel classification results. Based on this concept, two specific hybrid classification approaches were employed: (1) the mixture of multi-scale segmentation and SVM classification and (2) the mixture of multi-band watershed segmentation and SVM classification. In the first proposed method, spectral variations were attenuated by converting them into homogenous image objects at multiple scales; while, the latter method aggregates spatial information and morphological profiles into the segmented objects to achieve the homogeneous classification. The two classification algorithms were applied to airborne hyperspectral imagery and the results show that the overall accuracy based on traditional pixel-wise classification reaches about 82.49%, relatively lower compared with the hybrid object-based classification methods, which are 92.63% (Method 1) and 96.13% (Method 2) respectively. In addition, Method 2 performs better than Method 1 since it produced a smoother boundary, partly because Method 2 needs less user-defined parameters, and the iterative “trial-and-error” of which may affect the classification results. In conclusion, this study demonstrates that the hybrid of object-based classification is a significantly more robust approach than the traditional per-pixel classifier. The proposed method overcomes the spectral confusion, solves the problem of land fragmentation, and provides a solution to map complex environments accurately.

Key words： airborne hyperspectral imagery; object-based; Support Vector Machines (SVM)

Cite this article

LI Xueke , WANG Jinnian , ZHANG Lifu , YANG Hang , LIU Kai . A Hybrid of Object-based and Pixel-based Classification Method with Airborne Hyperspectral Imagery[J]. Journal of Geo-information Science, 2014 , 16(6) : 941 -948 . DOI: 10.3724/SP.J.1047.2014.00941

1 引言

高光谱遥感技术可揭示丰富的地物光谱信息,在地物分析与识别方面具有较大的优势[1]。但其分类中容易出现“椒盐现象”,致使传统的高光谱分类识别技术在应用中存在许多问题。
目前,在分类识别技术中,支持向量机(Support Vector Machines, SVM)在解决小样本和高维模式识别中具有其特有的优势：Pal[2]认为SVM方法几乎不受Hughes影响,其分类能力优于常见的分类器,譬如最大似然分类器(Maximum Likelihood Classifier, MLC)和神经网络分类器;George[3]利用EO-1 Hyperion图像对树种进行精细分类,发现SVM明显优于光谱角分类;Kavzoglu[4]利用LANDSAT ETM+和ASTER遥感数据并结合SVM和MLC进行土地覆盖分类,发现SVM尤其是径向基核函数SVM算法相较于MLC能够取得更高的分类精度;黄昕[5]提出了一种将光谱和形状特征融合的SVM分类算法,表明SVM分类器能有效利用地物的光谱和空间特征,改善分类精度;许菡[6]提出了一种用于加权后验概率的支持向量机进行影像混合像元分解,降低了分类器受土地覆盖类型模糊样本点的干扰。然而,上述应用的分类方法只是以逐像元的光谱或纹理特征进行识别,很少考虑地物空间结构信息与空间特征的相关性,存在着一定的 局限。
面向对象的遥感分类方法可实现较高层次的地物信息提取,其减少了分类中的不确定性,可充分利用图像的几何结构、空间信息及上下文信息,有效地改善传统分类方法,在遥感分类中具有广阔的发展前景[7-9]。但是,影像处理单元从像元到对象会造成部分光谱信息的损失,从而模糊不同地物间光谱特性的差异[10],如果将面向对象与逐像元的分类器进行融合,利用对象的光谱特征和空间结构特征进行混合分类,可有效地提高分类精度[11-12]。鉴此,本文提出了一种面向对象的混合分类方法,即引入多尺度分割的SVM分类和多波段分水岭分割的SVM分类,将面向对象的分割结果与像元尺度的SVM分类结果进行融合。其中,前者结合形状、结构和纹理等空间信息将像元聚合为多尺度均一对象,而后者则是对生成的形态学梯度图像进行多层分水岭分割。实验表明,此算法提高了航空高光谱数据的分类精度。

2 航空高光谱图像混合分类算法

首先,本文对SASI(Shortwave Infrared Airborne Spectrographic Imager)航空高光谱影像进行预处理;然后,利用主成分分析(Principal Component Analysis, PCA)提取主要成分波段,并利用SVM分类器进行像元级分类;最后,将SVM分类结果和2种面向对象的分割结果进行有效融合,其流程见图1。
Fig. 1 The flowchart of proposed method

图1 算法流程图

2.1 图像分割方法

2.1.1 多尺度分割
本文采用分形网络演化法(Fractal Net Evolution Approach, FNEA)进行多尺度分割,利用区域生长技术实现具有相似光谱的邻域对象间不断合并增长,最终形成一个多尺度同质对象网。FNEA的核心算法是区域生长技术,这一技术主要是通过种子点选取、生长准则确定和合并终止条件制定等步骤来实现相似像元集合的构建[13]。其中,区域异质性准则主要是通过对象间的光谱和形状差异度进行量化,用式(1)-(3)表示：
D = w spec tr al ∙ h spec tr al + w spatial ∙ h s h ape 0 ≤ w spec tr al ≤ 1 (1)
h spec tr al = ∑ i = 1 n W i N Merge σ M erge - N 1 σ 1 + N 2 σ 2 (2)
h s h ape = W compact ∙ h compact + W smoo t h ∙ h smoo t h (3)
式中,wspectral和wshape分别为描述光谱及形状差异度的权重值;hspectral和hshape则是相应的差异度量值;n是遥感影像波段数; Wi是i波段的权值;N1,N2,NMerge N Merge 是子对象和合并对象内的像元个数;σ1,σ2,σMerge分别为相应的标准差;平滑量值hcopact和紧致量值hsmooth是2个描述形状差异性度量的指标。
2.1.2 多波段分水岭分割
分水岭分割算法依托于数学形态学理论,对地物表面的细微灰度变化具有良好的响应。首先,对梯度图像构建分水岭线,在处理过程中若梯度图像的峰值线与相应的对象边界趋于吻合,便将其确定为分水岭的位置;然后,利用生成的分水岭线将影像分割为许多局部极小值集水盆,这些集水盆的边界可作为分割线并将全景影像分割为若干均质对象[14-15]。传统的分水岭算法在处理时容易产生过渡分割现象,为了消除这一影响,本文引入了迭代标记方法[12,16-17],使生成的集水盆只响应目标地物。在实际处理过程中,先计算初始梯度分割结果的统计参数(均值和方差),并利用这些参数构建最优间隔的二值图,同时记录大于最小尺寸阈值的连通闭合区域的数目;最后,将包含最大数目的连通区域的阈值分割结果作为输出图像。
另外,常规的分水岭算法只能处理单波段影像,并不适合多个波段的图像,特别是高光谱图像。因此,本研究采用了一种适合多波段数据的改进分水岭处理算法[18-19],可以对特征提取的多波段图像进行梯度向量计算：利用Sobel算子获取各个单波段的梯度值,对于每个像元向量 x ,可令 χ = x 1 , x 2 , ... , x i 为一个结构元素集合,其用来表示向量间的最大距离形态学梯度,可用式(4)来描述。本文采用了欧式Euclidean距离,为了消除噪声的影响,距离最远的2个像元点 REM 并没有考虑,故式(4)可进一步改写为式(5)。

2.2 图像识别分类算法

本研究采用的支持向量机分类器是在ENVI 4.8环境下实现的。它是以统计理论并参照结构风险最小原则和VC维理论,利用少量样本数据在模型的复杂度与学习能力之间寻求最佳的泛化能力。SVM方法的基本目标是在所构建的高维空间中找到一个低维的分类超平面,使其能形成最强的二类地物分类能力,其基本原理[20]为：对于训练样本 { x e , y e } ,可建立一个最优的低维超平面 w T x e + b = 0 ,使其满足式(6)的约束条件。其中, x e 、 y e 为输入参数和输出参数,而 w 和 b 分别为权值向量和偏置。另外,为了使决策超平面在训练样本上有最小的平均分类误差,可利用Lagrange法则转化为一系列带有限制条件的约束问题,其推导如式(7)-(9)[20]所示。
y e w T x e + b ≥ 1 - α (6)
f w , α = 1 2 w 2 + C ∑ i = 1 n α i (7)
P β = ∑ i = 1 n β i - 1 2 ∑ i = 1 n ∑ j = 1 n β i β j y i y j K x i , x j (8)
∑ i = 1 n β i y i = 0 , 0 ≤ β i ≤ C , i = 1 , ... , n (9)
式中, α 是一个表述该决策模式对最佳线性可分的偏离程度的松弛变量; C 是一个错分样本的惩罚系数; β i = 1 n 为样本数据对应的Lagrange乘子系数; K x i , x j 为核函数。
对上述2种分割方法的结果,采用多数投票规则[21-22]将其与SVM逐像元分类图分别进行有效融合,即以SVM分类图为基准图,分割结果图中的每个子对象作为滤波器,其与常用滤波器的不同是非采用固定的邻域,而是自适应邻域,该邻域包含了实际的空间布局特征,通过遍历自适应邻域中所包含的像元类别,将各对象自动划归为该对象中占大多数的类别。

3 航空高光谱图像混合分类算法的实验

3.1 实验数据

本研究使用的是2010年8月15日河北省石家庄地区短波红外谱段航空高光谱SASI图像(参数见表1),其大小为1120×2379(图2)。首先,对数据进行预处理,剔除水汽波段后剩余70个波段,利用实测的典型地物控制点对该高光谱图像进行几何校正;然后,采用MODTRAN大气校正模块做辐射校正,反演得到地表反射率值。
Tab. 1 Parameters of SASI

表1 SASI传感器参数

参数 SASI-600
光谱范围(μm) 0.95~2.45
光谱分辨率(nm) 15
波段数(个) 101
瞬时视场角(°) 0.068
视场角(°) 40
每行像元数(个) 640
量化水平(bits) 14
Fig. 2 The study area and its typical ground features

图2 研究区及典型地物图

实验区主要覆盖了石家庄部分城市区域,用于分类的地物类型包括PVC材质地物(以下简称PVC)、金属材质屋顶(以下简称金属)、沥青材质地物(以下简称沥青)、混凝土材质地物(以下简称混凝土)、树木、草地、裸土、水体及阴影,其样本光谱曲线如图3所示。为了真实评价各类地物,阴影将被当作一类独立地物(表2)。另外,实地调查及同一年份的高分辨率WorldView 2图像(全色0.5 m,可见光和近红外2 m,2010年9月)和GOOGLE EARTH图像(2010年10月)将作为辅助数据,用于选取样本点。为了获取独立的样本集用于训练和验证,本研究采用分层随机抽样的方法[23],得到了14 185个样本像元,并按比例将样本随机分为训练集和验证集,其中,约有1/3的样本用于分类器训练,而剩下的2/3样本用于精度评价分析。
Fig. 3 The spectral curves of samples

图3 样本光谱曲线图

Tab. 2 Land cover classification scheme, overall sample size and training sample size

表2 分类系统及样本点信息

类别 ID 类别定义 总体样本(像元个数) 训练样本(像元个数)
PVC 1 建筑板材、人造草皮等 1104 364
金属 2 屋顶材料 1052 347
沥青 3 屋顶材料、道路 1027 339
混凝土 4 屋顶材料、道路 1226 405
树木 5 不同种类的树木,主要分布于道路两侧、建筑物及水体周围等 1035 342
草地 6 天然草地,主要分布于公园、居民点周围等 1032 341
裸土 7 低植被覆盖区域,分布于公园、工地等 1177 388
水体 8 主要为环城水系 4349 1435
阴影 9 主要为阴影建筑,少量遮阴树,阴影路面等 2183 720

3.2 实验结果与分析

SASI高光谱数据各波段之间具有较强的相关性,若直接用于分类会增加构建分类器的难度,从而制约后续分类精度。因此,在分类处理前采用主成分分析(PCA)提取主要特征波段,本研究选用了PCA变换后的前4个波段用于后续处理,这主要考虑到：一是进行降维;二是提取信息量大的波段在分割处理过程中可取得较理想结果[24-25]。
(1)基于像元的SVM分类
基于像元的SVM分类选用了径向基核函数(Radial Basis Function,RBF)[26-27],该核函数中的2个调优参数(惩罚因子C和核参数γ)分别表示高斯核宽度和离群点对目标函数损失的重视程度。本文采用网格搜索算法选择(C, γ),使其具有最佳交叉验证精度,经过反复试验后选取γ=1,C=10。图4为SVM的分类结果图,表3为对应的混淆矩阵。该分类结果的总体分类精度和kappa系数分别为82.49%和0.79。其中,PVC、沥青、水体均有着较高的分类精度,这与它们的光谱特性密不可分。从图3的样本点光谱曲线图中可看出,含有PVC材质的两类地物(建筑板材和人造草皮)的光谱曲线明显区分于其他地物的光谱曲线。相比之下,混凝土与阴影的分类精度不是很理想,分别是59.68%和52.36%。对于混凝土而言,它的光谱曲线与裸土2较为相似(裸土1由于有少量植被覆盖,在1.5~1.8 μm处曲线变化较为明显,可与混凝土区分开来),因此,仅仅通过光谱曲线很难区分二者,可借助航空图像高空间分辨率的优势,融入空间信息将其区分。对于阴影而言,它与水体的光谱曲线极为相似,但从城市分类应用角度而言,它是无意义的类型,因此,在选取样本点时,人为地增大了水体样本点的比例,这也是绝大部分阴影被误分到水体的原因。林地与草地一般情况下很难区分,这是因为在真实世界中,树木与草地经常分布在一起,在遥感影像上很容易产生混合像元的现象。此外,SVM分类“椒盐现象”比较严重,在高密度居民点区,本应为道路的类别被其他类别的“斑块”切割或淹没,分类效果较为破碎。
Fig. 4 Per-pixel SVM classification result

图4 像元的SVM分类结果图

Tab. 3 Error matrix of per-pixel SVM classification result

表3 像元的SVM分类混淆矩阵

类别 参照样本(像元个数) 制图精度(%) 用户精度(%)
PVC 金属 沥青 混凝土 树木 草地 裸土 水体 阴影
PVC 740 0 0 2 0 0 0 0 0 100 99.73
金属 0 615 0 43 0 0 0 0 0 87.23 93.47
沥青 0 0 675 16 0 0 0 4 56 98.11 89.88
混凝土 0 85 13 490 0 0 162 0 0 59.68 65.33
树木 0 0 0 0 580 82 0 0 0 83.69 87.61
草地 0 0 0 0 113 609 0 0 0 88.13 84.35
裸土 0 0 0 270 0 0 627 0 0 79.47 69.51
水体 0 0 0 0 0 0 0 2738 641 93.96 81.03
阴影 0 0 0 0 0 0 0 172 766 52.36 81.66
总体精度(%) 82.49
kappa系数 0.79
(2)面向对象的混合分类方法
①多尺度分割的SVM分类
在FNEA多尺度分割处理时,尺度参数是一个关键参数,其直接决定了分割对象的大小[28-29]。本文利用ESP(Estimation of Scale Parameter)算法来估算最优尺度,该方法基于标准差一致性原则,认为随着分割尺寸的增大,最优参数的标准差也持续增长,直到与真实地物值趋于一致,本文选取scale=3,shape=0.1。
对于FNEA分割后的结果,采用多数投票规则将其与SVM分类图进行融合(图5)。由图5可看出,多数地物基本上呈面状分布,“椒盐现象”基本消除。表4给出了表征分类精度的混淆矩阵,可看出这一方法的总体精度与kappa系数较传统的SVM分类结果均有较大幅度提升,分别提高了10.14%和0.123,达到了92.63%和0.913,绝大多数类别的制图精度与用户精度都有所提高。其中,混凝土和裸土分类精度的提高最为显著,分别为33.5%和33.7%,分类精度达93.18%和86.06%,且阴影误分为水体的情况也有所改善。但是,PVC和水体的精度略微有所下降,这主要是因融入面向对象的分割处理后,使研究区内分布不多的PVC与水体纳入了与之相邻的类别。总体而言,多尺度分割的SVM分类方法通过分割处理将像元聚合成斑块对象,提高了分类精度。
Fig. 5 Multi-scale segmentation based SVM classification result

图5 多尺度分割的SVM分类图

Tab. 4 Error matrix of multi-scale segmentation based SVM classification result

表4 多尺度分割的SVM分类混淆矩阵

类别 参照样本(像元个数) 制图精度(%) 用户精度(%)
PVC 金属 沥青 混凝土 树木 草地 裸土 水体 阴影
PVC 712 0 0 0 2 0 0 0 0 96.22 99.72
金属 0 702 0 0 0 0 0 0 0 99.57 100
沥青 23 0 675 14 0 5 0 75 76 98.11 77.76
混凝土 3 0 13 765 0 0 26 0 0 93.18 94.80
树木 0 0 0 0 645 19 0 5 0 93.07 96.41
草地 0 0 0 0 46 667 0 0 0 96.53 93.55
裸土 2 3 0 42 0 0 763 0 0 96.70 94.20
水体 0 0 0 0 0 0 0 2616 128 89.77 95.34
阴影 0 0 0 0 0 0 0 218 1259 86.06 85.24
总体精度(%) 92.63
kappa系数 0.913
②多波段分水岭分割的SVM分类
在多波段分割处理时,经过反复试验最终选取最小分割尺度为10。
采用多数投票策略将多波段分水岭分割结果与SVM分类图进行融合(图6)。由图6可看出,地物边缘平滑了许多,分类精度较基于多尺度分割的SVM分类结果有所提高(表5),总体分类精度和kappa系数分别为96.13%和0.954,提高了3.5%和0.041,且大多数类别的分类精度均有不同程度的提高。但其与FNEA的多尺度分割方法一样,对阴影的分类精度改善不大,这主要是因为其光谱特征与水体、沥青比较相近,难以正确区分开来。
Fig. 6 Multi-band watershed segmentation based SVM classification result

图6 多波段分水岭分割的SVM分类图

Tab. 5 Error matrix of multi-band watershed segmentation based classification result

表5 多波段分水岭分割的SVM分类混淆矩阵

类别 参照样本(像元个数) 制图精度(%) 用户精度(%)
PVC 金属 沥青 混凝土 树木 草地 裸土 水体 阴影
PVC 728 0 0 0 0 0 0 0 0 98.38 100
金属 0 648 0 0 0 0 0 0 0 91.91 100
沥青 12 54 675 0 4 0 0 0 86 98.11 61.93
混凝土 0 3 13 779 0 0 0 0 0 94.88 97.99
树木 0 0 0 0 652 19 0 5 0 97.25 97.17
草地 0 0 0 0 37 672 0 0 0 96.53 94.78
裸土 0 3 0 42 0 0 789 0 0 100 94.95
水体 0 0 0 0 0 0 0 2914 97 100 96.78
阴影 0 0 0 0 0 0 0 0 1280 87.49 100
总体精度(%) 96.13
kappa系数 0.954

4 结语

本文提出的2种面向对象的混合分类方法在城市地物类型精细识别中体现出了明显优势,均有较高的总体分类精度(92.63%,96.13%)和kappa系数(0.913,0.954)。多尺度分割的SVM分类将地物光谱的可变性进行弱化处理,转化为多尺度均质对象单元的分类;而多波段分水岭分割的SVM分类融入了地物的空间和纹理信息,可对分割得到的同质区域进行分类。另外,多波段分水岭分割的SVM分类方法在分割过程中仅需一个参数(最小尺度),减少了人为干预;而多尺度分割则需scale和shape等多个参数,这些参数的反复试验选取必然会对后期分类精度产生影响,因此,基于多波段分水岭分割的SVM分类优于多尺度分割的SVM分类。算法实验表明：
(1)与传统的像元级SVM分类结果相比,2种面向对象的混合分类结果在分类精度上更为理想,其有效地结合了面向对象分类和像元级分类的优势,可有效解决分类结果类别破碎的问题。
(2)传统的基于像元的SVM分类往往会模糊不同城市地物间的光谱差异,降低分类精度;而面向对象的混合分类能充分利用各地物类别间光谱差异,有效提高城市复杂地物的精细分类能力。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张良培,张立福.高光谱遥感[M].武汉:武汉大学出版社,2005:1-10.

[2]
Pal M, Mather P M.An assessment of the effectiveness of decision tree methods for land cover classification[J]. Remote sensing of environment, 2003,86(4):554-565.

[3]
George R, Padalia H, Kushwaha S P S. Forest tree species discrimination in western Himalaya using EO-1 Hyperion[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,28(5):140-149.

[4]
Kavzoglu T, Colkesen I.A kernel functions analysis for support vector machines for land cover classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2009,11(5):352-359.

[5]
黄昕,张良培,李平湘.基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J].遥感学报,2007,11(1):48-54.

[6]
许菡,孙永华,李小娟.遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法[J].地球信息科学学报, 2013,15(2):249-254.

[7]
Blaschke T.Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010,65(1):2-16.

[8]
姚国红,张锦,王励.面向对象的高分辨率遥感影像地理要素提取[J].测绘科学,2012,37(6):53-56.

[9]
胡荣明,魏曼,杨成斌,等.以SPOT5遥感数据为例比较基于像素与面向对象的分类方法[J].遥感技术与应用,2012,27(3):366-371.

[10]
Walter V.Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of photogrammetry and remote sensing, 2004,58(3):225-238.

[11]
Wang L, Sousa W, Gong P.Integration of object-based and pixel-based classification for mapping mangroves with IKONOS imagery[J]. International Journal of Remote Sensing, 2004,25(24):5655-5668.

[12]
Li X J, Meng Q Y, Gu X F, et al.A hybrid method combining pixel-based and object-oriented methods and its application in Hungary using Chinese HJ-1 satellite images[J]. Int J Remote Sens, 2013,34(13):4655-4668.

[13]
邓富亮,杨崇俊,曹春香,等.高分辨率影像分割的分形网络演化改进方法[J].地球信息科学学报,2014,16(1):95-101.

[14]
Vincent L, Soille P.Watersheds in digital spaces: an efficient algorithm based on immersion simulations[J]. IEEE transactions on pattern analysis and machine intelligence, 1991,13(6):583-598.

[15]
刁智华,赵春江,郭新宇,等.分水岭算法的改进方法研究[J].计算机工程, 2010,36(17):4-6.

[16]
Hill P R, Canagarajah C N, Bull D R.Image segmentation using a texture gradient based watershed transform[J]. IEEE Transaction on Image Process, 2003,12(12):1618-1633.

[17]
Xiao P F, Feng X Z, Li H. Multispectral remotely sensed imagery segmentation based on first fundamental form[J].2009 Joint Urban Remote Sensing Event, 2009(1-3):1176-1180.

[18]
Tarabalka Y, Chanussot J, Benediktsson J A.Segmentation and classification of hyperspectral images using watershed transformation[J]. Pattern Recogn, 2010,43(7):2367-2379.

[19]
张博,何彬彬.改进的分水岭变换算法在高分辨率遥感影像多尺度分割中的应用[J].地球信息科学学报,2014,16(1):142-150.

[20]
Cortes C, Vapnik V.Support-vector networks[J]. Mach Learn, 1995,20(3):273-297.

[21]
Tarabalka Y, Benediktsson J A, CHANUSSOT J.Spectral-spatial classification of hyperspectral imagery based on partitional clustering techniques[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(8):2973-2987.

[22]
Yang H, Du Q, Ma B.Decision fusion on supervised and unsupervised classifiers for hyperspectral imagery[J]. Geoscience and Remote Sensing Letters, IEEE, 2010,7(4):875-879.

[23]
Pal M, Foody G M.Feature selection for classification of hyperspectral data by SVM[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010,48(5):2297-2307.

[24]
Zhang L, Huang X.Object-oriented subspace analysis for airborne hyperspectral remote sensing imagery[J]. Neurocomputing, 2010,73(4):927-936.

[25]
Yang H, Yang C, Ma B, et al.Improving urban land use and land cover classification from high-spatial-resolution hyperspectral imagery using contextual information[J]. Journal of Applied Remote Sensing, 2010,4(1):041890-13.

[26]
谭琨,杜培军.基于支持向量机的高光谱遥感图像分类[J].红外与毫米波学报,2008,27(2):123-128.

[27]
Hsu C W, Chang C C, Lin C J.A practical guide to support vector classification[R]. Tech. Report, Dept Computer Sci. & Info. Engng, National Taiwan University, Taiwan, China, 2003.

[28]
殷瑞娟,施润和,李镜尧.一种高分辨率遥感影像的最优分割尺度自动选取方法[J].地球信息科学学报,2013,15(6):902-910.

[29]
刘大伟,黄磊,李斌兵.一种基于对象相似性的遥感影像最优分割尺度评价方法[J].大地测量与地球动力学,2013,33(6):137-140.

Options
Outlines

/

〈 〉