联合光谱和纹理特征的高光谱遥感影像SVM分类方法及系统

摘要

本发明公开了一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法及系统，该方法包括以下步骤：S1、输入待分类的原始高光谱影像和地面调查数据样本集；S2、提取原始高光谱影像中对应坐标位置的像元，构成参考数据样本集；S3、为各地物类别随机选取训练样本集；S4、进行主成分变换，提取第一主成分影像；S5、获得区域分割图；S6、获得滤波影像；S7、统计每个分割区域内的光谱特征信息和纹理特征信息；S8、求解支持向量机模型；S9、对原始高光谱影像进行分类，得到分类的高光谱影像；S10、输出分类影像。本发明提供了联合光谱和纹理特征的新策略，可有效提高高光谱影像分类精度。

主权项

一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法，其特征在于，包括以下步骤：S1、输入待分类的原始高光谱影像，并对该影像进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；S2、获取地面调查数据样本集中所有样本的坐标位置，提取原始高光谱影像中对应坐标位置的像元，构成参考数据样本集；S3、参考数据样本集中包含多个地物类别，依次为各个地物类别随机选取一定数量的参考数据样本作为监督分类的训练样本集；S4、对原始高光谱影像进行主成分变换，并提取第一主成分影像；S5、对第一主成分影像进行基于熵率的超像素分割，获得区域分割图；S6、对第一主成分影像分别进行强度滤波、高斯‑拉普拉斯滤波和Gabor滤波处理，获得滤波影像；S7、根据滤波影像，统计区域分割图中每个分割区域内的光谱直方图，得到每个分割区域内的光谱特征信息和纹理特征信息；S8、将训练样本集对应的分割区域内的光谱特征信息和纹理特征信息同时代入复合核函数，求解支持向量机模型；S9、根据复合核函数的支持向量机模型，对原始高光谱影像进行分类，得到分类的高光谱影像；S10、输出分类影像。