基于邻域自适应SLIC的高光谱图像分类

周敏

摘要：针对传统SLIC算法对高光谱图像空间信息提取不充分问题，基于地物物理分布特性，提出一种邻域自适应SLIC算法。该方法基于Parzen窗概率密度估计方法计算采样间隔，自动调整邻域大小。在Pavia U数据集上的结果显示，该方法比传统方法分类精度更高，总体分类精度达到了95.49%。

关键词： 高光谱图像; SLIC算法; 邻域自适应;Parzen窗

中图分类号：TP751        文献标识码：A

文章编号：1009-3044（2019）25-0189-02

Abstract：Aiming at the problem of insufficient spatial information extraction of hyperspectral image by traditional SLIC algorithm， a neighborhood adaptive SLIC algorithm is proposed based on the physical distribution characteristics of ground objects. The method calculates the sampling interval based on the Parzen window probability density estimation method and automatically adjusts the neighborhood size. The results on the Pavia U dataset show that the method has higher classification accuracy than the traditional method， and the overall classification accuracy reaches 95.49%.

Key words：hyperspectral image;SLIC algorithm; neighborhood adaptive; Parzen window

高光谱图像分类实际上是对地物进行分类，其在精准农业、国防军事、地质勘探等领域具有重要作用[1]。近来研究表明，结合使用高光谱图像的光谱信息和空间信息进行分类可以得到更好的分类效果。

超像素属于一种图像分割技术，是指由一系列位置近邻，颜色、纹理等特征相近的像素点组成的不规则像素块[2]。超像素分割算法大致可分为基于图论的方法和基于梯度下降的方法。典型的基于图论的方法包括Ncut算法、SL算法和基于熵率的ERS算法等。典型的基于梯度下降的方法包括分水岭算法、基于核密度梯度估计的迭代式搜索算法和SLIC算法等。文献[3-4]利用SLIC算法提取图像的空间信息，并结合光谱信息，提高了分类精度。但SLIC算法的邻域大小通常为固定值，而实际地物在空间分布是不均匀的，邻域的选择直接影响了算法的分割效果。针对这一问题，本文提出了一种邻域自适应SLIC（Neighborhood adaptive SLIC algorithm，NASLIC）算法，基于Parzen窗概率密度估计[5]分析像元邻域的分布规律，自适应调整采样间隔，从而提高算法性能。

1邻域自适应SLIC算法

真实地物中，地物的分布往往是不规则的，基于该物理特性，本文算法基于Parzen窗概率密度估计方法计算采样间隔S，实现邻域的自适应。

2实验与分析

2.1 实验数据选择与设置

实验选择Pavia U数据集验证本文算法的有效性，并与PCA算法、SLIC算法进行分类效果对比，超像素个数设置为2000，m取20。实验步骤如下：

（1）使用PCA算法进行降维，取前三个主成分生成假彩色图像;

（2）分别使用NASLIC和SLIC算法对假彩色图像进行超像素分割，得到基于空间信息的分类结果;

（3）使用SVM算法对PCA算法降维后的数据进行分类，得到基于光谱信息的分类结果;

（4）基于最大投票算法，利用空间信息对基于光谱信息的分类结果进行修正。

2.2 实验结果与分析

随机选择3%的样本作为训练集，剩余样本为测试集，以总体精度OA、平均精度AA和Kappa系数作为性能评价指标。在Pavia U数据集上的实验结果如表1所示：

从表1可以看出，NASLIC算法比PCA算法和SLIC算法的分类效果都要好，这是因为通过Parzen窗概率密度估计分析真实地物的分布规律，提取的空间信息更符合实际地物的物理特性，从而提高了分类精度。

3结论

为进一步提取高光谱图像的空间信息，本文提出一种邻域自适应SLIC算法。该算通过概率密度估计实现了搜索邻域的自适应。在Pavia U数据集上的实验结果证明，该算法比传统算法的分类效果更好。

参考文献：

[1] 王超阳.灰度共生矩阵下的遥感图像分类处理[J].电脑知识与技术，2019，15（5）：167-168.

[2] 王春瑶，陈俊周，李炜.超像素分割算法研究综述[J].计算机应用研究，2014，31（1）：6-12.

[3] 李昌利，张琳，樊棠怀.基于自适应主动学习与联合双边滤波的高光谱图像分类[J].计算机科学，2018，45（12）：223-228.

[4] 李宁. 基于超像素的高光谱图像无监督分割[D].云南大学，2017.

[5] 赵慧珍，刘付显，李龙跃.Parzen窗确定系数的协同模糊C均值算法[J].重庆邮电大学学报（自然科学版），2017，29（2）：272-278.

【通聯编辑：唐一东】