关键词:
高光谱图像
空-谱张量
稀疏表示
张量字典学习
张量稀疏表示分类
摘要:
高光谱图像因其蕴含十分丰富的光谱和空间信息已被广泛应用于生产生活的各个领域。为了充分挖掘高光谱图像中蕴含的光谱和空间信息,从高光谱数据固有的三维属性出发,以空-谱张量为基本处理单元,提出一种基于张量字典学习的稀疏表示分类(Tensor-DLSRC)算法,以提高高光谱图像分类精度。首先,构建以像素及其空间邻域像素光谱向量组成的像素空-谱张量;其次,将作为训练样本像素的空-谱张量按照不同维度展开成矩阵,并以其列向量均值作为字典原子组成初始化张量字典;同时,在张量稀疏性约束条件下构建张量稀疏表示(Tensor-SR)模型,并利用张量字典学习算法学习一组能够精确刻画该类张量空-谱特征的字靛矩阵;最后,对待分类像素利用Tensor-SR模型求解其空-谱张量的稀疏表示系数张量,根据重构残差最小化原则确定该像素类别。为了分析参数对提出算法分类精度的影响,在进行分类对比实验之前,通过一系列实验分别讨论训练样本数M、邻域窗口尺寸(2δ+1)×(2δ+1)、字典学习阶段的稀疏度μ1和稀疏表示阶段的稀疏度μ2等参数对总体分类精度(OA)的影响。为了验证提出算法的有效性,分别在Indian Pines、Salinas和Xuzhou三个高光谱数据上进行实验,对比分析本算法与基于光谱向量的SRC算法和DLSRC算法、增加邻域空间信息的JSRC算法和DLJSRC算法和基于空-谱张量的Tensor-DLSRC算法等五种算法的分类结果,并采用基于混淆矩阵的平均准确率(APR)、平均精度(PA)、OA和Kappa系数对分类结果定量分析。所提出的Tensor-DLSRC算法在OA和Kappa系数的平均值水平是六种算法中最高的,且具有最小的标准差,说明本算法与五种其他算法相比能够提供更准确且稳定的分类结果。