研究目的
通过融合自适应类间惩罚项与光谱相似性信息,解决基于MRF的高光谱图像分类中同质区域校正不足与类别边界过度平滑的关键问题。
研究成果
所提出的aICP2ssi方法在基于MRF的高光谱图像分类中实现了类间对与像素间的自适应惩罚,在保持类别边界和细微细节的同时,为与不同类别混淆相关的不同同质区域提供适当的平滑度。在三个高光谱数据集上的实验结果验证了该框架相较于参考的基于MRF的方法及其他光谱-空间方法的优越性。
研究不足
该研究未涉及通过自适应调整空间能量整体强度来实现μ的优化问题,这在基于MRF的分类中是一个重要议题。此外,还可探索更高效的边缘保持策略以及更多用于光谱相似性和类别可分性的测量方法。
1:实验设计与方法选择:
本研究采用一种融合aICP2和SSI的新型MRF方法进行高光谱图像分类。该方法包括基于类间可分性和空间类混淆构建aICP2,并引入SSI以?;だ啾鸨咴岛拖附?。
2:样本选择与数据来源:
实验在三个真实高光谱数据集上进行:ROSIS帕维亚大学、AVIRIS萨利纳斯场景和AVIRIS印第安松树图像。
3:实验设备与材料清单:
研究使用来自ROSIS和AVIRIS传感器的高光谱图像。
4:实验步骤与操作流程:
通过将所提方法的性能与经典基于MRF的方法及其他光谱-空间方法进行比较来评估其效果。评估指标包括单类精度、总体精度、平均精度和Kappa系数。
5:数据分析方法:
从分类精度和区域一致性方面分析所提方法的性能,并与参考方法进行比较。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容