1 北京航空航天大学精密光机电一体化技术教育部重点实验室, 北京100191
2 航天科工第四研究院指挥自动化技术研发与应用中心, 北京100854
针对仅利用光谱信息进行分类未充分利用高光谱数据图谱合一特性的问题, 提出了基于马尔可夫随机场的改进分类模型, 利用基于最大后验概率的马尔科夫随机场模型进行光谱与空间信息的融合应用, 采用基于光谱信息的概率支持向量机方法提高马尔科夫随机场模型中光谱能量函数项的类条件概率估计精度, 设计基于信息传播策略、 信息更新策略、 多尺度传播策略的多重加速策略的高效置信传播优化算法, 解决了马尔科夫随机场模型中全局能量最小化优化过程中计算复杂度高、 计算耗时等问题。 利用航空可见-近红外成像光谱仪AVIRIS对美国印第安纳州西北部的农业示范区数据进行应用分析, 并与迭代条件模型、 模拟退火、 置信传播等方法进行性能比较, 试验结果表明: 该方法能够达到总体分类精度95.78%、 Kappa系数0.933 4, 优于现有马尔科夫随机场分类算法, 并且计算效率比置信传播优化算法提高了3倍以上。
高光谱遥感 分类 马尔可夫随机场 概率支持向量机 高效置信传播 Hyperspectral remote sensing Classification Markov random field Probabilistic support vector machine Efficient belief propagation