文章信息
- 职露, 余旭初, 邹滨, 刘冰
- ZHI Lu, YU Xuchu, ZOU Bin, LIU Bing
- 多层级二值模式的高光谱影像空-谱分类
- A Multi-Layer Binary Pattern Based Method for Hyperspectral Imagery Classification Using Combined Spatial-Spectral Characteristics
- 武汉大学学报·信息科学版, 2019, 44(11): 1659-1666
- Geomatics and Information Science of Wuhan University, 2019, 44(11): 1659-1666
- http://dx.doi.org/10.13203/j.whugis20180004
-
文章历史
收稿日期: 2018-06-04
2. 信息工程大学, 河南 郑州, 450001;
3. 中南大学地理信息系, 湖南 长沙, 410083
2. Information Engineering University, Zhengzhou 450001, China;
3. Department of Geo-informatics, Central South University, Changsha 410083, China
纹理特征作为一项有效分辨地物类别的空间特征指标,具有方向性、区域性和周期性等特点,对于高光谱遥感影像分类具有重要的价值[1]。然而,传统的高光谱遥感影像分类方法大多仅考虑影像光谱信息,分类结果往往存在很多离散的孤立点,不能很好保护同质区域的完整性[2-3]。利用高光谱遥感影像“图谱合一”的特点,联合影像空间纹理信息与光谱信息进行分类即可减弱这种现象,提高影像分类精度[4-6]。
已有的纹理描述方法主要包括灰度共生矩阵、Gabor滤波、马尔科夫随机场、数学形态学等。这些方法在一定程度上减弱了高光谱遥感影像分类结果的“椒盐现象”,提高了影像分类精度,但因只考虑纹理特征统计特性或者结构特性,无法全面描述影像的纹理信息[7-10]。相对而言,局部二值模式(local binary patterns,LBP)是一种简单有效的纹理特征描述方法。该方法可同时顾及纹理的统计和结构特性,广泛应用于人脸分析、目标识别等领域[11]。近年来,LBP开始被陆续引入到高光谱遥感影像分类中[12-15]。文献[13]将LBP用于高光谱遥感影像空-谱分类,得到了优于纯光谱或Gabor纹理特征的分类结果。文献[14]在利用LBP纹理特征得到影像初始分类结果的基础上,通过马尔科夫随机场模型获取地物类别标签改善分类结果。文献[15]通过LBP与超像素分割相结合提高了影像分类结果。
综上所述,LBP方法已在高光谱遥感影像分类领域取得了一定进展,但这些方法多局限于影像微观特征利用,缺乏对宏观特征的描述,难以完整表达影像的空间纹理信息。对此, 文献[16]从特征直方图窗口可变性出发,通过提取3个主成分影像的多尺度局部二值模式纹理特征,顾及了影像的宏观结构信息,但忽略了高光谱遥感影像波段数目多、光谱分辨率高的本质属性,损失了大量细节信息。同时,该方法未考虑空间或者光谱特征权重对分类的影响,限制了分类精度的提高,且仅采用简单的线性回归分类器,未能充分利用影像特征。
针对以上问题,本文提出了一种多层级二值模式(multi-layer binary patterns, MLBP)的高光谱遥感影像空-谱联合分类方法。该方法首先采用LBP获取影像微观结构,统计不同大小窗口内微观结构出现的频次,从而兼顾影像局部微观特征与宏观特征, 为影像分类提供更丰富的纹理特征;然后通过线性加权核融合影像的纹理和光谱特征,进一步提高影像地物要素的分类精度。
1 MLBP影像空-谱分类算法 1.1 MLBP原理局部二值模式最初用于辅助度量图像局部对比度,通过中心像元与其邻域像元的灰度差值计算LBP模式值,对LBP特征图像分块获取各子块LBP特征向量[11, 17]。MLBP方法在LBP特征图像的基础上,以像元为中心定义多个不同大小的特征直方图窗口,通过统计并连接特征图像中微观结构在各窗口下出现的频率获得影像的宏观结构信息,进而实现结合微观和宏观信息的MLBP纹理特征的提取。假设图 1(a)为LBP纹理谱,有a、b、c 3种模式。以红色标识像元的MLBP特征向量计算为例,特征直方图窗口为正方形,其窗口半径大小定义为窗口某边中点到目标中心像元的最近距离,记作w。设w分别为1、2、3,计算并连接各窗口内LBP模式值的特征直方图,如图 1(b)所示。从图 1(b)可以看出,各窗口下获取的二值模式分布情况并不相同,单一窗口不能准确表达影像微观结构的空间分布,具有一定的局限性。MLBP特征向量具体计算公式如下:
其中,
$ G\left( x \right) = \left\{ \begin{array}{l} 1, x为真\\ 0, x为假 \end{array} \right. $ | (1) |
式中,Q为特征图像中的不同二值模式;T(x, y)为空间坐标(x, y)处的二值模式;Rw为以(i,j)为中心像元的直方图窗口w区域。
窗口w获取的影像特征向量H|w为:
$ {\left. H \right|_w} = \left[ {\begin{array}{*{20}{c}} {{{\left. {H\left( {1, 1} \right)} \right|}_w}}&{{{\left. {H\left( {1, 2} \right)} \right|}_w}}& \cdots &{{{\left. {H\left( {1, n} \right)} \right|}_w}}\\ {{{\left. {H\left( {2, 1} \right)} \right|}_w}}&{{{\left. {H\left( {2, 2} \right)} \right|}_w}}& \cdots &{{{\left. {H\left( {2, n} \right)} \right|}_w}}\\ \vdots & \vdots &{}& \vdots \\ {{{\left. {H\left( {h, 1} \right)} \right|}_w}}&{{{\left. {H\left( {h, 2} \right)} \right|}_w}}& \cdots &{{{\left. {H\left( {h, n} \right)} \right|}_w}} \end{array}} \right] $ | (2) |
式中,h、n分别为影像的行数和列数。
联合k(k≥1)个不同大小的直方图窗口w1、w2…wk获取的特征向量,则有:
$ {L^k} = H = \left[ {{\mathit{\pmb{H}}}{|_{{w_1}}}H{|_{{w_2}}} \ldots H{|_{{w_k}}}} \right] $ | (3) |
式中,当k=1时,Lk为单层级特征,即LBP特征向量;当k≥2时,Lk为多层级特征,即MLBP特征向量。
1.2 MLBP影像空-谱联合分类算法流程1.2 MLBP影像空-谱联合分类算法流程MLBP影像空-谱联合分类算法是一种融合影像MLBP纹理特征与光谱特征的影像分类方法。相对单一基于光谱特征或纹理特征的分类方法而言,该方法不仅利用了地物丰富的光谱维信息,还引入了可区分结构性地物的纹理特征信息,理论上可改善高光谱遥感影像分类效果。算法具体流程如图 2所示,主要实现步骤描述如下。
输入:高光谱遥感影像数据Xh×n×d(h、n、d分别为行数、列数、波段数),特征直方图窗口wj(1≤j≤k)
输出:类别标签
1)提取影像的光谱特征Xspe,获取降维数据Xh×n×d';
2)求第i(1≤i≤d′)波段影像的特征图像;
3)根据wj以及式(1)~(3),计算特征图像的多层级特征向量;
4)对其他波段重复步骤2)、3),获取降维数据Xh×n×d'的纹理特征Xspa;
5)通过线性加权核融合纹理特征Xspa与光谱特征Xspe并输入到分类器。
2 MLBP高光谱遥感影像空-谱分类实验 2.1 总体方案设计为验证MLBP高光谱遥感影像空-谱分类算法的性能,实验采用可摆脱参数人工调整困惑[2, 18]的核极限学习机(kernel extreme learning machine,KELM)分类器。实验1通过对比不同层级二值模式下影像分类精度的变化验证MLBP的有效性;同时,通过对比KELM、支持向量机(support vector machine,SVM)和极限学习机(extreme learning machine,ELM)3种分类器下影像分类精度随训练样本数量改变而变化的规律验证MLBP的稳健性以及KELM的分类性能。实验2主要对比光谱、3Gabor、LBP、多分辨率局部二值模式(multi-resolution local binary patterns,MRLBP)、MLBP空-谱联合等特征下高光谱遥感影像分类的精度差异。各分类器方法见表 1,其中,3Gabor为影像经典纹理特征,MRLBP为LBP微观局限改进特征[19]。
KELM分类特征组合方式 | 缩写 |
Spectral+KELM | S-KELM |
3Gabor+ KELM | G-KELM |
LBP+ KELM | L-KELM |
MRLBP+KELM | MRL-KELM |
MLBP+KELM | ML-KELM |
Spectral+ 3Gabor + KELM | SG-KELM |
Spectral+ LBP + KELM | SL-KELM |
Spectral+ MRLBP + KELM | SMRL-KELM |
Spectral+MLBP + KELM | SML-KELM |
选取PaviaU、Salinas和Chikusei影像作为测试数据。该数据是3组已经过实际地面调查、国内外用于高光谱遥感影像分类算法验证的经典影像数据,能够满足影像大小、地物类型、光谱分辨率等不同影像条件下各分类算法稳健性测试的要求,具有较好的代表性。数据详细说明如下。
1) PaviaU数据集:ROSIS光谱仪获取的意大利帕维亚大学校园高光谱遥感影像。其空间分辨率为1.3 m,大小为610×340像素,共115个波段;实验采用去除覆盖水吸收区域波段之后的103个波段,共包含9类地物要素,具体信息见表 2。实验过程中,每类地物随机选取30个样本数据作为训练样本,剩余样本为测试样本。
标号 | 地物要素类别 | 样本数量 |
1 | 柏油路面 | 6 631 |
2 | 草地 | 18 649 |
3 | 砂砾 | 2 099 |
4 | 树木 | 3 064 |
5 | 金属板屋顶 | 1 345 |
6 | 裸土 | 5 029 |
7 | 沥青屋顶 | 1 330 |
8 | 砖块 | 3 682 |
9 | 阴影 | 947 |
2) Salinas数据集:AVIRIS光谱仪采集的美国加利福尼亚州萨利纳斯山谷影像。其空间分辨率为3.7 m、大小为512×217像素,共224个波段,实验采用去除覆盖水吸收区域波段之后的204个波段,包含16类地物要素,具体信息见表 3。实验过程中,每类地物随机选取25个数据作为训练样本,剩余样本为测试样本。
标号 | 地物要素类别 | 样本数量 |
1 | 椰菜_绿_野草1 | 2 009 |
2 | 椰菜_绿_野草2 | 3 726 |
3 | 休耕地 | 1 976 |
4 | 粗糙的休耕地 | 1 394 |
5 | 平滑的休耕地 | 2 678 |
6 | 残株 | 3 959 |
7 | 芹菜 | 3 579 |
8 | 未修整的葡萄 | 11 271 |
9 | 开发的葡萄园土壤 | 6 203 |
10 | 开始衰老的玉米 | 3 278 |
11 | 长叶莴苣4wk | 1 068 |
12 | 长叶莴苣5wk | 1 927 |
13 | 长叶莴苣6wk | 916 |
14 | 长叶莴苣7wk | 1 070 |
15 | 未修整的葡萄园 | 7 268 |
16 | 葡萄园棚架 | 1 807 |
3) Chikusei数据集:Hyperspec-VNIR-CIRIS光谱仪获取的日本茨城筑西高光谱影像。其空间分辨率为2.5 m,大小为2 517×2 335像素,共512个波段,实验采用去除大气吸收和噪声影响波段之后的128个波段,共19类地物要素,具体信息见表 4。实验过程中,每类地物随机选取25个数据作为训练样本,剩余样本为测试样本。
标号 | 地物要素类别 | 样本数量 |
1 | 水域 | 2 845 |
2 | 校园裸地 | 2 859 |
3 | 公园裸地 | 286 |
4 | 农田裸地 | 4 852 |
5 | 天然植物 | 4 297 |
6 | 农田杂草 | 1 108 |
7 | 森林 | 20 516 |
8 | 草地 | 6 515 |
9 | 成熟的稻田 | 13 369 |
10 | 首阶段稻田 | 1 268 |
11 | 行播作物 | 5 961 |
12 | 塑胶屋 | 2 193 |
13 | 非深色人造区域 | 1 220 |
14 | 深色人造区域 | 7 664 |
15 | 蓝色人造区域 | 431 |
16 | 红色人造区域 | 222 |
17 | 人造草地 | 1 040 |
18 | 柏油路面 | 801 |
19 | 土路面 | 145 |
分类实验工作站配置为Intel Corei7-5557U CPU 3.10 GHz、RAM 4.0 GB,软件包括Windows 10(64)位操作系统与Matlab 2015a。实验过程中,KELM和SVM的核函数采用径向基函数(radial basis function,RBF),核参数σ、正则项参数C通过交叉验证进行设置。ELM的隐藏节点数根据文献[20]进行设置。KELM空间特征权重μ(光谱特征权重为1-μ)为0.4。3Gabor滤波器带宽设置为1像素,波长为2,方向为(π/4, 0),空间方位比为1,窗口大小为7×7×7像素。LBP、MRLBP、MLBP的邻域半径和采样点个数(R,P)以及特征直方图窗口w依据文献[16]进行设置。其中,LBP的w为15像素,(R,P)为(2,8);MRLBP的w为15像素,(R,P)为(2,8)与(2,10);MLBP的w分别为10、30,15、30,20、30像素,(R,P)为(2,8)。除对比分析不同层级二值模式分类精度时k取值1、2、3之外,其他实验过程中k为2(见表 5)。整个实验过程结果采用总体分类精度(overall accuracy,OA)、Kappa系数(k)作为算法性能评估指标。
k | Lk |
1 | L11=H|10, L21=H|15, L31=H|20, L41=H|25 |
2 | L12=[L11 L21], L22=[L11 L31] L32=[L11 L41], L42=[L21 L31] L52=[L21 L41], L62=[L31 L41] |
3 | L52=[L21 L41], L62=[L31 L41] L33=[L21 L31 L41] |
PaviaU、Salinas与Chikusei影像数据的不同层级二值模式分类结果如图 3所示。从图 3中可以看出,单层级(L1)特征二值模式下,PaviaU影像分类精度对于各(R,P)取值随着窗口的增大呈现不同变化,Salinas影像分类精度随之先提高再降低,Chikusei影像分类精度随着窗口的增大不断提高;与此同时,相对单层级(L1)特征二值模式,二、三层级(L2、L3)特征二值模式下,3组影像的分类精度有所提高,表明了顾及影像微观与宏观特征的MLBP可弥补单一窗口的局限,并证实其在高光谱遥感影像数据分类中的普适性与精度提升的可靠性。
当每类地物取5、10、15、20、25、30个训练样本时,PaviaU、Salinas和Chikusei数据利用LBP和MLBP纹理特征分类结果如图 4所示。
图 4表明,随着训练样本数量的增加,各算法的分类精度均不断提高,主要是因为增加的训练样本可以为影像分类提供更为丰富的信息。相比较而言,对于相同的纹理特征,KELM算法的分类精度均高于SVM、ELM分类,具有良好的分类性能;对于相同分类器,利用MLBP纹理特征进行分类可得到较高的分类精度。此外,基于3组数据的ML-KELM算法的分类精度均高于L-KELM分类。该结果证实了MLBP具有稳健性,在不同训练样本数目和分类器下均可提升高光谱遥感影像的分类精度。
3.2 MLBP空-谱分类性能PaviaU、Salinas和Chikusei影像不同算法的分类结果如表 6所示,从表 6中可以发现,对于PaviaU、Salinas和Chikusei数据,SML-KELM的总体分类精度比S-KELM分别提高了13.35%、9.52%和4.09%,比ML-KELM分别提高了7.73%、0.72%和4.77%。其中,Salinas数据具有相对较低的提升率是受空间分辨率与光谱相似度的影响;Chikusei数据光谱本身可分性较好(S-KELM分类精度可说明),但MLBP纹理特征的引入仍可改善仅含光谱特征的分类效果。此外,若单独利用影像纹理信息或者光谱信息进行分类,PaviaU(Salinas)数据的ML-KELM算法具有相对的优势,比分类结果最相近的G-KELM(MRL-KELM)算法的总体分类精度高2.18%(1.09%);Chikusei数据S-KELM总体分类精度较高,对于相同纹理特征,ML-KELM仍具有一定优势。若利用空-谱联合特征进行分类,基于3组数据的SML-KELM算法的总体分类精度最高,比分类结果最相近的SL-KELM(SMRL-KELM和SMRL-KELM)总体分类精度高出0.19%(0.4%和1.12%)。表 6表明,本文算法的分类时间较其他算法没有显著提升。
数据 | 结果 | 单一光谱或纹理分类 | 空-谱联合分类 | ||||||||
S-KELM | G-KELM | L-KELM | MRL-KELM | ML-KELM | SG-KELM | SL-KELM | SMRL-KELM | SML-KELM | |||
PaviaU | OA/% | 83.96 | 87.40 | 83.59 | 84.60 | 89.58 | 86.81 | 97.12 | 96.96 | 97.31 | |
k/% | 79.25 | 83.66 | 78.84 | 80.07 | 86.40 | 82.87 | 96.20 | 96.00 | 96.46 | ||
训练时间/s | 0.015 6 | 0.013 3 | 0.014 8 | 0.024 3 | 0.017 9 | 0.021 4 | 0.024 7 | 0.037 0 | 0.032 0 | ||
测试时间/s | 0.504 3 | 0.429 0 | 0.554 2 | 0.785 8 | 0.757 6 | 0.936 8 | 1.002 7 | 1.351 3 | 1.191 0 | ||
Salinas | OA/% | 89.44 | 89.17 | 96.86 | 97.15 | 98.24 | 89.77 | 98.26 | 98.56 | 98.96 | |
k/% | 88.24 | 87.93 | 96.50 | 96.83 | 98.04 | 88.61 | 98.06 | 98.39 | 98.84 | ||
训练时间/s | 0.058 6 | 0.053 6 | 0.580 0 | 0.069 1 | 0.075 3 | 0.090 1 | 0.111 8 | 0.122 6 | 0.117 9 | ||
测试时间/s | 1.031 8 | 0.783 5 | 1.032 6 | 1.382 4 | 1.540 8 | 1.800 6 | 2.209 3 | 2.251 0 | 2.389 7 | ||
Chikusei | OA/% | 93.76 | 85.94 | 87.58 | 92.49 | 93.08 | 94.98 | 96.52 | 96.73 | 97.85 | |
k/% | 92.82 | 83.91 | 85.77 | 91.38 | 92.04 | 94.22 | 95.98 | 96.22 | 97.52 | ||
训练时间/s | 0.131 7 | 0.110 9 | 0.094 4 | 0.101 2 | 0.097 1 | 0.184 5 | 0.173 7 | 0.186 3 | 0.183 2 | ||
测试时间/s | 1.519 8 | 1.231 7 | 1.088 7 | 1.225 4 | 1.167 2 | 2.336 4 | 2.589 9 | 2.831 2 | 2.770 9 |
图 5为PaviaU影像数据利用不同分类算法的结果图,从图 5中可以发现,SML-KELM分类结果更加接近于地面真实情景,同质区域有更好的完整性。砂砾与砖块、草地与裸土光谱曲线相似,若仅利用光谱特征则难以获取各地物的准确类别,如图 5(b)红色标识区域内有大量草地被误判为裸土;图 5(c)~5(j)说明纹理特征的加入可较好地改善这些缺点,其中,SML-KELM分类结果图最为平滑,噪声点最少,主要是因为MLBP兼顾局部和全局特征,可为分类提供更丰富的鉴别信息。由上述分析可以得知:(1)对于单一纹理分类方法,ML-KELM算法具有较好的分类结果;(2)对于空-谱联合分类方法,SML-KELM算法的分类精度与Kappa系数最高;(3)SML-KELM算法与ML-KELM算法相比,前者具有更高的分类精度,分类结果中错分点明显减少,地物分布更加光滑。
具体而言,(1)、(2)主要是因为ML-KELM和SML-KELM应用了兼顾影像微观和宏观结构信息的MLBP纹理特征,(3)主要是因为SML-KELM算法进一步融合了影像的光谱特征与MLBP纹理特征,有利于提取更为有效的地物判别信息。这一结果证实了SML-KELM算法相较于对比方法而言,更为有效地改善了高光谱遥感影像的分类效果,具有较好的分类性能。
4 结语针对传统的局部二值模式只能描述影像微观结构、窗口单一性的问题,本文提出了一种多层级二值模式的高光谱遥感影像空-谱分类方法。该方法可在LBP特征图像的基础上,通过不同大小特征的直方图窗口获取各波段影像的宏观结构特征。实验结果表明,MLBP在高光谱遥感影像分类中具有有效性和稳健性,可有效弥补单一窗口特征表达的不足。与其他分类算法相比,SML-KELM算法可有效提高影像地物要素的分类精度, 更好地保护同质区域的完整性。但是,因SML-KELM算法在逐波段影像纹理特征提取过程中忽略了波段的相关性,因此以后的研究仍需以遥感影像立方体数据结构为核心,进一步引入目标像元与邻域波段内像元灰度信息的关系,并同时考虑特征直方图窗口尺寸参数的自动优化方法。
[1] |
Yu Xuchu, Feng Wufa, Yang Guopeng, et al. Analysis and Application for Hyerspectral Imagery[M]. Beijing: Science Press, 2013. (余旭初, 冯伍法, 杨国鹏, 等. 高光谱遥感影像分析与应用[M]. 北京: 科学出版社, 2013. )
|
[2] |
Du Peijun, Xia Junshi, Xue Zhaohui, et al. Review of Hyperspectal Remote Sensing Image Classification[J]. Journal of Remote Sensing, 2016, 20(2): 236-256. (杜培军, 夏俊士, 薛朝辉, 等. 高光谱遥感影像分类研究进展[J]. 遥感学报, 2016, 20(2): 236-256. ) |
[3] |
Wang Lizhe, Zhang Jiabin, Liu Peng, et al. Spectral-Spatial Multi-Feature-Based Deep Learning for Hyperspectral Remote Sensing Image Classification[J]. Soft Computing, 2017, 21(1): 213-221. |
[4] |
Zhao Bo, Su Hongjun, Cai Yue. A Hyperspectral Image Classification Method Based on Collaborative Representation in Tangent Space[J]. Geomatics and Information Science of Wuhan University, 2018, 43(4): 555-562. (赵波, 苏红军, 蔡悦. 一种切空间协同表示的高光谱遥感影像分类方法[J]. 武汉大学学报·信息科学版, 2018, 43(4): 555-562. ) |
[5] |
Gu Yu, Xu Ying, Guo Baofeng. Hyperspectral Image Classification by Combination of Spatial-Spectral Features and Ensemble Extreme Learning Machines[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(9): 1238-1249. (谷雨, 徐英, 郭宝峰. 融合空谱特征和集成超限学习机的高光谱图像分类[J]. 测绘学报, 2018, 47(9): 1238-1249. ) |
[6] |
Bao Rui, Xue Zhaohui, Zhang Xiangyuan, et al. Classification on Merged with Clustering and Context for Hyperspectral Imagery[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 890-896. (鲍蕊, 薛朝辉, 张像源, 等. 综合聚类和上下文特征的高光谱遥感影像分类[J]. 武汉大学学报·信息科学版, 2017, 42(7): 890-896. ) |
[7] |
Fardin M, Hassan G. Improving Hyperspectral Image Classification by Combing Spectral, Texture, and Shape Features[J]. International Journal of Remote Sensing, 2015, 36(4): 1070-1096. |
[8] |
Sun Shujin, Zhong Ping, Xiao Huaitie, et al. A MRF Model-Based Active Learning Framework for the Spectral-Spatial Classification of Hyperspectral Imagery[J]. IEEE Journal of Selected Topics in Signal Processing, 2015, 9(6): 1074-1088. DOI:10.1109/JSTSP.2015.2414401 |
[9] |
Hu Jie, Liu Chengying, He Lin, et al. Gabor-based Active Learning for Hyperspectral Image Classification[C]. IEEE International Geoscience and Remote Sensing Symposium, Beijing, China, 2016
|
[10] |
Kumar B, Dikshit O. Hyperspectral Image Classification Based on Morphological Profiles and Decision Fusion[J]. International Journal of Remote Sensing, 2017, 38(20): 5830-5854. DOI:10.1080/01431161.2017.1348636 |
[11] |
Jung J Y, Kim S W, Yoo C H, et al. LBP-Ferns-Based Feature Extraction for Robust Facial Recognition[J]. IEEE Transactions on Consumer Electronics, 2017, 62(4): 446-453. |
[12] |
Li Changli, Zuo Hang, Wang Xin, et al. Hyperspectral Image Classification Based on Empirical Mode Decomposition and Local Binary Pattern[C]. International Conference on Intelligence Science and Big Data Engineering, Dalian, China, 2017
|
[13] |
Li W, Chen C, Su H J, et al. Local Binary Patterns and Extreme Learning Machine for Hyperspectral Imagery Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(7): 3681-3693. DOI:10.1109/TGRS.2014.2381602 |
[14] |
Ye Z, Fowler J E, Bai L. Spatial–Spectral HyperSpectral Classification Using Local Binary Patterns and Markov Random Fields[J]. Journal of Applied Remote Sensing, 2017, 11(3): 035002. DOI:10.1117/1.JRS.11.035002 |
[15] |
Jia S, Deng B, Zhu J, et al. Local Binary Pattern-Based Hyperspectral Image Classification with Superpixel Guidance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 99: 1-11. |
[16] |
Liu Ruixiang. Research on Hyperspectral Image Classification Algorithm Based on Multi-scale Local Binary Pattern[D]. Xi'an: Xi'an Shiyou University, 2016 (刘瑞香.基于多尺度局部二值模式的高光谱图像[D].西安: 西安石油大学, 2016)
|
[17] |
Ojala T, Pietik M. A Comparative Study of Texture Measures with Classification Based on Featured Distributions[J]. Pattern Recognition, 1996, 29(1): 51-59. |
[18] |
Chen C, Li W, Su H, et al. Spectral-Spatial Classification of Hyperspectral Image Based on Kernel Extreme Learning Machine[J]. Remote Sensing, 2014, 6(6): 5795-5814. DOI:10.3390/rs6065795 |
[19] |
Ojala T, Pietik M, Maenpaa T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 24(7): 971-987. |
[20] |
Zhou Yicong, Peng Jiangtao, Philip C L. Extreme Learning Machine with Composite Kernels for Hyperspectral Image Classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 8(6): 2351-2360. |