有监督的光谱空间高光谱图像分类的双层弹性净回归模型

在本文中,我们利用光谱空间信息,提出了一种用于高光谱图像(HSI)分类的新型双层弹性网(ELN 2)回归模型。 提出的模型旨在解决HSI的特殊问题特性,即高光谱像素的高维性,有限的标记样本以及光谱特征的空间变异性。 为了缓解这些问题,通过利用频谱和空间信息,建议的模型具有以下两个组成部分:1)第一层中仅频谱弹性网回归和2)第二层中空间上下文驱动的弹性网正则化。 在第一层中,为了鼓励分组效果和特征选择,我们使用被ELN惩罚的多项式Lo​​gistic回归(MLR)模型来优化用于初始HSI分类的仅光谱分类器参数。 在第二层中,将基于空间马尔可夫随机场的梯度轮廓合并到ELN惩罚中,以消除后验分布的隐性边际概率,以鼓励空间平滑性。 此外,训练样本的真实标签被固定为第二层优化模型中的附加约束,以进一步提高分类准确性。 此外,通过结合路径坐标下降算法,变量分解和增强拉格朗日方法,提出了一种有效的算法,称为ELN 2 _RegMLR。 在几个流行的数据集上的实验结果表明,该方法在总体准确度,平均准确度,统计系数kappa和视觉分类图质量方面优于许多最新的分类器。