【图像分类】基于阈值分类器(BTC)进行高光谱图像分类研究附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

高光谱图像（Hyperspectral Image，HSI）通过数百个连续且狭窄的光谱波段，捕捉地物在不同波长下的反射 / 辐射信息，形成 “图像 - 光谱” 立方体数据。与传统 RGB 图像相比，高光谱图像具备光谱分辨率高、地物识别能力强的核心优势，可精准区分光谱特征相似的地物（如不同种类的农作物、矿物成分等），在农业遥感、环境监测、地质勘探、军事侦察等领域具有不可替代的应用价值。

然而，高光谱图像分类面临两大核心挑战：一是维度灾难，高光谱波段数通常达数十至数百个，导致特征空间维度极高，样本数量相对不足时易出现 “过拟合”；二是光谱混淆，部分地物（如植被与土壤、不同植被品种）的光谱曲线存在重叠区域，传统分类方法难以有效区分。

阈值分类器（Threshold Classifier，BTC）作为一种简单高效的线性分类模型，通过设定特征阈值实现类别划分，具有计算复杂度低、可解释性强、易于工程实现的特点。将 BTC 应用于高光谱图像分类，可在降低计算成本的同时，通过合理的阈值设计与特征筛选，缓解维度灾难与光谱混淆问题，为高光谱图像的实时分类与大规模应用提供新的技术路径。

二、高光谱图像与阈值分类器的核心特性适配性

1. 高光谱图像的关键特性

• 光谱维丰富性：每个像素包含数百个光谱特征，可通过分析地物的 “光谱指纹”（如植被的红边效应、矿物的特征吸收峰）实现精准分类；

• 空间 - 光谱关联性：相邻像素的地物类别通常具有空间连续性，且光谱特征存在相关性，可通过空间信息辅助优化分类结果；

• 数据冗余性：部分波段间存在较强的相关性（如相邻近红外波段），直接使用全波段分类会增加计算量且引入冗余信息。

2. BTC 与高光谱图像分类的适配优势

• 低复杂度适配实时需求：BTC 仅需通过阈值比较实现分类，无需复杂的矩阵运算或迭代优化，计算复杂度为 O (N)（N 为特征数），可满足高光谱图像大规模数据的实时处理需求（如无人机遥感实时分类）；

• 可解释性适配光谱分析：BTC 的阈值对应地物光谱的关键特征点（如吸收峰波长、反射率阈值），分类逻辑可直接与地物的光谱物理意义关联，便于分析分类结果的合理性（如通过植被反射率阈值区分健康与胁迫植被）；

• 灵活性适配特征筛选：BTC 可结合波段选择算法，仅基于关键光谱波段设计阈值，有效降低高光谱图像的维度，缓解维度灾难（如筛选出 3-5 个区分度最高的波段，而非使用全部 200 + 波段）。

三、基于 BTC 的高光谱图像分类核心流程

基于 BTC 的高光谱图像分类需遵循 “数据预处理→特征筛选→阈值设计→分类执行→结果优化” 的五步核心流程，各环节紧密衔接，确保分类精度与效率的平衡。

1. 高光谱图像预处理

预处理的核心目标是消除噪声、校正光谱畸变，为后续分类提供高质量数据，主要包括三个步骤：

• 辐射校正：消除传感器响应差异、大气散射 / 吸收等因素导致的辐射误差，将原始 DN 值（数字量化值）转化为真实的地物反射率 / 辐射率；

• 几何校正：修正图像的几何变形（如传感器倾斜、地形起伏导致的像素偏移），确保像素空间位置与实际地物位置一致；

• 噪声去除：采用高斯滤波（平滑高频噪声）、主成分分析（PCA）去噪（分离噪声与有效信号）或小波变换去噪（保留光谱细节），抑制高光谱图像中的随机噪声与条带噪声。

2. 关键光谱特征筛选

针对高光谱图像的维度灾难问题，需通过特征筛选提取区分度最高的光谱波段，减少冗余信息，为 BTC 设计简化特征空间。常用的特征筛选方法包括：

• 波段间相关性分析：计算任意两个波段的皮尔逊相关系数，剔除相关性高于阈值（如 0.9）的冗余波段，保留独立且信息丰富的波段；

• 类间可分性准则：采用 J-M 距离（Jeffries-Matusita Distance）或离散度准则，量化不同类别在地物在各波段的可分性，筛选 J-M 距离大于 1.8（完全可分阈值）的波段；

• 特征重要性排序：结合随机森林、 Relief-F 等算法，评估各波段对分类结果的贡献度，选取排名前 K（如 K=5-10）的关键波段。

例如，在农作物分类中，可筛选出 “红边波段（700-750nm，区分作物品种）、近红外波段（800-900nm，区分植被与非植被）、短波红外波段（1500-1700nm，区分作物水分含量）” 三个关键波段，构建 BTC 的特征空间。

3. BTC 阈值设计与优化

阈值设计是 BTC 分类的核心，需基于关键光谱特征的统计分布与地物类别特性，确定合理的分类阈值。常用的阈值设计方法分为两类：

4. 分类执行与结果输出

基于设计的阈值与融合策略，对预处理后的高光谱图像进行逐像素分类：

• 逐像素阈值比较：对每个像素的关键波段特征，与预设阈值进行比较，初步确定类别归属；

• 空间信息辅助优化：利用高光谱图像的空间连续性，对分类结果进行后处理 —— 若某像素的类别与周围 8 邻域像素的多数类别不一致，判定为 “孤立噪声像素”，将其类别修正为邻域多数类别（即 “空间平滑” 操作），减少分类噪声；

• 分类结果输出：将分类结果以伪彩色图像形式输出（如植被标为绿色、土壤标为棕色、水体标为蓝色），同时生成分类精度评价指标（如总体精度、Kappa 系数、各类别召回率 / 精确率）。

5. 分类精度评价

采用高光谱图像分类领域的标准评价指标，量化 BTC 的分类性能，常用指标包括：

• 总体精度（Overall Accuracy，OA）：正确分类的像素数占总像素数的比例，反映整体分类效果；

• Kappa 系数：考虑随机分类误差的一致性系数，取值范围为 [-1,1]，Kappa>0.8 表示分类结果优秀，0.6<Kappa≤0.8 表示良好；

• 类别精度（Class Accuracy）：包括召回率（Recall，某类地物被正确分类的比例）与精确率（Precision，被判定为某类的像素中实际为该类的比例），用于分析各类别分类的准确性（如是否存在某类地物漏检或误检严重的情况）。

四、BTC 在高光谱图像分类中的关键优化策略

针对高光谱图像分类的难点，需从特征处理、阈值自适应、多信息融合三个维度对 BTC 进行优化，提升分类精度与鲁棒性。

1. 基于光谱特征变换的阈值优化

通过光谱特征变换，增强地物间的光谱差异，使 BTC 的阈值更易设计：

• 光谱归一化：将各波段的光谱值归一化到 [0,1] 或 [-1,1] 范围，消除不同波段光谱值量级差异的影响（如可见光波段反射率通常低于 0.5，近红外波段可达 0.8），使阈值具有统一的比较基准；

• 光谱导数变换：计算光谱的一阶导数（反映光谱斜率变化，突出红边效应）或二阶导数（反映光谱曲率变化，突出吸收峰位置），增强相似地物的光谱差异。例如，小麦与玉米的原始光谱曲线重叠度高，但一阶导数在红边波段（720nm）的差异显著，可基于该导数特征设计 BTC 阈值，提升分类精度。

2. 自适应阈值调整机制

传统固定阈值在复杂场景（如光照变化、地物混合像素）下易失效，需设计自适应阈值调整机制：

• 局部阈值自适应：将高光谱图像划分为多个局部区域（如 16×16 像素块），对每个区域单独计算阈值（如局部 Otsu 阈值），适应不同区域的光照与地物分布差异（如阴影区域与光照区域的植被反射率不同，需分别设定阈值）；

• 动态阈值更新：针对时序高光谱图像（如作物生长周期监测），基于不同时间节点的地物光谱变化（如作物从苗期到成熟期的反射率变化），动态更新 BTC 阈值，确保各时序图像的分类一致性。

3. 多源信息融合增强

结合高光谱图像的空间信息、纹理信息或其他数据源（如 LiDAR 高程数据），弥补单一光谱特征的不足：

• 空间 - 光谱融合：在 BTC 分类后，引入 “标记控制区域生长” 算法，以分类结果中的可靠像素（如高置信度的植被像素）为种子点，结合相邻像素的光谱相似度与空间距离，扩展生成完整的地物区域，解决混合像素（如植被与土壤的过渡区域）的分类模糊问题；

• 纹理 - 光谱融合：提取高光谱图像的纹理特征（如灰度共生矩阵的对比度、熵），将纹理特征作为额外的阈值判断依据（如建筑区域的纹理对比度高于植被区域，可通过纹理阈值辅助区分建筑与植被）；

• 多传感器数据融合：结合 LiDAR 数据的高程信息（如建筑的高程高于植被，水体的高程低于周围地物），设计高程阈值与光谱阈值的融合规则，提升复杂地形下的分类精度（如山区的植被与岩石分类）。

五、应用场景与未来展望

1. 典型应用场景

基于 BTC 的高光谱图像分类已在多个领域展现出实用价值：

• 农业遥感：作物品种识别、长势监测、病虫害早期诊断（如通过植被红边波段阈值区分健康作物与病虫害作物）；

• 环境监测：水体污染程度分类（如通过水体在 450nm 与 620nm 波段的反射率阈值，区分清洁水、轻度污染水与重度污染水）、土壤盐碱化等级划分；

• 地质勘探：矿物种类识别（如通过矿物的特征吸收峰波段阈值，区分石英、长石、方解石等矿物）；

• 城市规划：城市用地分类（如通过光谱与纹理阈值结合，区分住宅用地、商业用地、绿地、水体）。

2. 未来发展方向

• 深度学习辅助阈值设计：结合卷积神经网络（CNN）或 Transformer 模型，自动学习高光谱图像的关键特征与阈值分布规律，替代人工特征筛选与阈值设定，实现 “端到端” 的智能 BTC 分类；

• 多模态阈值融合：融合高光谱图像、LiDAR、热红外等多模态数据，设计跨模态的阈值融合规则，提升复杂场景（如多云天气、夜间环境）下的分类鲁棒性；

⛳️ 运行结果

🔗 参考文献

[1] 孙丽娟.基于支持向量机的高光谱图像分类技术研究[D].哈尔滨工程大学[2025-09-10].DOI:10.7666/d.y2052229.

[2] 王彩玲,王洪伟,炳樑,等.基于邻域分割的空谱联合稀疏表示高光谱图像分类技术研究[J].光谱学与光谱分析, 2016, 36(9):6.DOI:10.3964/j.issn.1000-0593(2016)09-2919-06.

[3] 乔蕾.基于支持向量机的高光谱图像分类研究[D].哈尔滨工程大学[2025-09-10].DOI:10.7666/d.y1437465.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇