專利名稱：一種面向?qū)ο蟮母吖庾V特征處理方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種高光譜遙感圖像光譜特征處理方法，可用于在航空、航天高光譜遙感圖像上建立光譜特征庫(kù)，并以此為基礎(chǔ)進(jìn)行高光譜遙感圖像分類、解混、目標(biāo)檢測(cè)與識(shí)別等處理。
背景技術(shù)：
高光譜遙感是一門新興的學(xué)科，是當(dāng)前遙感技術(shù)的前沿。隨著空間分辨率和光譜分辨率的逐漸提升，已經(jīng)成為人們獲取信息的重要手段，在軍事偵察、環(huán)境監(jiān)測(cè)、資源調(diào)查、土地利用和城市規(guī)劃等領(lǐng)域中發(fā)揮越來(lái)越重要的作用。高光譜波段眾多、信息量大，可以反映地物的材質(zhì)信息，因此增加了目標(biāo)對(duì)象的描述信息。在高光譜信息處理任務(wù)中，一般都要以目標(biāo)對(duì)象的光譜庫(kù)為基礎(chǔ)，光譜庫(kù)中存儲(chǔ)目標(biāo)對(duì)象的光譜信息，以通過(guò)待判別像元的光·譜與庫(kù)中的光譜進(jìn)行匹配來(lái)完成地物分類、解混、目標(biāo)檢測(cè)與識(shí)別等工作，因此，光譜庫(kù)在高光譜信息處理中占據(jù)著重要地位。但由于受光源、大氣環(huán)境、傳感器等因素影響，地物的光譜常常有較大的改變，簡(jiǎn)單依靠光譜匹配已經(jīng)不能滿足后續(xù)處理的要求。面對(duì)地物光譜的多樣性與不確定性，如何構(gòu)建一種適應(yīng)目標(biāo)檢測(cè)與識(shí)別任務(wù)的光譜特征庫(kù)，并在該庫(kù)的基礎(chǔ)上，有效地完成檢測(cè)與識(shí)別任務(wù)，成為人們關(guān)心和研究的熱點(diǎn)問(wèn)題，也是具有高度挑戰(zhàn)性的難點(diǎn)問(wèn)題。目前，國(guó)際上已經(jīng)建立起了一些光譜數(shù)據(jù)庫(kù)，例如JPL、JHU、IGCP-264、ASTER等，這些光譜庫(kù)中保存地物光譜的反射率文件，可提供數(shù)據(jù)瀏覽、數(shù)據(jù)更新、波譜顯示與比較等功能，但其本質(zhì)還是光譜數(shù)據(jù)庫(kù)。而分類與檢測(cè)任務(wù)中，需要在光譜數(shù)據(jù)上提取特征，如二值編碼、光譜角等特征。隨著光譜特征研究的不斷深入，地物的光譜的描述特征也層出不窮，傳統(tǒng)的方式是提取統(tǒng)一的單一特征完成匹配。而實(shí)際中，不同目標(biāo)的有效特征不盡相同，同一特征的提取與匹配方法也不盡相同，這不僅需要通過(guò)學(xué)習(xí)的方式確定最優(yōu)的特征，而且也需要將光譜數(shù)據(jù)庫(kù)擴(kuò)展為光譜特征庫(kù)，即將有效描述該類目標(biāo)的特征及其匹配方法一同加入特征庫(kù)中，目標(biāo)檢測(cè)所需的光譜庫(kù)，不應(yīng)僅僅是簡(jiǎn)單的數(shù)據(jù)和曲線的集合，同時(shí)還應(yīng)包括針對(duì)目標(biāo)對(duì)象所提取的特征，以及利用這種特征的匹配方法。

發(fā)明內(nèi)容
實(shí)現(xiàn)為了克服現(xiàn)有光譜庫(kù)中僅儲(chǔ)存光譜數(shù)據(jù)而對(duì)目標(biāo)對(duì)象的光譜描述不全面，不能夠很好地解決高光譜分類、檢測(cè)與識(shí)別任務(wù)，本發(fā)明目的是提出一種高光譜特征處理方法，基于該方法能夠構(gòu)建光譜特征庫(kù)，在保存目標(biāo)對(duì)象的光譜數(shù)據(jù)之外，還保存該目標(biāo)對(duì)象的光譜特征及其匹配方法。本發(fā)明的面向?qū)ο蟮母吖庾V特征處理方法包括步驟步驟SI :采集樣本光譜；步驟S2 :光譜特征分類學(xué)習(xí)提取輸入樣本的光譜特征并進(jìn)行訓(xùn)練，得到訓(xùn)練樣本分類結(jié)果；步驟S3 :根據(jù)訓(xùn)練樣本分類的結(jié)果，選取其中最優(yōu)的光譜特征組成特征集；步驟S4 :將最優(yōu)光譜特征、特征匹配算法加入到光譜特征庫(kù)中。
其中，步驟S2進(jìn)一步包括步驟S21 :對(duì)光譜樣本集中的光譜樣本分別提取m種不同的特征，分成訓(xùn)練樣本集與測(cè)試樣本集；步驟S22 :對(duì)訓(xùn)練樣本集針對(duì)不同的特征采用不同的特征匹配算法進(jìn)行訓(xùn)練；步驟S23 :對(duì)測(cè)試樣本集進(jìn)行分類；步驟S24，針對(duì)訓(xùn)練樣本集和測(cè)試樣本集共得到m個(gè)分類結(jié)果。其中，步驟S3進(jìn)一步包括步驟S31 :根據(jù)m個(gè)分類結(jié)果，對(duì)m個(gè)特征依分類精度由高到低進(jìn)行排序；步驟S32 :選擇前k個(gè)特征作為選擇特征,組成特征集，同時(shí)將這k個(gè)特征對(duì)應(yīng)的特征匹配算法組成特征算法集。其中，將光譜特征信息按照對(duì)象的類別加入到光譜特征庫(kù)中。光譜特征信息包括對(duì)象描述、光譜特征集和特征匹配算法集。對(duì)象描述包括該對(duì)象的名稱、類別、物理屬性。多種對(duì)象的光譜特征信息構(gòu)建成為光譜特征庫(kù)。其中步驟SI進(jìn)一步包括步驟Sll,獲取高光譜遙感圖像上對(duì)象的光譜；步驟 S12，從所述光譜中選擇樣本光譜，得到光譜樣本集。其中，步驟Sll進(jìn)一步包括如果高光譜遙感圖像的空間分辨率低或目標(biāo)對(duì)象較小而導(dǎo)致像元較少時(shí)，為了消除直接在高光譜圖像上選取帶來(lái)的誤差，則將高光譜遙感圖像與高分辨率可見(jiàn)光遙感圖像進(jìn)行配準(zhǔn)。其中，步驟S12進(jìn)一步包括選取對(duì)象的光譜，獲得目標(biāo)對(duì)象的較純像元進(jìn)而得到樣本光譜，之后判斷該樣本光譜是否為純光譜，如果是則加入光譜樣本集，如果不是則通過(guò)背景樣本光譜進(jìn)行解混，得到較純光譜樣本集。利用本發(fā)明的方法能夠建立一種包含目標(biāo)對(duì)象的光譜特征與特征匹配算法的高光譜遙感圖像光譜特征庫(kù)，將傳統(tǒng)的高光譜遙感圖像光譜數(shù)據(jù)庫(kù)拓展為光譜特征庫(kù)，同時(shí)，針對(duì)高光譜分類、檢測(cè)與識(shí)別任務(wù)中，不同對(duì)象的特征與匹配算法難以統(tǒng)一的情況，提出了面向?qū)ο蟮奶卣髅枋觥?br>

圖I為本發(fā)明面向?qū)ο蟮母吖庾V特征處理方法的流程圖。圖2為本發(fā)明樣本光譜采集流程圖。圖3為本發(fā)明光譜特征學(xué)習(xí)流程圖。圖4為本發(fā)明光譜特征選擇流程圖。圖5為本發(fā)明光譜特征信息組成結(jié)構(gòu)圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。本發(fā)明使用的方法既可以在個(gè)人計(jì)算機(jī)、工控機(jī)及服務(wù)器上以軟件的形式安裝并執(zhí)行，也可將方法做成嵌入式芯片以硬件的形式來(lái)體現(xiàn)。本發(fā)明的基本原理是利用高分辨率可見(jiàn)光遙感圖像與高光譜遙感圖像混合像元分解的方法采集高光譜遙感圖像中目標(biāo)對(duì)象較純像元的光譜樣本，并對(duì)這些樣本提取多種特征，之后采用多種特征匹配方法進(jìn)行特征學(xué)習(xí)，然后分類測(cè)試，并依據(jù)分類的結(jié)果選擇最優(yōu)的若干特征形成特征集，最后將特征集和匹配算法集一同加入光譜特征庫(kù)。圖I為本發(fā)明面向?qū)ο蟮母吖庾V特征庫(kù)構(gòu)建方法的流程圖。
如圖I所示，首先在步驟SI采集樣本光譜，在高光譜遙感圖像上獲得目標(biāo)對(duì)象的較純像元，較純像元主要是指由多種地物組成的混合像元，其中某種地物占據(jù)主導(dǎo)成分，實(shí)際中沒(méi)有真正意義上的純像元，獲取的像元主要是混合像元，因此較純像元是相對(duì)較純像元，混合地物中某種地物占絕對(duì)主導(dǎo)成分可以致其它地物的影響忽略不計(jì)，進(jìn)而能夠得到較為純凈的目標(biāo)對(duì)象(目標(biāo)對(duì)象主要指一些感興趣的目標(biāo)，如飛機(jī)、坦克等移動(dòng)目標(biāo)以及機(jī)場(chǎng)跑道等建筑物)的光譜樣本，也就是進(jìn)行樣本光譜的采集，接著在步驟S2，對(duì)這些樣本光譜提取不同的特征，相應(yīng)地采用不同的匹配算法進(jìn)行訓(xùn)練，然后進(jìn)行分類測(cè)試，再根據(jù)分類結(jié)果選擇特征，選取其中最優(yōu)的光譜特征組成特征集，最后在步驟S4，將這些特征與對(duì)應(yīng)的特征匹配算法作為該對(duì)象的特征描述，加入光譜特征庫(kù)。圖2為本發(fā)明樣本光譜采集流程圖。本發(fā)明中的樣本光譜采集是以如下方式實(shí)現(xiàn)的，首先在步驟S11，獲取高光譜遙感圖像上對(duì)象的光譜，但有時(shí)由于高光譜遙感圖像的空間分辨率低或目標(biāo)對(duì)象較小，導(dǎo)致像元較少時(shí)，為了消除直接在高光譜圖像上選取帶來(lái)的誤差，需要將高光譜遙感圖像與高分辨率可見(jiàn)光遙感圖像進(jìn)行配準(zhǔn)，然后在步驟S12選取對(duì)象的光譜，可采用人工選取的方式獲得目標(biāo)對(duì)象的較純像元進(jìn)而得到樣本光譜，之后判斷提取的光譜(一般來(lái)說(shuō)可以采用人工的方式判斷，如果目標(biāo)比較大的話，目標(biāo)的中間區(qū) 域光譜為較為純凈光譜，如果目標(biāo)比較小，目標(biāo)邊緣為混合光譜，需要通過(guò)混合像元的方式獲得較為純凈像元)是否為純光譜(與較為純凈光譜同意)，如果是則加入光譜樣本集，如果不是則執(zhí)行步驟S13，還需要通過(guò)背景樣本光譜進(jìn)行解混，最后得到較純光譜(與較為純凈像元同意)樣本集。圖3為本發(fā)明光譜特征學(xué)習(xí)流程圖。本發(fā)明中的光譜特征學(xué)習(xí)是以如下方式實(shí)現(xiàn)的，首先對(duì)光譜樣本集中的光譜樣本分別提取m種不同的特征，然后采用隨機(jī)抽取的方法按一定的比例(如10% )抽出一定數(shù)量光譜樣本集組成訓(xùn)練樣本集，余下的作為測(cè)試樣本集，接著對(duì)訓(xùn)練集分別進(jìn)行訓(xùn)練，在訓(xùn)練的過(guò)程中，每種特征采用不同的且針對(duì)該特征的匹配算法，之后采用測(cè)試樣本集對(duì)提取的光譜特征的目標(biāo)對(duì)象類別進(jìn)行分類，這樣得到m個(gè)分類結(jié)果，例如采用SVM訓(xùn)練特征集，得到分類模型，然后通過(guò)測(cè)試樣本集分類結(jié)果判斷特征的區(qū)分能力。圖4為本發(fā)明光譜特征選擇流程。本發(fā)明中的光譜特征選擇是以如下方式實(shí)現(xiàn)的，首先根據(jù)m個(gè)分類結(jié)果，對(duì)m個(gè)特征按照分類精度(對(duì)同一目標(biāo)，分類精度高，特征的區(qū)分能力越強(qiáng))由高到低進(jìn)行排序，然后選擇前k個(gè)特征作為選擇特征，組成特征集，同時(shí)將這k個(gè)特征對(duì)應(yīng)的特征匹配算法組成特征算法集。圖5為本發(fā)明光譜特征信息組成結(jié)構(gòu)示意圖。光譜特征信息包括對(duì)象描述，主要是指該對(duì)象的材質(zhì)特性；光譜特征集，光譜特征集指通過(guò)特征選擇后，選擇區(qū)分能力強(qiáng)的各種特征組合；以及特征匹配算法集，特征匹配算法是指對(duì)象與對(duì)象之間，某種特征的比較算法，而特征匹配算法集是指每種特征比較算法的集合。其中對(duì)象描述包括該對(duì)象的名稱、類另IJ、物理屬性等信息。光譜特征集與特征匹配算法集則為光譜選擇步驟的輸出結(jié)果。本發(fā)明的光譜信息入庫(kù)，就是將圖5描述的光譜特征信息按照對(duì)象的類別加入到光譜特征庫(kù)中。多種對(duì)象的光譜特征信息最終構(gòu)建成為光譜特征庫(kù)。以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說(shuō)明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)?！?br> 權(quán)利要求
1.一種面向?qū)ο蟮母吖庾V特征處理方法，其特征在于，該方法包括步驟 步驟Si:采集樣本光譜，得到光譜樣本集； 步驟S2 :對(duì)輸入的樣本光譜提取特征并進(jìn)行訓(xùn)練，得到訓(xùn)練樣本分類結(jié)果； 步驟S3 :根據(jù)訓(xùn)練樣本分類的結(jié)果，選取其中最優(yōu)的光譜特征組成特征集； 步驟S4 :將最優(yōu)光譜特征、特征匹配算法加入到光譜特征庫(kù)中。
2.如權(quán)利要求I所述的方法，其特征在于，所述步驟S2進(jìn)一步包括 步驟S21 :對(duì)光譜樣本集中的光譜樣本分別提取m種不同的特征，分成訓(xùn)練樣本集與測(cè)試樣本集； 步驟S22 :對(duì)訓(xùn)練樣本集針對(duì)不同的特征采用不同的特征匹配算法進(jìn)行訓(xùn)練； 步驟S23 :對(duì)測(cè)試樣本集進(jìn)行分類； 步驟S24，針對(duì)訓(xùn)練樣本集和測(cè)試樣本集共得到m個(gè)分類結(jié)果。
3.如權(quán)利要求2所述的方法，其特征在于，所述步驟S3進(jìn)一步包括 步驟S31 :根據(jù)m個(gè)分類結(jié)果，對(duì)m個(gè)特征依分類精度由高到低進(jìn)行排序； 步驟S32 :選擇前k個(gè)特征作為選擇特征，組成特征集，同時(shí)將這k個(gè)特征對(duì)應(yīng)的特征匹配算法組成特征算法集。
4.如權(quán)利要求3所述的方法，其特征在于，將光譜特征信息按照對(duì)象的類別加入到光譜特征庫(kù)中。
5.如權(quán)利要求4所述的方法，其特征在于，光譜特征信息包括對(duì)象描述、光譜特征集和特征匹配算法集。
6.如權(quán)利要求5所述的方法，其特征在于，對(duì)象描述包括該對(duì)象的名稱、類別、物理屬性。
7.如權(quán)利要求6所述的方法，其特征在于，多種對(duì)象的光譜特征信息構(gòu)建成為光譜特征庫(kù)。
8.如權(quán)利要求2所述的方法，其特征在于，步驟SI進(jìn)一步包括 步驟SI I，獲取高光譜遙感圖像上對(duì)象的光譜； 步驟S12，從所述光譜中選擇樣本光譜，得到光譜樣本集。
9.如權(quán)利要求8所述的方法，其特征在于，步驟Sll進(jìn)一步包括如果高光譜遙感圖像的空間分辨率低或目標(biāo)對(duì)象較小而導(dǎo)致像元較少時(shí)，為了消除直接在高光譜圖像上選取帶來(lái)的誤差，則將高光譜遙感圖像與高分辨率可見(jiàn)光遙感圖像進(jìn)行配準(zhǔn)。
10.如權(quán)利要求8所述的方法，其特征在于，步驟S12進(jìn)一步包括選取對(duì)象的光譜，獲得目標(biāo)對(duì)象的較純像元進(jìn)而得到樣本光譜，之后判斷該樣本光譜是否為純光譜，如果是則加入光譜樣本集，如果不是則通過(guò)背景樣本光譜進(jìn)行解混，得到較純光譜樣本集。
全文摘要
本發(fā)明公開(kāi)了一種面向?qū)ο蟮母吖庾V遙感圖像光譜特征處理方法，包括步驟S1采集樣本光譜；步驟S2光譜特征分類學(xué)習(xí)提取輸入樣本的光譜特征并進(jìn)行訓(xùn)練，得到訓(xùn)練樣本分類結(jié)果；步驟S3根據(jù)訓(xùn)練樣本分類的結(jié)果，選取其中最優(yōu)的光譜特征組成特征集；步驟S4將最優(yōu)光譜特征、特征匹配算法加入到光譜特征庫(kù)中。本發(fā)明可用于在航空、航天高光譜遙感圖像上建立光譜特征庫(kù)，并以此為基礎(chǔ)進(jìn)行高光譜遙感圖像分類、解混、目標(biāo)檢測(cè)與識(shí)別等處理。該光譜特征庫(kù)最大特點(diǎn)是增加了光譜的描述信息，即在光譜數(shù)據(jù)的基礎(chǔ)上，加入了對(duì)象的光譜特征與匹配算法。
文檔編號(hào)G06K9/62GK102930293SQ20121039888
公開(kāi)日2013年2月13日 申請(qǐng)日期2012年10月19日 優(yōu)先權(quán)日2012年10月19日
發(fā)明者馬雷, 潘春洪, 張騫 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所