本發(fā)明屬于圖像處理領(lǐng)域，尤其涉及一種基于超像素級信息融合的高光譜圖像的分類方法及系統(tǒng)。

背景技術(shù)：

本發(fā)明涉及到的是一種利用高光譜圖像對地面物質(zhì)進(jìn)行分類的技術(shù)。高光譜圖像是由遙感傳感器在電磁波譜的可見光，近紅外，中紅外和熱紅外波段范圍內(nèi)，從地面上感興趣的物質(zhì)上獲取的多光譜影像數(shù)據(jù)。高光譜圖像光譜分辨率和維數(shù)的大量增加使得更精確和精細(xì)的分類成為可能。然而，高光譜特性和分類研究中主要存在以下兩個難點(diǎn)：一是高維使得提高小樣本分類的精度及其困難，即所謂的“維數(shù)災(zāi)難”現(xiàn)象；二是波段維數(shù)高使得計(jì)算量極具增大，而且波段間的強(qiáng)相關(guān)性增加了冗余性，如果不進(jìn)行有效處理，會對結(jié)果有影響。

傳統(tǒng)的分類方法(K近鄰，支持向量機(jī)，基于稀疏表示的分類)在高光譜上只利用光譜數(shù)據(jù)直接進(jìn)行分類，無法滿足實(shí)際的分類效果。為了解決以上難點(diǎn)，譜域-空域結(jié)合的高光譜圖像分類技術(shù)應(yīng)運(yùn)而生。鑒于高光譜圖像具備空間、光譜信息，像素之間隱藏著豐富的有助于分類的信號變化信息，一個有效的方法就是希望能夠提取出更強(qiáng)鑒別力的空間-光譜組合特征，從而提高分類精度。

當(dāng)前，除了結(jié)合譜域-空域來提高分類性能，多任務(wù)的分類方法也被廣泛采納。多任務(wù)的分類方法主要表現(xiàn)在兩個方面，一個是聯(lián)合多種分類器進(jìn)行的分類，該種方法認(rèn)為不同的分類器具有不同的決策性能，綜合在一起使用可以減少分類精度的方差，從而提高分類系統(tǒng)的性能。另一個方面則是聯(lián)合多種特征進(jìn)行的分類，該種方法通過各種特征的不同描述，自適應(yīng)的補(bǔ)足特征之間的差異，使得對類別的判別能力更強(qiáng)。

然而，單純的使用上述方法無法排除高光譜圖像波段之間的冗余性，當(dāng)前，解決以上問題的主要方法就是使用數(shù)據(jù)降維。現(xiàn)有的降維方法可以分為兩類：一類是基于變換的方法，如主成分分析(PCA)、正交子空間投影(OSP)、正則分析(CA)、離散小波變換(DWT)，薛定諤特征映射(SE)等?；谧儞Q的降維方式，其優(yōu)點(diǎn)是可以經(jīng)過若干變換直接將高維數(shù)據(jù)降低到低維甚至一維，并且在降維過程中還可以融合空間與光譜信息，得到分辨力更強(qiáng)的特征，從而為分類精度的提高提供了可能；缺點(diǎn)就是改變了圖像原有的特性。另一類是基于非變換的，如波段選擇，數(shù)據(jù)源劃分等?；诜亲儞Q的降維方式是在考察圖像整體特點(diǎn)之后對圖像進(jìn)行選擇和劃分的，它的優(yōu)點(diǎn)是保持了圖像原有的特性；缺點(diǎn)就是波段選擇后的圖像仍然無法滿足實(shí)際的分類效果。

目前，多任務(wù)的分類技術(shù)已經(jīng)取得了一定的科研成果。采用了三維Gabor特征提取的方法選擇性的得到多種高光譜數(shù)據(jù)特征，然后分別使用稀疏表示進(jìn)行編碼并重構(gòu)得到各特征的重構(gòu)誤差，再將各特征的重構(gòu)誤差以線性加權(quán)的方式進(jìn)行融合。最后，通過融合后的重構(gòu)誤差進(jìn)行分類。該方法在分類階段對各Gabor特征進(jìn)行了融合，提高了分類精度，但提取出的Gabor特征仍然具備極大的冗余性，而且使用稀疏表示的方法進(jìn)行多任務(wù)分類使得計(jì)算復(fù)雜度極高，短時內(nèi)難以完成大量像素的分類。

除了多任務(wù)的分類技術(shù)，采用空譜結(jié)合的數(shù)據(jù)降維的方法也取得了一定的科研成果。使用超像素作用于薛定諤特征映射方法來對高光譜數(shù)據(jù)進(jìn)行降維，加快了降維速度，但卻由于特征單一，使用超像素級的降維難以達(dá)到小樣本的分類精度要求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于提供一種基于超像素級信息融合的高光譜圖像的分類方法及系統(tǒng)，旨在解決現(xiàn)有的分類方法計(jì)算復(fù)雜度高、分類精度較低以及波段間存在較大冗余的問題。

為解決上述技術(shù)問題，本發(fā)明是這樣實(shí)現(xiàn)的，本發(fā)明提供了一種基于超像素級信息融合的高光譜圖像的分類方法，包括下述步驟：

濾波器生成步驟：生成若干個二維的Gabor濾波器；

Gabor特征提取步驟：將每一個所述Gabor濾波器分別與高光譜圖像中的每一個波段進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊；

高光譜圖像超像素分割步驟：對所述高光譜圖像進(jìn)行超像素分割，得到若干個超像素；

超像素特征數(shù)據(jù)計(jì)算步驟：將每一個所述超像素與每一個所述Gabor特征塊分別進(jìn)行均值計(jì)算，得到若干個第一維度的超像素特征數(shù)據(jù)；

超像素空間坐標(biāo)計(jì)算步驟：將每一個所述超像素與所述高光譜圖像分別進(jìn)行坐標(biāo)均值計(jì)算，得到1個空間坐標(biāo)數(shù)據(jù)集合；

數(shù)據(jù)降維步驟：將每一個所述第一維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用空譜結(jié)合的薛定諤特征映射方法進(jìn)行特征降維，從第一維度降到第二維度，得到若干個第二維度的超像素特征數(shù)據(jù)；

高光譜特征數(shù)據(jù)生成步驟：將每一個所述第二維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，得到若干個三維高光譜特征數(shù)據(jù)；

多任務(wù)支持向量機(jī)分類步驟：對所述每一個三維高光譜特征數(shù)據(jù)分別進(jìn)行多任務(wù)的支持向量機(jī)分類。

進(jìn)一步地，所述Gabor特征提取步驟包括：

將每一個所述二維Gabor濾波器與所述高光譜圖像的每一個波段分別進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果根據(jù)下述公式進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊：

其中，表示若干個二維Gabor濾波器集合，表示第t個Gabor濾波器，(x,y)表示在二維平面進(jìn)行卷積運(yùn)算時對應(yīng)的二元坐標(biāo)變量，R表示所述高光譜圖像，其中λ表示所述高光譜圖像的每一波段，l表示高光譜圖像的寬度，m表示高光譜圖像的長度，B表示高光譜圖像的波段數(shù)，即高光譜圖像的高度，l×m×B表示三維，{M_t,t＝1,2,..,X}表示若干個Gabor特征塊集合，M_t表示第t個Gabor特征塊，其中t表示個數(shù)，X為正整數(shù)。

進(jìn)一步地，所述超像素特征數(shù)據(jù)計(jì)算步驟包括：{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t分別進(jìn)行均值計(jì)算，得到n×B維的超像素特征數(shù)據(jù)N_t，最終共得到若干個n×B維的超像素特征數(shù)據(jù)集合{N_t,t＝1,2,..,X}；

在{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t進(jìn)行均值計(jì)算時，S₁對應(yīng)M_t進(jìn)行均值計(jì)算得到第1個B維的向量，S₂對應(yīng)M_t進(jìn)行均值計(jì)算得到第2個B維的向量，S₃對應(yīng)M_t進(jìn)行均值計(jì)算得到第3個B維的向量，依次類推至S_n對應(yīng)M_t進(jìn)行均值計(jì)算得到第n個B維的向量，最終共得到n個B維的向量，即n×B維的超像素特征數(shù)據(jù)N_t；

其中，{S_i,i＝1,2,..,n}表示對高光譜圖像進(jìn)行超像素分割得到的若干個超像素集合，S_i表示第i個超像素，n表示超像素的個數(shù)；B維表示所述第一維度，{N_t,t＝1,2,..,X}表示若干個n×B維的超像素特征數(shù)據(jù)集合，N_t表示第t個超像素特征數(shù)據(jù)；

其中，所述每一個超像素S_i均包含若干個像素；

所述超像素空間坐標(biāo)計(jì)算步驟包括：將所述每一個超像素S_i分別與所述高光譜圖像R進(jìn)行坐標(biāo)均值計(jì)算，得到1個n×2維的空間坐標(biāo)數(shù)據(jù)集合C；其中，C表示空間坐標(biāo)數(shù)據(jù)集合，

所述數(shù)據(jù)降維步驟包括：每一個超像素特征數(shù)據(jù)N_t分別與空間坐標(biāo)數(shù)據(jù)集合C使用空譜結(jié)合的薛定諤特征映射的方法進(jìn)行特征降維，從B維降到K維，得到K維的超像素特征數(shù)據(jù)D_t，最終共得到若干個K維的超像素特征數(shù)據(jù)集合{D_t，t＝1，2，...，X}；

其中，{D_t,t＝1,2,..,X}表示維度為K的超像素特征數(shù)據(jù)集合，K表示所述第二維度，D_t表示第t個K維的超像素特征數(shù)據(jù)；所述每一個超像素特征數(shù)據(jù)D_t所對應(yīng)的空間坐標(biāo)數(shù)據(jù)集合仍是C。

進(jìn)一步地，所述高光譜特征數(shù)據(jù)生成步驟包括：每一個超像素特征數(shù)據(jù)D_t分別和空間坐標(biāo)數(shù)據(jù)集合C使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，對應(yīng)原高光譜圖像補(bǔ)足所有空間坐標(biāo)的像素值，得到三維高光譜特征數(shù)據(jù)G_t，最終共得到若干個三維高光譜特征數(shù)據(jù)集合{G_t,t＝1,2,..,X}；

其中，{G_t,t＝1,2,..,X}表示若干個三維的高光譜特征數(shù)據(jù)集合，l×m×K表示三維，G_t表示第t個三維的高光譜特征數(shù)據(jù)；

所述多任務(wù)支持向量機(jī)分類包括：將每一個高光譜特征數(shù)據(jù)G_t劃分為訓(xùn)練數(shù)據(jù)G1_t和測試數(shù)據(jù)G2_t，g表示一個原始高光譜圖像測試數(shù)據(jù)樣本，其中g(shù)∈R，g_t表示G_t當(dāng)中與g同一位置坐標(biāo)的像素特征數(shù)據(jù)，g_t維度為K，{g_t∈G2_t,t＝1,2,..,X}表示X個維度為K的像素特征數(shù)據(jù)集合，那么對g的分類過程如下：

(1)對訓(xùn)練數(shù)據(jù){G1_t,t＝1,2,..,X}使用概率輸出的支持向量機(jī)方法進(jìn)行模型訓(xùn)練，得到概率輸出模型{Model_t,t＝1,2,..,X}；

(2)使用概率輸出模型Model_t對數(shù)據(jù)g_t進(jìn)行類別概率輸出，得到g_t屬于每一個類別的概率{P_t(i),i＝1,2,..,C}，其中C為類別總數(shù)；

(3)高光譜圖像樣本g的類別預(yù)測公式為:

本發(fā)明還提供了一種基于超像素級信息融合的高光譜圖像的分類系統(tǒng)，所述系統(tǒng)包括：

濾波器生成模塊：用于生成若干個二維的Gabor濾波器；

Gabor特征提取模塊：用于將每一個所述Gabor濾波器分別與高光譜圖像中的每一個波段進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊；

高光譜圖像超像素分割模塊：用于對所述高光譜圖像進(jìn)行超像素分割，得到若干個超像素；

超像素特征數(shù)據(jù)計(jì)算模塊：用于將每一個所述超像素與每一個所述Gabor特征塊分別進(jìn)行均值計(jì)算，得到若干個第一維度的超像素特征數(shù)據(jù)；

超像素空間坐標(biāo)計(jì)算模塊：用于將每一個所述超像素與所述高光譜圖像分別進(jìn)行坐標(biāo)均值計(jì)算，得到1個空間坐標(biāo)數(shù)據(jù)集合；

數(shù)據(jù)降維模塊：用于將每一個所述第一維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用空譜結(jié)合的薛定諤特征映射方法進(jìn)行特征降維，從第一維度降到第二維度，得到若干個第二維度的超像素特征數(shù)據(jù)；

高光譜特征數(shù)據(jù)生成模塊：用于將每一個所述第二維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，得到若干個三維高光譜特征數(shù)據(jù)；

多任務(wù)支持向量機(jī)分類模塊：用于對所述每一個三維高光譜特征數(shù)據(jù)分別進(jìn)行多任務(wù)的支持向量機(jī)分類。

進(jìn)一步地，所述Gabor特征提取模塊具體用于：

將每一個所述二維Gabor濾波器與所述高光譜圖像的每一個波段分別進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果根據(jù)下述公式進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊：

其中，表示若干個二維Gabor濾波器集合，表示第t個Gabor濾波器，(x,y)表示在二維平面進(jìn)行卷積運(yùn)算時對應(yīng)的二元坐標(biāo)變量，R表示所述高光譜圖像，其中λ表示所述高光譜圖像的每一波段，l表示高光譜圖像的寬度，m表示高光譜圖像的長度，B表示高光譜圖像的波段數(shù)，即高光譜圖像的高度，l×m×B表示三維，{M_t,t＝1,2,..,X}表示若干個Gabor特征塊集合，M_t表示第t個Gabor特征塊，其中t表示個數(shù)，X為正整數(shù)。

進(jìn)一步地，所述超像素特征數(shù)據(jù)計(jì)算模塊具體用于：{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t分別進(jìn)行均值計(jì)算，得到n×B維的超像素特征數(shù)據(jù)N_t，最終共得到若干個n×B維的超像素特征數(shù)據(jù)集合{N_t,t＝1,2,..,X}；

在{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t進(jìn)行均值計(jì)算時，S₁對應(yīng)M_t進(jìn)行均值計(jì)算得到第1個B維的向量，S₂對應(yīng)M_t進(jìn)行均值計(jì)算得到第2個B維的向量，S₃對應(yīng)M_t進(jìn)行均值計(jì)算得到第3個B維的向量，依次類推至S_n對應(yīng)M_t進(jìn)行均值計(jì)算得到第n個B維的向量，最終共得到n個B維的向量，即n×B維的超像素特征數(shù)據(jù)N_t；

其中，{S_i,i＝1,2,..,n}表示對高光譜圖像進(jìn)行超像素分割得到的若干個超像素集合，S_i表示第i個超像素，n表示超像素的個數(shù)；B維表示所述第一維度，{N_t,t＝1,2,..,X}表示若干個n×B維的超像素特征數(shù)據(jù)集合，N_t表示第t個超像素特征數(shù)據(jù)；

其中，所述每一個超像素S_i均包含若干個像素；

所述超像素空間坐標(biāo)計(jì)算模塊具體用于：將所述每一個超像素S_i分別與所述高光譜圖像R進(jìn)行坐標(biāo)均值計(jì)算，得到1個n×2維的空間坐標(biāo)數(shù)據(jù)集合C；其中，C表示空間坐標(biāo)數(shù)據(jù)集合，

所述數(shù)據(jù)降維模塊具體用于：每一個超像素特征數(shù)據(jù)N_t分別與空間坐標(biāo)數(shù)據(jù)集合C使用空譜結(jié)合的薛定諤特征映射的方法進(jìn)行特征降維，從B維降到K維，得到K維的超像素特征數(shù)據(jù)D_t，最終共得到若干個K維的超像素特征數(shù)據(jù)集合{D_t,t＝1,2,..,X}；

其中，{D_t,t＝1,2,..,X}表示維度為K的超像素特征數(shù)據(jù)集合，K表示所述第二維度，D_t表示第t個K維的超像素特征數(shù)據(jù)；所述每一個超像素特征數(shù)據(jù)D_t所對應(yīng)的空間坐標(biāo)數(shù)據(jù)集合仍是C。

進(jìn)一步地，所述高光譜特征數(shù)據(jù)生成模塊具體用于：每一個超像素特征數(shù)據(jù)D_t分別和空間坐標(biāo)數(shù)據(jù)集合C使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，對應(yīng)原高光譜圖像補(bǔ)足所有空間坐標(biāo)的像素值，得到三維高光譜特征數(shù)據(jù)G_t，最終共得到若干個三維高光譜特征數(shù)據(jù)集合{G_t,t＝1,2,..,X}；

其中，{G_t,t＝1,2,..,X}表示若干個三維的高光譜特征數(shù)據(jù)集合，l×m×K表示三維，G_t表示第t個三維的高光譜特征數(shù)據(jù)；

所述多任務(wù)支持向量機(jī)分類模塊具體用于：將每一個高光譜特征數(shù)據(jù)G_t劃分為訓(xùn)練數(shù)據(jù)G1_t和測試數(shù)據(jù)G2_t，g表示一個原始高光譜圖像測試數(shù)據(jù)樣本，其中g(shù)∈R，g_t表示G_t當(dāng)中與g同一位置坐標(biāo)的像素特征數(shù)據(jù)，g_t維度為K，{g_t∈G2_t,t＝1,2,..,X}表示X個維度為K的像素特征數(shù)據(jù)集合，那么對g的分類過程如下：

(1)對訓(xùn)練數(shù)據(jù){G1_t,t＝1,2,..,X}使用概率輸出的支持向量機(jī)方法進(jìn)行模型訓(xùn)練，得到概率輸出模型{Model_t,t＝1,2,..,X}；

(2)使用概率輸出模型Model_t對數(shù)據(jù)g_t進(jìn)行類別概率輸出，得到g_t屬于每一個類別的概率{P_t(i),i＝1,2,..,C}，其中C為類別總數(shù)；

(3)高光譜圖像樣本g的類別預(yù)測公式為:

本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：

針對現(xiàn)有的多任務(wù)稀疏表示分類方法計(jì)算復(fù)雜且計(jì)算量大的缺點(diǎn)，本發(fā)明采用基于多任務(wù)支持向量機(jī)分類的方法，大大降低了計(jì)算的復(fù)雜度；

針對現(xiàn)有的光譜數(shù)據(jù)在超像素級使用空譜結(jié)合的薛定諤降維后小樣本分類精度不高的問題，本發(fā)明采用基于二維Gabor的多種特征結(jié)合超像素的空譜結(jié)合的薛定諤特征降維方法，具有更高的分類精度。

針對現(xiàn)有的波段間存在極大的冗余性問題，本發(fā)明使用的Gabor特征塊包含了更加豐富的局部變化信息，使用數(shù)據(jù)降維的方法減少了波段之間的冗余信息。

附圖說明

圖1是本發(fā)明實(shí)施例提供的基于超像素級信息融合的高光譜圖像的分類方法流程示意圖；

圖2是本發(fā)明實(shí)施例提供的不同頻率和方向的濾波器示意圖；

圖3是本發(fā)明實(shí)施例提供的Gabor特征獲取示意圖；

圖4是本發(fā)明實(shí)施例提供的Gabor濾波器對高光譜某一波段的圖像進(jìn)行卷積的結(jié)果示意圖；

圖5是本發(fā)明實(shí)施例提供的使用SLIC方法將高光譜圖像分割成超像素的平面示意圖；

圖6是多任務(wù)支持向量機(jī)分類示意圖；

圖7是本發(fā)明實(shí)施例提供的基于超像素級信息融合的高光譜圖像的分類系統(tǒng)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實(shí)施例提供了一種基于超像素級信息融合的高光譜圖像的分類方法，如圖1所示，包括下述步驟：

步驟S101：生成若干個二維的Gabor濾波器。

在本發(fā)明實(shí)施例中，采用了以下方法生成Gabor濾波器，生成Gabor濾波器的公式為：

其中，x′＝xcosθ_v+ysinθ_v，y′＝-xsinθ_v+ycosθ_v，a＝0.9589f_u，b＝1.1866f_u，f_u表示Gabor濾波器的頻率，θ_v表示Gabor濾波器的方向，(x,y)表示Gabor濾波器對應(yīng)的二元變量。

本發(fā)明實(shí)施例設(shè)計(jì)了4個f_u＝[0.03589,0.09473,0.25,0.6577]和6個θ_v＝[0,40,80,120,160,180]，按照上述生成Gabor濾波器的公式計(jì)算共生成了24個二維的Gabor濾波器其中，表示24個二維Gabor濾波器集合，表示第t個Gabor濾波器。如圖2所示，為本發(fā)明實(shí)施例生成的24個不同頻率和方向的濾波器示意圖。

在本發(fā)明實(shí)施例中，步驟S101采用了上述方法生成Gabor濾波器，但并不能限定本發(fā)明，步驟S101中的Gabor濾波器，可以采用比如Log-Gabor等不同的形式，生成濾波器的頻率、角度等參數(shù)、個數(shù)也可以調(diào)整，本發(fā)明所采用的Gabor響應(yīng)也可以通過幅值、相位等其他形式代替。

步驟S102：將每一個所述Gabor濾波器分別與高光譜圖像中的每一個波段進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊；

本發(fā)明實(shí)施例根據(jù)步驟S101的結(jié)果，將每一個所述二維Gabor濾波器與所述高光譜圖像的每一個波段分別進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果根據(jù)下述公式進(jìn)行取幅值運(yùn)算，得到24個Gabor特征塊：

其中，表示24個二維Gabor濾波器集合，表示第t個Gabor濾波器，(x,y)表示在二維平面進(jìn)行卷積運(yùn)算時對應(yīng)的二元坐標(biāo)變量，R表示所述高光譜圖像，其中λ表示所述高光譜圖像的每一個波段，l表示高光譜圖像的寬度，m表示高光譜圖像的長度，B表示高光譜圖像的波段數(shù)，即高光譜圖像的高度，l×m×B表示三維，{M_t,t＝1,2,..,24}表示24個Gabor特征塊集合，M_t表示第t個Gabor特征塊。

如圖3和圖4所示，為本發(fā)明實(shí)施例提供的在步驟S102得到的Gabor特征獲取示意圖和Gabor濾波器對高光譜某一波段的圖像進(jìn)行卷積的結(jié)果示意圖。

步驟S103：對所述高光譜圖像進(jìn)行超像素分割，得到若干個超像素；

本發(fā)明實(shí)施例使用SLIC(simple linear iterative clustering，簡單線性迭代聚類)的超像素分割方法對高光譜圖像進(jìn)行分割，得到分割圖，該分割圖包含n個超像素{S_i,i＝1,2,..,n}。

在本發(fā)明實(shí)施例中使用SLIC方法對高光譜圖像進(jìn)行分割，并不能限定本發(fā)明，步驟S103還可以使用基于熵率的超像素分割等方法實(shí)現(xiàn)。如圖5所示，為本發(fā)明實(shí)施例提供的使用SLIC方法將高光譜圖像分割成超像素的平面示意圖。

步驟S104：將每一個所述超像素與每一個所述Gabor特征塊分別進(jìn)行均值計(jì)算，得到若干個第一維度的超像素特征數(shù)據(jù)；

本發(fā)明實(shí)施例中，{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t分別進(jìn)行均值計(jì)算，得到n×B維的超像素特征數(shù)據(jù)N_t，最終共得到24個n×B維的超像素特征數(shù)據(jù)集合{N_t,t＝1,2,..,24}。

在{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t進(jìn)行均值計(jì)算時，S₁對應(yīng)M_t進(jìn)行均值計(jì)算得到第1個B維的向量，S₂對應(yīng)M_t進(jìn)行均值計(jì)算得到第2個B維的向量，S₃對應(yīng)M_t進(jìn)行均值計(jì)算得到第3個B維的向量，依次類推至S_n對應(yīng)M_t進(jìn)行均值計(jì)算得到第n個B維的向量，最終共得到n個B維的向量，即n×B維的超像素特征數(shù)據(jù)N_t。

其中，{S_i,i＝1,2,..,n}表示對高光譜圖像進(jìn)行超像素分割得到的若干個超像素集合，S_i表示第i個超像素，n表示超像素的個數(shù)；B維表示所述第一維度，{N_t,t＝1,2,..,24}表示24個n×B維的超像素特征數(shù)據(jù)集合，N_t表示第t個超像素特征數(shù)據(jù)；其中，所述每一個超像素S_i均包含若干個像素。

步驟S105：將每一個所述超像素與所述高光譜圖像分別進(jìn)行坐標(biāo)均值計(jì)算，得到1個空間坐標(biāo)數(shù)據(jù)集合。

本發(fā)明實(shí)施例將所述每一個超像素S_i分別與所述高光譜圖像R進(jìn)行坐標(biāo)均值計(jì)算，得到1個n×2維的空間坐標(biāo)數(shù)據(jù)集合C；其中，C表示空間坐標(biāo)數(shù)據(jù)集合，

步驟S106：將每一個所述第一維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用空譜結(jié)合的薛定諤特征映射方法進(jìn)行特征降維，從第一維度降到第二維度，得到若干個第二維度的超像素特征數(shù)據(jù)。

本發(fā)明實(shí)施例中，將每一個超像素特征數(shù)據(jù)N_t分別與空間坐標(biāo)數(shù)據(jù)集合C使用空譜結(jié)合的薛定諤特征映射的方法進(jìn)行特征降維，從B維降到K維，得到K維的超像素特征數(shù)據(jù)D_t，最終共得到24個K維的超像素特征數(shù)據(jù)集合{D_t,t＝1,2,..,24}；

其中，{D_t,t＝1,2,..,24}表示維度為K的超像素特征數(shù)據(jù)集合，K表示所述第二維度，D_t表示第t個K維的超像素特征數(shù)據(jù)；所述每一個超像素特征數(shù)據(jù)D_t所對應(yīng)的空間坐標(biāo)數(shù)據(jù)集合仍是C。

步驟S107：將每一個所述第二維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，得到若干個三維高光譜特征數(shù)據(jù)。

本發(fā)明實(shí)施例中，每一個超像素特征數(shù)據(jù)D_t分別和空間坐標(biāo)數(shù)據(jù)集合C使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，對應(yīng)原高光譜圖像補(bǔ)足所有空間坐標(biāo)的像素值，得到三維高光譜特征數(shù)據(jù)G_t，最終共得到24個三維高光譜特征數(shù)據(jù)集合{G_t，t＝1，2，...，24}。

其中，{G_t,t＝1,2,..,24}表示24個三維的高光譜特征數(shù)據(jù)集合，l×m×K表示三維，G_t表示第t個三維的高光譜特征數(shù)據(jù)。

步驟S108：對所述每一個三維高光譜特征數(shù)據(jù)分別進(jìn)行多任務(wù)的支持向量機(jī)分類。

本發(fā)明實(shí)施例中，將每一個高光譜特征數(shù)據(jù)G_t劃分為訓(xùn)練數(shù)據(jù)G1_t和測試數(shù)據(jù)G2_t，g表示一個原始高光譜圖像測試數(shù)據(jù)樣本，其中g(shù)∈R，g_t表示G_t當(dāng)中與g同一位置坐標(biāo)的像素特征數(shù)據(jù)，g_t維度為K，{g_t∈G2_t,t＝1,2,..,24}表示24個維度為K的像素特征數(shù)據(jù)集合，那么對g的分類過程如下：

(1)對訓(xùn)練數(shù)據(jù){G1_t,t＝1,2,..,24}使用概率輸出的支持向量機(jī)方法進(jìn)行模型訓(xùn)練，得到概率輸出模型{Model_t,t＝1,2,..,24}；

(2)使用概率輸出模型Model_t對數(shù)據(jù)g_t進(jìn)行類別概率輸出，得到g_t屬于每一個類別的概率{P_t(i),i＝1,2,..,C}，其中C為類別總數(shù)；

(3)高光譜圖像樣本g的類別預(yù)測公式為:

如圖6所示，為本發(fā)明實(shí)施例提供的在步驟S108得到的多任務(wù)支持向量機(jī)分類示意圖。

如圖7所示，本發(fā)明實(shí)施例還提供了一種基于超像素級信息融合的高光譜圖像的分類系統(tǒng)，所述系統(tǒng)包括：

濾波器生成模塊701：用于生成若干個二維的Gabor濾波器；

Gabor特征提取模塊702：用于將每一個所述Gabor濾波器分別與高光譜圖像中的每一個波段進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊；

高光譜圖像超像素分割模塊703：用于對所述高光譜圖像進(jìn)行超像素分割，得到若干個超像素；

超像素特征數(shù)據(jù)計(jì)算模塊704：用于將每一個所述超像素與每一個所述Gabor特征塊分別進(jìn)行均值計(jì)算，得到若干個第一維度的超像素特征數(shù)據(jù)；

超像素空間坐標(biāo)計(jì)算模塊705：用于將每一個所述超像素與所述高光譜圖像分別進(jìn)行坐標(biāo)均值計(jì)算，得到1個空間坐標(biāo)數(shù)據(jù)集合；

數(shù)據(jù)降維模塊706：用于將每一個所述第一維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用空譜結(jié)合的薛定諤特征映射方法進(jìn)行特征降維，從第一維度降到第二維度，得到若干個第二維度的超像素特征數(shù)據(jù)；

高光譜特征數(shù)據(jù)生成模塊707：用于將每一個所述第二維度的超像素特征數(shù)據(jù)分別與所述空間坐標(biāo)數(shù)據(jù)集合使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，得到若干個三維高光譜特征數(shù)據(jù)；

多任務(wù)支持向量機(jī)分類模塊708：用于對所述每一個三維高光譜特征數(shù)據(jù)分別進(jìn)行多任務(wù)的支持向量機(jī)分類。

進(jìn)一步地，所述Gabor特征提取模塊702具體用于：將每一個所述二維Gabor濾波器與所述高光譜圖像的每一波段分別進(jìn)行卷積運(yùn)算，并對卷積運(yùn)算結(jié)果根據(jù)下述公式進(jìn)行取幅值運(yùn)算，得到若干個Gabor特征塊：

其中，表示若干個二維Gabor濾波器集合，表示第t個Gabor濾波器，(x,y)表示在二維平面進(jìn)行卷積運(yùn)算時對應(yīng)的二元坐標(biāo)變量，R表示所述高光譜圖像，其中λ表示所述高光譜圖像的每一波段，l表示高光譜圖像的寬度，m表示高光譜圖像的長度，B表示高光譜圖像的波段數(shù)，即高光譜圖像的高度，l×m×B表示三維，{M_t,t＝1,2,..,X}表示若干個Gabor特征塊集合，M_t表示第t個Gabor特征塊，其中t表示個數(shù)，X為正整數(shù)。

進(jìn)一步地，所述超像素特征數(shù)據(jù)計(jì)算模塊704具體用于：{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t分別進(jìn)行均值計(jì)算，得到n×B維的超像素特征數(shù)據(jù)N_t，最終共得到若干個n×B維的超像素特征數(shù)據(jù)集合{N_t,t＝1,2,..,X}。

在{S_i,i＝1,2,..,n}集合對應(yīng)每一個Gabor特征塊M_t進(jìn)行均值計(jì)算時，S₁對應(yīng)M_t進(jìn)行均值計(jì)算得到第1個B維的向量，S₂對應(yīng)M_t進(jìn)行均值計(jì)算得到第2個B維的向量，S₃對應(yīng)M_t進(jìn)行均值計(jì)算得到第3個B維的向量，依次類推至S_n對應(yīng)M_t進(jìn)行均值計(jì)算得到第n個B維的向量，最終共得到n個B維的向量，即n×B維的超像素特征數(shù)據(jù)N_t。

其中，{S_i,i＝1,2,..,n}表示對高光譜圖像進(jìn)行超像素分割得到的若干個超像素集合，S_i表示第i個超像素，n表示超像素的個數(shù)；B維表示所述第一維度，{N_t,t＝1,2,..,X}表示若干個n×B維的超像素特征數(shù)據(jù)集合，N_t表示第t個超像素特征數(shù)據(jù)；其中，所述每一個超像素S_i均包含若干個像素。

所述超像素空間坐標(biāo)計(jì)算模塊705具體用于：將所述每一個超像素S_i分別與所述高光譜圖像R進(jìn)行坐標(biāo)均值計(jì)算，得到1個n×2維的空間坐標(biāo)數(shù)據(jù)集合C；其中，C表示空間坐標(biāo)數(shù)據(jù)集合，

所述數(shù)據(jù)降維模塊706具體用于：每一個超像素特征數(shù)據(jù)N_t分別與空間坐標(biāo)數(shù)據(jù)集合C使用空譜結(jié)合的薛定諤特征映射的方法進(jìn)行特征降維，從B維降到K維，得到K維的超像素特征數(shù)據(jù)D_t，最終共得到若干個K維的超像素特征數(shù)據(jù)集合{D_t,t＝1,2,..,X}。

其中，{D_t,t＝1,2,..,X}表示維度為K的超像素特征數(shù)據(jù)集合，K表示所述第二維度，D_t表示第t個K維的超像素特征數(shù)據(jù)；所述每一個超像素特征數(shù)據(jù)D_t所對應(yīng)的空間坐標(biāo)數(shù)據(jù)集合仍是C。

進(jìn)一步地，所述高光譜特征數(shù)據(jù)生成模塊707具體用于：每一個超像素特征數(shù)據(jù)D_t分別和空間坐標(biāo)數(shù)據(jù)集合C使用自然鄰點(diǎn)插值法進(jìn)行重構(gòu)，對應(yīng)原高光譜圖像補(bǔ)足所有空間坐標(biāo)的像素值，得到三維高光譜特征數(shù)據(jù)G_t，最終共得到若干個三維高光譜特征數(shù)據(jù)集合{G_t,t＝1,2,..,X}；其中，{G_t,t＝1,2,..,X}表示若干個三維的高光譜特征數(shù)據(jù)集合，l×m×K表示三維，G_t表示第t個三維的高光譜特征數(shù)據(jù)。

所述多任務(wù)支持向量機(jī)分類模塊708具體用于：將每一個高光譜特征數(shù)據(jù)G_t劃分為訓(xùn)練數(shù)據(jù)G1_t和測試數(shù)據(jù)G2_t，g表示一個原始高光譜圖像測試數(shù)據(jù)樣本，其中g(shù)∈R，g_t表示G_t當(dāng)中與g同一位置坐標(biāo)的像素特征數(shù)據(jù)，g_t維度為K，{g_t∈G2_t,t＝1,2,..,X}表示X個維度為K的像素特征數(shù)據(jù)集合，那么對g的分類過程如下：

(1)對訓(xùn)練數(shù)據(jù){G1_t,t＝1,2,..,X}使用概率輸出的支持向量機(jī)方法進(jìn)行模型訓(xùn)練，得到概率輸出模型{Model_t,t＝1,2,..,X}；

(2)使用概率輸出模型Model_t對數(shù)據(jù)g_t進(jìn)行類別概率輸出，得到g_t屬于每一個類別的概率{P_t(i),i＝1,2,..,C}，其中C為類別總數(shù)；

(3)高光譜圖像樣本g的類別預(yù)測公式為:

在本發(fā)明實(shí)施例中，采用了三個真實(shí)的高光譜數(shù)據(jù)集。

第一個數(shù)據(jù)集是Indian Pines，是由AVIRIS高光譜傳感器從美國印第安納州的一塊測試地上獲得的，該圖像大小為145*145共21025個像素，一共有224個波段，在實(shí)際應(yīng)用時去掉了4個零波段和35個雜波段，剩余185個波段。圖像的空間分辨率約為20m.該數(shù)據(jù)包括16個地物類別，共10249個有標(biāo)記樣本點(diǎn)。

第二個數(shù)據(jù)是Salinas，該數(shù)據(jù)是由AVIRIS傳感器在加利福尼亞薩利納斯山谷的上空采集，總共有512*217個樣本，其中地物共54129個樣本，包含16類地物，其余為背景，由于污染去掉了20個譜段，剩余204個。

第三個數(shù)據(jù)是PaviaU，該數(shù)據(jù)是由ROSIS傳感器從意大利北部的帕維亞上空得到的，其空間分辨率為1.3m每像素，大小為610*340，共103個波段，包含9類地物，總共207400個樣本，其中地物42776個，背景164624個。

以每類15個訓(xùn)練樣本的PaviaU數(shù)據(jù)為例，本發(fā)明能夠達(dá)到91.75％的精度，傳統(tǒng)的支持向量機(jī)核方法精度為70.11％，超像素的薛定諤特征映射特征提取加支持向量機(jī)核的方法精度為85.25％，形態(tài)學(xué)特征提取加支持向量機(jī)核的分類方法為精度為81.18％，Gabor特征提取加多任務(wù)的稀疏表示方法精度為83.00％。對比表明，本發(fā)明的方法在分類精度上遠(yuǎn)遠(yuǎn)超過傳統(tǒng)的分類方法。

綜上所述，本發(fā)明采用基于多任務(wù)支持向量機(jī)分類的方法，大大降低了計(jì)算的復(fù)雜度；本發(fā)明采用基于二維Gabor的多種特征結(jié)合超像素的空譜結(jié)合的薛定諤特征降維方法，具有更高的分類精度；本發(fā)明使用的Gabor特征塊包含了更加豐富的局部變化信息，使用數(shù)據(jù)降維的方法減少了波段之間的冗余信息。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。