一種改進的高光譜圖像分類方法
【專利摘要】本發(fā)明公開了一種改進的高光譜圖像分類方法。該方法包括如下步驟：(1)待分類高光譜圖像中心像素點的空間近鄰選擇：采用基于分水嶺分割區(qū)域選擇策略或者最小生成樹近鄰選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域；(2)對優(yōu)質(zhì)空間近鄰區(qū)域進行空間特征提取；(3)譜空聯(lián)合模型預(yù)測：使用合成核方式融合空間特征和光譜特征，然后訓(xùn)練分類模型，預(yù)測高光譜圖像測試集標簽。本發(fā)明采用不同的空間近鄰的選擇方式，滿足高光譜分類中對速度和精度不同的要求；此外，通過挖掘和利用空間信息，有效地解決了高光譜圖像中存在的同物異譜、同譜異物問題，優(yōu)質(zhì)的空間近鄰和特征信息增強了原光譜分類的魯棒性，因此具有較高的使用價值。
【專利說明】
-種改進的高光譜圖像分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于高光譜圖像處理領(lǐng)域，特別設(shè)及一種改進的高光譜圖像分類方法。
【背景技術(shù)】
[0002] 隨著遙感硬件的不斷發(fā)展，高光譜遙感圖像處理技術(shù)得到飛速發(fā)展和廣泛的應(yīng) 用，吸引了大量研究者關(guān)注。傳統(tǒng)的遙感圖像分類僅使用較少的波段光譜信息，而高光譜圖 像中包含著上百個波段光譜信息，對于分類的幫助更大，但經(jīng)典的模式識別方法對其進行 分類，錯分現(xiàn)象較嚴重，效果并不理想。
[0003] 高光譜圖像中豐富的光譜信息也蘊含了諸多挑戰(zhàn)與難題，如高維小樣本分類，同 物異譜，同譜異物現(xiàn)象等。高光譜圖像樣本標記需要對照實地考察或結(jié)合專家知識給出，導(dǎo) 致標記代價昂貴，而且高光譜圖像中每個像素點包含上百個波段，高維向量和極少標記樣 本無形中增加了高光譜圖像的分類難度；同時圖像中的地物點還可能因為密度、水份等原 因?qū)е虏煌匚镉邢嗨频墓庾V特征，或者相似光譜特征屬于不同地物，單純使用光譜信息 將導(dǎo)致錯分嚴重。
[0004] 針對上述問題，研究者們發(fā)現(xiàn)空間信息的利用可W大大降低待分類像素點的錯分 概率，如何通過空間信息輔助原光譜信息分類成為人們研究的難點和重點。空間預(yù)處理方 式是結(jié)合空間信息的一種途徑，其通過預(yù)先提取空間特征，來輔助原來僅使用光譜信息的 分類。一般提取空間特征方式為中屯、像素點固定結(jié)構(gòu)選擇出空間近鄰計算得到，如方窗，運 種方式需要人為規(guī)定窗口大小，如果待分類像素點位于邊界區(qū)域，有較大可能混入不同地 物像素點，導(dǎo)致空間特征較差?，F(xiàn)有譜空聯(lián)合分類的方法多注重于一種空間信息的利用，沒 有考慮結(jié)合不同的空間信息使用來改進空間信息的獲取和空間特征提取。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明為了解決高光譜圖像中存在的同物異譜、同譜異物等技術(shù)問題，提出了一 種改進的高光譜圖像分類方法，可W針對實時響應(yīng)和高精度不同需求的應(yīng)用場景給出可靠 的高光譜圖像分類。
[0006] 本發(fā)明采用的技術(shù)方案如下：
[0007] -種改進的高光譜圖像分類方法，包括如下步驟：
[000引步驟1，待分類高光譜圖像中屯、像素點的空間近鄰選擇:采用基于分水嶺分割區(qū)域 選擇策略或者最小生成樹近鄰選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域；
[0009] 步驟2,對步驟1獲得的優(yōu)質(zhì)空間近鄰區(qū)域進行空間特征提??；
[0010] 步驟3,譜空聯(lián)合模型預(yù)測：使用合成核方式融合空間特征和光譜特征，然后訓(xùn)練 分類模型，預(yù)測高光譜圖像測試集標簽。
[0011] 所述步驟1中，采用基于分水嶺分割區(qū)域選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域的具體 過程為：
[001 ^ 設(shè)高光譜圖像I，對應(yīng)分水嶺分割圖G，中屯、待分類像素為XO E Rd，R為實數(shù)集，d表示 高光譜波段數(shù)，像素點XO與其八近鄰集合表示為Q (xo) = {xo，xi，. . .，xs}，Gy表示分水嶺分 害帽像素點y對應(yīng)分水嶺分割圖的標識，分水嶺分割選擇的空間近鄰為Q C(XO) = Ix I xGGy, yG Q (X0)}，即中屯、像素點對應(yīng)的二階近鄰所在的分割標識區(qū)域，保證空間信息與光譜信 息區(qū)分性較大，同時減少異類地物混入。
[0013] 所述步驟1中，采用最小生成樹近鄰選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域的具體過程 為：
[0014] 設(shè)高光譜圖像I，中屯、待分類像素為x〇GRd，R為實數(shù)集，d表示高光譜波段數(shù)，('V表 示像素點Xi對應(yīng)的二階近鄰，S(XO)表示中屯、像素點XO對應(yīng)的MST空間近鄰集合，表示集合 S(XO)中邊界像素點的二階近鄰并集，對于.Yj 選擇生成樹傳播過程中最小權(quán)值weight (XO，Xj)對應(yīng)像素點加入到集合S(M)，直到最小權(quán)值wei曲t(XO，Xj化于闊值5或大于給定近 鄰個數(shù)N，給出最終集合S (XO)。
[0015] 所述步驟1最小生成樹近鄰選擇策略的具體實現(xiàn)過程如下：
[0016] 步驟11，初始化集合5(^〇)=山}，集合6。11=0，其中0表示空集；
[0017]步驟12，計算:后謝=后謝U放i，其中Xi E S(XO)，0地=0地-巧義0)，計算集合S(XO)中像 素點光譜均值Xmean;
[001引對于所有.Yj € 5址，計算：weight( X皿e an , X j )=SAM ( Xmean，Xj) XG(Xj)，其中
-;Gtemp ( Xj )表不像素點Xj的梯 度值，其使用Sobel算子別從0°、45°、90°和135°四個角度計算得到；
[0019]步驟13,選取最小權(quán)值weight(XO ,Xj)對應(yīng)像素點Xj,更新集合S(XO) = S(XO) U Xj, 馬1尸0;
[0020] 步驟14,若最小權(quán)值wei曲t (XQ, Xj )<8或小于近鄰個數(shù)N，則重復(fù)步驟12和13;
[0021] 步驟15,輸出高光譜圖像I對應(yīng)中屯、像素點的空間近鄰集合S(xo)。
[0022] 本發(fā)明提供了一種空間預(yù)處理方式下的高光譜圖像分類方法，與現(xiàn)有技術(shù)相比， 本發(fā)明具有W下有益效果：
[0023] (1)本發(fā)明的方法通過結(jié)合空間信息輔助分類，較好的降低了同物異譜、同譜異物 現(xiàn)象帶來的錯分概率，提高了分類正確率，增強了分類魯棒性；
[0024] (2)本發(fā)明通過挖掘和利用空間信息，選出中屯、像素點對應(yīng)的優(yōu)質(zhì)空間近鄰，保證 對應(yīng)中屯、像素點空間特征的強判別性，更好地表達了中屯、像素點空間信息，保證了空間信 息的準確描述，顯著改善了空間特征質(zhì)量；
[0025] (3)本發(fā)明針對不同應(yīng)用場景給出空間近鄰選擇策略來達到優(yōu)質(zhì)近鄰選擇的目 的，從而滿足高光譜分類中對速度和精度的不同要求，同時利用核方法有效融合了空間特 征和光譜特征，改善分類結(jié)果，有效緩解了高維小樣本問題，具備更高的使用價值。
【附圖說明】
[0026] 圖1為本發(fā)明整體流程圖。
[0027] 圖2為本發(fā)明中高光譜圖像空間近鄰選擇子流程圖。
[00%]圖3為本發(fā)明中最小生成樹空間近鄰選擇步驟子流程圖。
【具體實施方式】
[0029] W下結(jié)合【附圖說明】本發(fā)明的【具體實施方式】。
[0030] 如圖1所示，本發(fā)明公開了一種用于高光譜圖像處理的改進的高光譜圖像分類方 法，具體步驟如下：
[0031] 步驟1，圖像中屯、像素點空間近鄰選擇:空間預(yù)處理方式下譜空聯(lián)合分類中的空間 特征是最終優(yōu)質(zhì)分類的基礎(chǔ)保證，空間特征取決于空間近鄰選擇，本發(fā)明著重通過挖掘和 利用空間信息來獲得能更好描述中屯、像素點的空間信息特征，并分別側(cè)重效率和精度來滿 足實際需要，為步驟2做鋪墊。
[0032] 步驟2,提取中屯、像素點空間特征：通過步驟1，獲得了中屯、像素點的優(yōu)質(zhì)空間近 鄰，通過對空間近鄰計算其統(tǒng)計特征，運里將計算空間近鄰的光譜均值作為空間特征，空間 特征主要描述了中屯、像素點所在區(qū)域的類別信息，對分類幫助較大。
[0033] 步驟3,譜空聯(lián)合模型預(yù)測:通過步驟1，2得到對應(yīng)中屯、像素點空間特征，使用核方 法有效地融合空間特征和光譜特征，訓(xùn)練SVM模型，并采用該分類模型給出測試集合像素點 可靠的類別標簽。
[0034] 需要說明的是，由于本發(fā)明的核屯、步驟是圖像中屯、像素點的空間近鄰選擇方法，
【具體實施方式】的描述主要側(cè)重于步驟1，步驟2W及步驟3未提及的內(nèi)容可采用現(xiàn)有技術(shù)實 現(xiàn)。
[0035] 1.如圖2所示，高光譜圖像中屯、像素點空間近鄰選擇具體步驟如下：
[0036] 步驟11，依據(jù)不同的應(yīng)用場景，在實時性要求較高應(yīng)用下，采用步驟12對應(yīng)近鄰選 擇方式，快速分割并選擇出對應(yīng)中屯、像素點近鄰區(qū)域，對于一些高精度應(yīng)用場景，充分挖掘 中屯、像素點與空間近鄰關(guān)系，使用步驟13對應(yīng)近鄰選擇方法，分類準確，效果優(yōu)異。
[0037] 步驟12,設(shè)高光譜圖像I，對應(yīng)分水嶺分割圖G，中屯、待分類像素為x〇GRd，R為實數(shù) 集，d表示高光譜波段數(shù)，像素點XO與其八近鄰集合表示為Q (XO) = {xo,XI，...，xs} ,Gy表示 分水嶺分割圖像素點y對應(yīng)分水嶺分割圖的標識，分水嶺分割選擇的空間近鄰為Q G(XO) = {x|xGGy，yG Q(XO)K即中屯、像素點對應(yīng)的二階近鄰所在的分割標識區(qū)域，保證空間信息 與光譜信息區(qū)分性較大，同時減少異類地物混入；
[0038] 步驟13,設(shè)高光譜圖像I，中屯、待分類像素為x〇GRd，d表示高光譜波段數(shù)，表示 像素點Xi對應(yīng)的二階近鄰，S(XO)表示中屯、像素點XO對應(yīng)的MST空間近鄰集合，:3。11表示集合S (XO)中邊界像素點的二階近鄰并集，對于而ESail選擇最小weight(X0,Xj)加入到集合S(XO)， 直到weight(xo，Xj)大于闊值5或大于給定近鄰個數(shù)N，給出最終S(XO);
[0039] 步驟14,對應(yīng)兩種不同的空間近鄰選擇方式最終選擇出對應(yīng)高光譜圖像的中屯、像 素點空間近鄰集合分別為Q G(M) = Ix I XGGy，y G Q (XO)}或者S(XO)D
[0040] 如圖3所示，步驟13中屯、像素點最小生成樹空間近鄰選擇具體實施步驟包括：
[0041] 步驟131，對應(yīng)高光譜圖像中屯、像素點XO其為輸入，初始化集合S(XO) = {xo}，集合， 5。11=0，&;表示Xi的二階近鄰；
[0042] 步驟 132，計算：5祉=卻" U &T,'，其中XiG S(x〇)3a" = 3證-斯-〇)。
[0045]
[0043] 計算:Xmean(Xmean表示集合S (XO)中像素點光譜均值）；對于所有Xj € ，[0044] 計算：Wei曲t(Xmean，Xj)=SAM(?lean，Xj)XG(Xj)，
[0046]
[0047] 上式中Gtemp(Xj)在表示像素點Xj的梯度值，使用Sobel算子分別從0°，45°，90°， 135°四個角度計算得到；
[004引步驟133,選取最小weight(X0,Xj)對應(yīng)像素點Xj,更新:S(XO) = S(XO) U Xj, 5址=0 ;
[0049] 步驟134，若最小weight(x日，Xj)<S或小于近鄰數(shù)要求N重復(fù)步驟132，133;
[0050] 步驟135，輸出對應(yīng)中屯、像素點空間近鄰集合S(XO)。
[0化1 ] 2.提取中屯、像素點空間特征：
[0052] 通過上述步驟，獲得了中屯、像素點的優(yōu)質(zhì)空間近鄰，通過對空間近鄰計算其統(tǒng)計 特征，運里將計算的空間近鄰的光譜均值作為空間特征，空間特征主要描述了中屯、像素點 所在區(qū)域的類別信息，對分類幫助較大。
[0053] 3.譜空聯(lián)合模型預(yù)測：
[0054] 通過步驟1，2得到對應(yīng)中屯、像素點空間特征，使用合成核方式有效的融合空間特 征和光譜特征，然后使用SVM模型訓(xùn)練，并采用該分類模型給出測試集合像素點可靠的類別 柄簽。
[0055] 本實施例的模型預(yù)測過程如下：
[0056] ①對應(yīng)測試集像素點選擇空間近鄰，計算空間統(tǒng)計特征苗、4，光譜特征表 示為片'、-T:'，體巧合成核方擊構(gòu)誰謂練巧隨，
[0化7]
[005引并訓(xùn)練SVM分類器，其中y表示為空間和光譜信息比重調(diào)節(jié)因子；
[0059] ②對應(yīng)訓(xùn)練集像素點XI，計算空間統(tǒng)計特征，并依據(jù)上式的方法計算測試集核矩 陣 Ktest;
[0060] ③給出測試集合中像素點的可靠類別標簽。
【主權(quán)項】
1. 一種改進的高光譜圖像分類方法，其特征在于，包括如下步驟： 步驟1，待分類高光譜圖像中心像素點的空間近鄰選擇:采用基于分水嶺分割區(qū)域選擇 策略或者最小生成樹近鄰選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域； 步驟2,對步驟1獲得的優(yōu)質(zhì)空間近鄰區(qū)域進行空間特征提??； 步驟3,譜空聯(lián)合模型預(yù)測：使用合成核方式融合空間特征和光譜特征，然后訓(xùn)練分類 模型，預(yù)測高光譜圖像測試集標簽。2. 如權(quán)利要求1所述的一種改進的高光譜圖像分類方法，其特征在于，所述步驟1中，采 用基于分水嶺分割區(qū)域選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域的具體過程為： 設(shè)高光譜圖像I，對應(yīng)分水嶺分割圖G，中心待分類像素為x〇eRd，R為實數(shù)集，d表示高光 譜波段數(shù)，像素點xo與其八近鄰集合表示為Ω (XQ) = {XQ，X1，. . .，X8}，Gy表示分水嶺分割圖 像素點y對應(yīng)分水嶺分割圖的標識，分水嶺分割選擇的空間近鄰為Q c(x〇) = {x|xeGy，ye Ω(χ〇)},即中心像素點對應(yīng)的二階近鄰所在的分割標識區(qū)域，保證空間信息與光譜信息區(qū) 分性較大，同時減少異類地物混入。3. 如權(quán)利要求1所述的一種改進的高光譜圖像分類方法，其特征在于，所述步驟1中，采 用最小生成樹近鄰選擇策略獲得優(yōu)質(zhì)空間近鄰區(qū)域的具體過程為： 設(shè)高光譜圖像I，中心待分類像素為x〇eRd，R為實數(shù)集，d表示高光譜波段數(shù)，0?表示像 素點Xl對應(yīng)的二階近鄰，S(XQ)表示中心像素點XQ對應(yīng)的MST空間近鄰集合，@ 311表示集合S (xo)中邊界像素點的二階近鄰并集，對于.％ € 選擇生成樹傳播過程中最小權(quán)值weight (1〇，1」)對應(yīng)像素點加入到集合3(1〇)，直到最小權(quán)值￥618111:(1()，1」)大于閾值5或大于給定近 鄰個數(shù)N，給出最終集合S(xo)。4. 如權(quán)利要求3所述的一種改進的高光譜圖像分類方法，其特征在于，所述步驟1最小 生成樹近鄰選擇策略的具體實現(xiàn)過程如下： 步驟11，初始化集合S(xq) = {xq}，集合=0，_其中0表示空集； 步驟12，計算：δβ11 = 5all U %，其中Xi e S(xQ)，丨=丨-)，計算集合S(X0)中像素點 光譜均值Xmean; 對于所有'€11，計算:'^區(qū)111：(叉_1^) = 3崖(叉111_，叉」）\6(叉」），其中表示像素點Xj 的梯度值，其使用Sobel算子別從0°、45°、90°和135°四個角度計算得到； 步驟13,選取最小權(quán)值weight(xo，Xj)對應(yīng)像素點Xj，更新集合S(xo) = S(xo) U xj， 5all=0; 步驟14,若最小權(quán)值weight (xo，Xj)〈δ或小于近鄰個數(shù)N，則重復(fù)步驟12和13; 步驟15，輸出高光譜圖像I對應(yīng)中心像素點的空間近鄰集合S (xo)。
【文檔編號】G06K9/62GK105956607SQ201610257038
【公開日】2016年9月21日
【申請日】2016年4月22日
【發(fā)明人】楊明, 趙振凱
【申請人】南京師范大學(xué)