一种空谱一体化的高光谱遥感图像分类方法
【专利摘要】本发明公开了一种空谱一体化的高光谱遥感图像分类方法。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息，往往忽视图像空间域信息。本发明在利用数据进行自身光谱特征分类的同时采用区域生长法和二值形态学法相结合的空间域有效信息对光谱分类结果进行补充。本发明首先采用基于支持向量机的分类方法对数据进行谱域分类。之后采用区域生长法和二值形态学法引入空间域有效信息对光谱分类结果进行修正。本发明更加充分地利用了高光谱数据包含的信息，提高了高光谱图像分类精度。
【专利说明】一种空谱一体化的高光谱遥感图像分类方法
【技术领域】
[0001]本发明属于信息【技术领域】，涉及到模式识别、图像处理技术，具体是一种空谱一体化的高光谱遥感图像分类方法。
【背景技术】
[0002]随着对地观测技术的发展，光谱遥感技术成为人们获取地表信息的重要手段。高光谱遥感作为一种新型的遥感方式，在军用和民用领域都发挥着极其重要的作用。高光谱图像分类是高光谱信息处理的重要方向，其中高精度的分类算法是实现各种应用的一个重要前提。
[0003]高光谱图像以其高分辨率、多波段数、大数据量的特点给传统图像分类技术带来了巨大的挑战。传统的分类方法不管是最大似然分类法、决策树分类法还是人工神经网络方法、支持向量机方法都仅仅从光谱域层面对地物特征进行分类识别。但是高光谱遥感数据不仅包含有丰富的地物光谱信息，其在图像空间维、光谱维两个不同的维度都会对地物特征有具体的描述和表达。传统的高光谱分类方法，往往只着重于数据光谱维上的特性，而忽视了空间维的信息。作为光谱维分析的补充，通过对图像空间维的分析，可以获得大量隐含的、丰富的对地物识别与处理有用的信息。
[0004]空谱一体化的技术就是将空间信息引入到高光谱分类中，在光谱域分类结果的基础上，对图像像素邻域进行决策，以期对分类结果进行修正。本发明采用了通过区域生长法、二值形态学法两种策略对谱域分类结果进行修正，仿真实验证明了本发明能够提高地物分类的精度。
【发明内容】
[0005]本发明的目的就是针对现有技术的不足，提供了一种高光谱空谱一体化图像分类方法。该方法弥补了传统模式分类方法在高光谱分类问题上忽视了空间维的信息的不足。为了对谱域分类的结果进行优化，本发明引入空间域信息，可用区域生长法或二值形态学法来现。
[0006]本发明方法包括以下步骤:
O高光谱谱域分类。
[0007]首先对数据做归一化处理，并依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本构成训练样本集；然后进行分类器的训练，采用的分类器为支持向量机；最后用训练好的分类器进行数据的测试，即能得到谱域分类的结果。
[0008]2)目标边缘检测。
[0009]在进行谱域分类结果优化前，我们先要得到目标的边缘信息。
[0010]目标边缘检测具体实现步骤如下:
第一步:选择2个清晰波段的图像。
[0011]第二步:用Canny算子对第一个波段进行边缘检测。首先对图像/(U)采用高斯滤波函数进行滤波操作；然后，对梯度幅值进行非极大值抑制，确定候选边缘点，其具体做法为寻找图像梯度中的局部极大值点，并且设置非局部极大值点为零，从而使得图像边缘得到细化；最后，采用双阈值处理，首先设定高阈值η和低阈值:T11 ( 一般取T1 = CWr2 )，然后扫描图像。若图像中的点(i，J)的梯度幅值大于高阈值，则该点为边缘点。
若图像中的点hi)的梯度幅值小于低阈值，则该点为一定不为边缘点。若点&J)的梯度幅值在两阈值之间，则要视其邻接像素中是否有边缘点，若有则将其划归为边缘点。
[0012]第三步:用LoG算子对第二个波段进行边缘检测。首先对图像采用高斯滤波函数进行滤波操作，然后采用Laplacian算子依据二阶导数过零点来检测边缘。所述LoG算子即高斯型的Laplacian算子,卷积模板形式为:
【权利要求】
1.一种空谱一体化的高光谱遥感图像分类方法，其特征在于该方法包括以下步骤: I)高光谱谱域分类； 首先对数据做归一化处理，并依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本构成训练样本集；然后进行分类器的训练，采用的分类器为支持向量机；最后用训练好的分类器进行数据的测试，即能得到谱域分类的结果； 目标边缘检测； 在进行谱域分类结果优化前，先要得到目标的边缘信息，目标边缘检测具体实现步骤如下: 第一步:选择两个清晰波段的灰度图像； 第二步:用Canny算子对第一个波段进行边缘检测； 首先对图像/(AZ)采用高斯滤波函数进行滤波操作； 然后，对梯度幅值进行非极大值抑制，确定候选`边缘点，其具体做法为寻找图像梯度中的局部极大值点，并且设置非局部极大值点为零，从而使得图像边缘得到细化； 最后，采用双阈值处理，设定高阈值T1和低阈值％，取T1 = CWr2 ,扫描图像；若图像中的点&J)的梯度幅值大于高阈值，则该点为边缘点；若图像中的点(XJ)的梯度幅值小于低阈值，则该点为一定不为边缘点；若点(U)的梯度幅值在两阈值之间，则要视其邻接像素中是否有边缘点，若有，则将其划归为边缘点； 第三步:用LoG算子对第二个波段进行边缘检测；首先对图像采用高斯滤波函数进行滤波操作，然后采用Laplacian算子依据二阶导数过零点来检测边缘；所述LoG算子即高斯型的Laplacian算子,卷积模板形式为:
【文档编号】G06K9/62GK103473557SQ201310393099
【公开日】2013年12月25日 申请日期:2013年9月2日 优先权日:2013年9月2日
【发明者】郭宝峰, 高晓健, 陈春种, 彭冬亮, 左燕, 谷雨 申请人:杭州电子科技大学