基于超像素级信息融合的高光谱图像的分类方法及系统与流程

本发明属于图像处理领域，尤其涉及一种基于超像素级信息融合的高光谱图像的分类方法及系统。

背景技术：

本发明涉及到的是一种利用高光谱图像对地面物质进行分类的技术。高光谱图像是由遥感传感器在电磁波谱的可见光，近红外，中红外和热红外波段范围内，从地面上感兴趣的物质上获取的多光谱影像数据。高光谱图像光谱分辨率和维数的大量增加使得更精确和精细的分类成为可能。然而，高光谱特性和分类研究中主要存在以下两个难点：一是高维使得提高小样本分类的精度及其困难，即所谓的“维数灾难”现象；二是波段维数高使得计算量极具增大，而且波段间的强相关性增加了冗余性，如果不进行有效处理，会对结果有影响。

传统的分类方法(K近邻，支持向量机，基于稀疏表示的分类)在高光谱上只利用光谱数据直接进行分类，无法满足实际的分类效果。为了解决以上难点，谱域-空域结合的高光谱图像分类技术应运而生。鉴于高光谱图像具备空间、光谱信息，像素之间隐藏着丰富的有助于分类的信号变化信息，一个有效的方法就是希望能够提取出更强鉴别力的空间-光谱组合特征，从而提高分类精度。

当前，除了结合谱域-空域来提高分类性能，多任务的分类方法也被广泛采纳。多任务的分类方法主要表现在两个方面，一个是联合多种分类器进行的分类，该种方法认为不同的分类器具有不同的决策性能，综合在一起使用可以减少分类精度的方差，从而提高分类系统的性能。另一个方面则是联合多种特征进行的分类，该种方法通过各种特征的不同描述，自适应的补足特征之间的差异，使得对类别的判别能力更强。

然而，单纯的使用上述方法无法排除高光谱图像波段之间的冗余性，当前，解决以上问题的主要方法就是使用数据降维。现有的降维方法可以分为两类：一类是基于变换的方法，如主成分分析(PCA)、正交子空间投影(OSP)、正则分析(CA)、离散小波变换(DWT)，薛定谔特征映射(SE)等。基于变换的降维方式，其优点是可以经过若干变换直接将高维数据降低到低维甚至一维，并且在降维过程中还可以融合空间与光谱信息，得到分辨力更强的特征，从而为分类精度的提高提供了可能；缺点就是改变了图像原有的特性。另一类是基于非变换的，如波段选择，数据源划分等。基于非变换的降维方式是在考察图像整体特点之后对图像进行选择和划分的，它的优点是保持了图像原有的特性；缺点就是波段选择后的图像仍然无法满足实际的分类效果。

目前，多任务的分类技术已经取得了一定的科研成果。采用了三维Gabor特征提取的方法选择性的得到多种高光谱数据特征，然后分别使用稀疏表示进行编码并重构得到各特征的重构误差，再将各特征的重构误差以线性加权的方式进行融合。最后，通过融合后的重构误差进行分类。该方法在分类阶段对各Gabor特征进行了融合，提高了分类精度，但提取出的Gabor特征仍然具备极大的冗余性，而且使用稀疏表示的方法进行多任务分类使得计算复杂度极高，短时内难以完成大量像素的分类。

除了多任务的分类技术，采用空谱结合的数据降维的方法也取得了一定的科研成果。使用超像素作用于薛定谔特征映射方法来对高光谱数据进行降维，加快了降维速度，但却由于特征单一，使用超像素级的降维难以达到小样本的分类精度要求。

技术实现要素：

本发明所要解决的技术问题在于提供一种基于超像素级信息融合的高光谱图像的分类方法及系统，旨在解决现有的分类方法计算复杂度高、分类精度较低以及波段间存在较大冗余的问题。

为解决上述技术问题，本发明是这样实现的，本发明提供了一种基于超像素级信息融合的高光谱图像的分类方法，包括下述步骤：

滤波器生成步骤：生成若干个二维的Gabor滤波器；

Gabor特征提取步骤：将每一个所述Gabor滤波器分别与高光谱图像中的每一个波段进行卷积运算，并对卷积运算结果进行取幅值运算，得到若干个Gabor特征块；

高光谱图像超像素分割步骤：对所述高光谱图像进行超像素分割，得到若干个超像素；

超像素特征数据计算步骤：将每一个所述超像素与每一个所述Gabor特征块分别进行均值计算，得到若干个第一维度的超像素特征数据；

超像素空间坐标计算步骤：将每一个所述超像素与所述高光谱图像分别进行坐标均值计算，得到1个空间坐标数据集合；

数据降维步骤：将每一个所述第一维度的超像素特征数据分别与所述空间坐标数据集合使用空谱结合的薛定谔特征映射方法进行特征降维，从第一维度降到第二维度，得到若干个第二维度的超像素特征数据；

高光谱特征数据生成步骤：将每一个所述第二维度的超像素特征数据分别与所述空间坐标数据集合使用自然邻点插值法进行重构，得到若干个三维高光谱特征数据；

多任务支持向量机分类步骤：对所述每一个三维高光谱特征数据分别进行多任务的支持向量机分类。

进一步地，所述Gabor特征提取步骤包括：

将每一个所述二维Gabor滤波器与所述高光谱图像的每一个波段分别进行卷积运算，并对卷积运算结果根据下述公式进行取幅值运算，得到若干个Gabor特征块：

其中，表示若干个二维Gabor滤波器集合，表示第t个Gabor滤波器，(x,y)表示在二维平面进行卷积运算时对应的二元坐标变量，R表示所述高光谱图像，其中λ表示所述高光谱图像的每一波段，l表示高光谱图像的宽度，m表示高光谱图像的长度，B表示高光谱图像的波段数，即高光谱图像的高度，l×m×B表示三维，{M_t,t＝1,2,..,X}表示若干个Gabor特征块集合，M_t表示第t个Gabor特征块，其中t表示个数，X为正整数。

进一步地，所述超像素特征数据计算步骤包括：{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t分别进行均值计算，得到n×B维的超像素特征数据N_t，最终共得到若干个n×B维的超像素特征数据集合{N_t,t＝1,2,..,X}；

在{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t进行均值计算时，S₁对应M_t进行均值计算得到第1个B维的向量，S₂对应M_t进行均值计算得到第2个B维的向量，S₃对应M_t进行均值计算得到第3个B维的向量，依次类推至S_n对应M_t进行均值计算得到第n个B维的向量，最终共得到n个B维的向量，即n×B维的超像素特征数据N_t；

其中，{S_i,i＝1,2,..,n}表示对高光谱图像进行超像素分割得到的若干个超像素集合，S_i表示第i个超像素，n表示超像素的个数；B维表示所述第一维度，{N_t,t＝1,2,..,X}表示若干个n×B维的超像素特征数据集合，N_t表示第t个超像素特征数据；

其中，所述每一个超像素S_i均包含若干个像素；

所述超像素空间坐标计算步骤包括：将所述每一个超像素S_i分别与所述高光谱图像R进行坐标均值计算，得到1个n×2维的空间坐标数据集合C；其中，C表示空间坐标数据集合，

所述数据降维步骤包括：每一个超像素特征数据N_t分别与空间坐标数据集合C使用空谱结合的薛定谔特征映射的方法进行特征降维，从B维降到K维，得到K维的超像素特征数据D_t，最终共得到若干个K维的超像素特征数据集合{D_t，t＝1，2，...，X}；

其中，{D_t,t＝1,2,..,X}表示维度为K的超像素特征数据集合，K表示所述第二维度，D_t表示第t个K维的超像素特征数据；所述每一个超像素特征数据D_t所对应的空间坐标数据集合仍是C。

进一步地，所述高光谱特征数据生成步骤包括：每一个超像素特征数据D_t分别和空间坐标数据集合C使用自然邻点插值法进行重构，对应原高光谱图像补足所有空间坐标的像素值，得到三维高光谱特征数据G_t，最终共得到若干个三维高光谱特征数据集合{G_t,t＝1,2,..,X}；

其中，{G_t,t＝1,2,..,X}表示若干个三维的高光谱特征数据集合，l×m×K表示三维，G_t表示第t个三维的高光谱特征数据；

所述多任务支持向量机分类包括：将每一个高光谱特征数据G_t划分为训练数据G1_t和测试数据G2_t，g表示一个原始高光谱图像测试数据样本，其中g∈R，g_t表示G_t当中与g同一位置坐标的像素特征数据，g_t维度为K，{g_t∈G2_t,t＝1,2,..,X}表示X个维度为K的像素特征数据集合，那么对g的分类过程如下：

(1)对训练数据{G1_t,t＝1,2,..,X}使用概率输出的支持向量机方法进行模型训练，得到概率输出模型{Model_t,t＝1,2,..,X}；

(2)使用概率输出模型Model_t对数据g_t进行类别概率输出，得到g_t属于每一个类别的概率{P_t(i),i＝1,2,..,C}，其中C为类别总数；

(3)高光谱图像样本g的类别预测公式为:

本发明还提供了一种基于超像素级信息融合的高光谱图像的分类系统，所述系统包括：

滤波器生成模块：用于生成若干个二维的Gabor滤波器；

Gabor特征提取模块：用于将每一个所述Gabor滤波器分别与高光谱图像中的每一个波段进行卷积运算，并对卷积运算结果进行取幅值运算，得到若干个Gabor特征块；

高光谱图像超像素分割模块：用于对所述高光谱图像进行超像素分割，得到若干个超像素；

超像素特征数据计算模块：用于将每一个所述超像素与每一个所述Gabor特征块分别进行均值计算，得到若干个第一维度的超像素特征数据；

超像素空间坐标计算模块：用于将每一个所述超像素与所述高光谱图像分别进行坐标均值计算，得到1个空间坐标数据集合；

数据降维模块：用于将每一个所述第一维度的超像素特征数据分别与所述空间坐标数据集合使用空谱结合的薛定谔特征映射方法进行特征降维，从第一维度降到第二维度，得到若干个第二维度的超像素特征数据；

高光谱特征数据生成模块：用于将每一个所述第二维度的超像素特征数据分别与所述空间坐标数据集合使用自然邻点插值法进行重构，得到若干个三维高光谱特征数据；

多任务支持向量机分类模块：用于对所述每一个三维高光谱特征数据分别进行多任务的支持向量机分类。

进一步地，所述Gabor特征提取模块具体用于：

将每一个所述二维Gabor滤波器与所述高光谱图像的每一个波段分别进行卷积运算，并对卷积运算结果根据下述公式进行取幅值运算，得到若干个Gabor特征块：

其中，表示若干个二维Gabor滤波器集合，表示第t个Gabor滤波器，(x,y)表示在二维平面进行卷积运算时对应的二元坐标变量，R表示所述高光谱图像，其中λ表示所述高光谱图像的每一波段，l表示高光谱图像的宽度，m表示高光谱图像的长度，B表示高光谱图像的波段数，即高光谱图像的高度，l×m×B表示三维，{M_t,t＝1,2,..,X}表示若干个Gabor特征块集合，M_t表示第t个Gabor特征块，其中t表示个数，X为正整数。

进一步地，所述超像素特征数据计算模块具体用于：{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t分别进行均值计算，得到n×B维的超像素特征数据N_t，最终共得到若干个n×B维的超像素特征数据集合{N_t,t＝1,2,..,X}；

在{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t进行均值计算时，S₁对应M_t进行均值计算得到第1个B维的向量，S₂对应M_t进行均值计算得到第2个B维的向量，S₃对应M_t进行均值计算得到第3个B维的向量，依次类推至S_n对应M_t进行均值计算得到第n个B维的向量，最终共得到n个B维的向量，即n×B维的超像素特征数据N_t；

其中，{S_i,i＝1,2,..,n}表示对高光谱图像进行超像素分割得到的若干个超像素集合，S_i表示第i个超像素，n表示超像素的个数；B维表示所述第一维度，{N_t,t＝1,2,..,X}表示若干个n×B维的超像素特征数据集合，N_t表示第t个超像素特征数据；

其中，所述每一个超像素S_i均包含若干个像素；

所述超像素空间坐标计算模块具体用于：将所述每一个超像素S_i分别与所述高光谱图像R进行坐标均值计算，得到1个n×2维的空间坐标数据集合C；其中，C表示空间坐标数据集合，

所述数据降维模块具体用于：每一个超像素特征数据N_t分别与空间坐标数据集合C使用空谱结合的薛定谔特征映射的方法进行特征降维，从B维降到K维，得到K维的超像素特征数据D_t，最终共得到若干个K维的超像素特征数据集合{D_t,t＝1,2,..,X}；

其中，{D_t,t＝1,2,..,X}表示维度为K的超像素特征数据集合，K表示所述第二维度，D_t表示第t个K维的超像素特征数据；所述每一个超像素特征数据D_t所对应的空间坐标数据集合仍是C。

进一步地，所述高光谱特征数据生成模块具体用于：每一个超像素特征数据D_t分别和空间坐标数据集合C使用自然邻点插值法进行重构，对应原高光谱图像补足所有空间坐标的像素值，得到三维高光谱特征数据G_t，最终共得到若干个三维高光谱特征数据集合{G_t,t＝1,2,..,X}；

其中，{G_t,t＝1,2,..,X}表示若干个三维的高光谱特征数据集合，l×m×K表示三维，G_t表示第t个三维的高光谱特征数据；

所述多任务支持向量机分类模块具体用于：将每一个高光谱特征数据G_t划分为训练数据G1_t和测试数据G2_t，g表示一个原始高光谱图像测试数据样本，其中g∈R，g_t表示G_t当中与g同一位置坐标的像素特征数据，g_t维度为K，{g_t∈G2_t,t＝1,2,..,X}表示X个维度为K的像素特征数据集合，那么对g的分类过程如下：

(1)对训练数据{G1_t,t＝1,2,..,X}使用概率输出的支持向量机方法进行模型训练，得到概率输出模型{Model_t,t＝1,2,..,X}；

(2)使用概率输出模型Model_t对数据g_t进行类别概率输出，得到g_t属于每一个类别的概率{P_t(i),i＝1,2,..,C}，其中C为类别总数；

(3)高光谱图像样本g的类别预测公式为:

本发明与现有技术相比，有益效果在于：

针对现有的多任务稀疏表示分类方法计算复杂且计算量大的缺点，本发明采用基于多任务支持向量机分类的方法，大大降低了计算的复杂度；

针对现有的光谱数据在超像素级使用空谱结合的薛定谔降维后小样本分类精度不高的问题，本发明采用基于二维Gabor的多种特征结合超像素的空谱结合的薛定谔特征降维方法，具有更高的分类精度。

针对现有的波段间存在极大的冗余性问题，本发明使用的Gabor特征块包含了更加丰富的局部变化信息，使用数据降维的方法减少了波段之间的冗余信息。

附图说明

图1是本发明实施例提供的基于超像素级信息融合的高光谱图像的分类方法流程示意图；

图2是本发明实施例提供的不同频率和方向的滤波器示意图；

图3是本发明实施例提供的Gabor特征获取示意图；

图4是本发明实施例提供的Gabor滤波器对高光谱某一波段的图像进行卷积的结果示意图；

图5是本发明实施例提供的使用SLIC方法将高光谱图像分割成超像素的平面示意图；

图6是多任务支持向量机分类示意图；

图7是本发明实施例提供的基于超像素级信息融合的高光谱图像的分类系统示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于超像素级信息融合的高光谱图像的分类方法，如图1所示，包括下述步骤：

步骤S101：生成若干个二维的Gabor滤波器。

在本发明实施例中，采用了以下方法生成Gabor滤波器，生成Gabor滤波器的公式为：

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滤波器的频率，θ_v表示Gabor滤波器的方向，(x,y)表示Gabor滤波器对应的二元变量。

本发明实施例设计了4个f_u＝[0.03589,0.09473,0.25,0.6577]和6个θ_v＝[0,40,80,120,160,180]，按照上述生成Gabor滤波器的公式计算共生成了24个二维的Gabor滤波器其中，表示24个二维Gabor滤波器集合，表示第t个Gabor滤波器。如图2所示，为本发明实施例生成的24个不同频率和方向的滤波器示意图。

在本发明实施例中，步骤S101采用了上述方法生成Gabor滤波器，但并不能限定本发明，步骤S101中的Gabor滤波器，可以采用比如Log-Gabor等不同的形式，生成滤波器的频率、角度等参数、个数也可以调整，本发明所采用的Gabor响应也可以通过幅值、相位等其他形式代替。

步骤S102：将每一个所述Gabor滤波器分别与高光谱图像中的每一个波段进行卷积运算，并对卷积运算结果进行取幅值运算，得到若干个Gabor特征块；

本发明实施例根据步骤S101的结果，将每一个所述二维Gabor滤波器与所述高光谱图像的每一个波段分别进行卷积运算，并对卷积运算结果根据下述公式进行取幅值运算，得到24个Gabor特征块：

其中，表示24个二维Gabor滤波器集合，表示第t个Gabor滤波器，(x,y)表示在二维平面进行卷积运算时对应的二元坐标变量，R表示所述高光谱图像，其中λ表示所述高光谱图像的每一个波段，l表示高光谱图像的宽度，m表示高光谱图像的长度，B表示高光谱图像的波段数，即高光谱图像的高度，l×m×B表示三维，{M_t,t＝1,2,..,24}表示24个Gabor特征块集合，M_t表示第t个Gabor特征块。

如图3和图4所示，为本发明实施例提供的在步骤S102得到的Gabor特征获取示意图和Gabor滤波器对高光谱某一波段的图像进行卷积的结果示意图。

步骤S103：对所述高光谱图像进行超像素分割，得到若干个超像素；

本发明实施例使用SLIC(simple linear iterative clustering，简单线性迭代聚类)的超像素分割方法对高光谱图像进行分割，得到分割图，该分割图包含n个超像素{S_i,i＝1,2,..,n}。

在本发明实施例中使用SLIC方法对高光谱图像进行分割，并不能限定本发明，步骤S103还可以使用基于熵率的超像素分割等方法实现。如图5所示，为本发明实施例提供的使用SLIC方法将高光谱图像分割成超像素的平面示意图。

步骤S104：将每一个所述超像素与每一个所述Gabor特征块分别进行均值计算，得到若干个第一维度的超像素特征数据；

本发明实施例中，{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t分别进行均值计算，得到n×B维的超像素特征数据N_t，最终共得到24个n×B维的超像素特征数据集合{N_t,t＝1,2,..,24}。

在{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t进行均值计算时，S₁对应M_t进行均值计算得到第1个B维的向量，S₂对应M_t进行均值计算得到第2个B维的向量，S₃对应M_t进行均值计算得到第3个B维的向量，依次类推至S_n对应M_t进行均值计算得到第n个B维的向量，最终共得到n个B维的向量，即n×B维的超像素特征数据N_t。

其中，{S_i,i＝1,2,..,n}表示对高光谱图像进行超像素分割得到的若干个超像素集合，S_i表示第i个超像素，n表示超像素的个数；B维表示所述第一维度，{N_t,t＝1,2,..,24}表示24个n×B维的超像素特征数据集合，N_t表示第t个超像素特征数据；其中，所述每一个超像素S_i均包含若干个像素。

步骤S105：将每一个所述超像素与所述高光谱图像分别进行坐标均值计算，得到1个空间坐标数据集合。

本发明实施例将所述每一个超像素S_i分别与所述高光谱图像R进行坐标均值计算，得到1个n×2维的空间坐标数据集合C；其中，C表示空间坐标数据集合，

步骤S106：将每一个所述第一维度的超像素特征数据分别与所述空间坐标数据集合使用空谱结合的薛定谔特征映射方法进行特征降维，从第一维度降到第二维度，得到若干个第二维度的超像素特征数据。

本发明实施例中，将每一个超像素特征数据N_t分别与空间坐标数据集合C使用空谱结合的薛定谔特征映射的方法进行特征降维，从B维降到K维，得到K维的超像素特征数据D_t，最终共得到24个K维的超像素特征数据集合{D_t,t＝1,2,..,24}；

其中，{D_t,t＝1,2,..,24}表示维度为K的超像素特征数据集合，K表示所述第二维度，D_t表示第t个K维的超像素特征数据；所述每一个超像素特征数据D_t所对应的空间坐标数据集合仍是C。

步骤S107：将每一个所述第二维度的超像素特征数据分别与所述空间坐标数据集合使用自然邻点插值法进行重构，得到若干个三维高光谱特征数据。

本发明实施例中，每一个超像素特征数据D_t分别和空间坐标数据集合C使用自然邻点插值法进行重构，对应原高光谱图像补足所有空间坐标的像素值，得到三维高光谱特征数据G_t，最终共得到24个三维高光谱特征数据集合{G_t，t＝1，2，...，24}。

其中，{G_t,t＝1,2,..,24}表示24个三维的高光谱特征数据集合，l×m×K表示三维，G_t表示第t个三维的高光谱特征数据。

步骤S108：对所述每一个三维高光谱特征数据分别进行多任务的支持向量机分类。

本发明实施例中，将每一个高光谱特征数据G_t划分为训练数据G1_t和测试数据G2_t，g表示一个原始高光谱图像测试数据样本，其中g∈R，g_t表示G_t当中与g同一位置坐标的像素特征数据，g_t维度为K，{g_t∈G2_t,t＝1,2,..,24}表示24个维度为K的像素特征数据集合，那么对g的分类过程如下：

(1)对训练数据{G1_t,t＝1,2,..,24}使用概率输出的支持向量机方法进行模型训练，得到概率输出模型{Model_t,t＝1,2,..,24}；

(2)使用概率输出模型Model_t对数据g_t进行类别概率输出，得到g_t属于每一个类别的概率{P_t(i),i＝1,2,..,C}，其中C为类别总数；

(3)高光谱图像样本g的类别预测公式为:

如图6所示，为本发明实施例提供的在步骤S108得到的多任务支持向量机分类示意图。

如图7所示，本发明实施例还提供了一种基于超像素级信息融合的高光谱图像的分类系统，所述系统包括：

滤波器生成模块701：用于生成若干个二维的Gabor滤波器；

Gabor特征提取模块702：用于将每一个所述Gabor滤波器分别与高光谱图像中的每一个波段进行卷积运算，并对卷积运算结果进行取幅值运算，得到若干个Gabor特征块；

高光谱图像超像素分割模块703：用于对所述高光谱图像进行超像素分割，得到若干个超像素；

超像素特征数据计算模块704：用于将每一个所述超像素与每一个所述Gabor特征块分别进行均值计算，得到若干个第一维度的超像素特征数据；

超像素空间坐标计算模块705：用于将每一个所述超像素与所述高光谱图像分别进行坐标均值计算，得到1个空间坐标数据集合；

数据降维模块706：用于将每一个所述第一维度的超像素特征数据分别与所述空间坐标数据集合使用空谱结合的薛定谔特征映射方法进行特征降维，从第一维度降到第二维度，得到若干个第二维度的超像素特征数据；

高光谱特征数据生成模块707：用于将每一个所述第二维度的超像素特征数据分别与所述空间坐标数据集合使用自然邻点插值法进行重构，得到若干个三维高光谱特征数据；

多任务支持向量机分类模块708：用于对所述每一个三维高光谱特征数据分别进行多任务的支持向量机分类。

进一步地，所述Gabor特征提取模块702具体用于：将每一个所述二维Gabor滤波器与所述高光谱图像的每一波段分别进行卷积运算，并对卷积运算结果根据下述公式进行取幅值运算，得到若干个Gabor特征块：

其中，表示若干个二维Gabor滤波器集合，表示第t个Gabor滤波器，(x,y)表示在二维平面进行卷积运算时对应的二元坐标变量，R表示所述高光谱图像，其中λ表示所述高光谱图像的每一波段，l表示高光谱图像的宽度，m表示高光谱图像的长度，B表示高光谱图像的波段数，即高光谱图像的高度，l×m×B表示三维，{M_t,t＝1,2,..,X}表示若干个Gabor特征块集合，M_t表示第t个Gabor特征块，其中t表示个数，X为正整数。

进一步地，所述超像素特征数据计算模块704具体用于：{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t分别进行均值计算，得到n×B维的超像素特征数据N_t，最终共得到若干个n×B维的超像素特征数据集合{N_t,t＝1,2,..,X}。

在{S_i,i＝1,2,..,n}集合对应每一个Gabor特征块M_t进行均值计算时，S₁对应M_t进行均值计算得到第1个B维的向量，S₂对应M_t进行均值计算得到第2个B维的向量，S₃对应M_t进行均值计算得到第3个B维的向量，依次类推至S_n对应M_t进行均值计算得到第n个B维的向量，最终共得到n个B维的向量，即n×B维的超像素特征数据N_t。

其中，{S_i,i＝1,2,..,n}表示对高光谱图像进行超像素分割得到的若干个超像素集合，S_i表示第i个超像素，n表示超像素的个数；B维表示所述第一维度，{N_t,t＝1,2,..,X}表示若干个n×B维的超像素特征数据集合，N_t表示第t个超像素特征数据；其中，所述每一个超像素S_i均包含若干个像素。

所述超像素空间坐标计算模块705具体用于：将所述每一个超像素S_i分别与所述高光谱图像R进行坐标均值计算，得到1个n×2维的空间坐标数据集合C；其中，C表示空间坐标数据集合，

所述数据降维模块706具体用于：每一个超像素特征数据N_t分别与空间坐标数据集合C使用空谱结合的薛定谔特征映射的方法进行特征降维，从B维降到K维，得到K维的超像素特征数据D_t，最终共得到若干个K维的超像素特征数据集合{D_t,t＝1,2,..,X}。

其中，{D_t,t＝1,2,..,X}表示维度为K的超像素特征数据集合，K表示所述第二维度，D_t表示第t个K维的超像素特征数据；所述每一个超像素特征数据D_t所对应的空间坐标数据集合仍是C。

进一步地，所述高光谱特征数据生成模块707具体用于：每一个超像素特征数据D_t分别和空间坐标数据集合C使用自然邻点插值法进行重构，对应原高光谱图像补足所有空间坐标的像素值，得到三维高光谱特征数据G_t，最终共得到若干个三维高光谱特征数据集合{G_t,t＝1,2,..,X}；其中，{G_t,t＝1,2,..,X}表示若干个三维的高光谱特征数据集合，l×m×K表示三维，G_t表示第t个三维的高光谱特征数据。

所述多任务支持向量机分类模块708具体用于：将每一个高光谱特征数据G_t划分为训练数据G1_t和测试数据G2_t，g表示一个原始高光谱图像测试数据样本，其中g∈R，g_t表示G_t当中与g同一位置坐标的像素特征数据，g_t维度为K，{g_t∈G2_t,t＝1,2,..,X}表示X个维度为K的像素特征数据集合，那么对g的分类过程如下：

(1)对训练数据{G1_t,t＝1,2,..,X}使用概率输出的支持向量机方法进行模型训练，得到概率输出模型{Model_t,t＝1,2,..,X}；

(2)使用概率输出模型Model_t对数据g_t进行类别概率输出，得到g_t属于每一个类别的概率{P_t(i),i＝1,2,..,C}，其中C为类别总数；

(3)高光谱图像样本g的类别预测公式为:

在本发明实施例中，采用了三个真实的高光谱数据集。

第一个数据集是Indian Pines，是由AVIRIS高光谱传感器从美国印第安纳州的一块测试地上获得的，该图像大小为145*145共21025个像素，一共有224个波段，在实际应用时去掉了4个零波段和35个杂波段，剩余185个波段。图像的空间分辨率约为20m.该数据包括16个地物类别，共10249个有标记样本点。

第二个数据是Salinas，该数据是由AVIRIS传感器在加利福尼亚萨利纳斯山谷的上空采集，总共有512*217个样本，其中地物共54129个样本，包含16类地物，其余为背景，由于污染去掉了20个谱段，剩余204个。

第三个数据是PaviaU，该数据是由ROSIS传感器从意大利北部的帕维亚上空得到的，其空间分辨率为1.3m每像素，大小为610*340，共103个波段，包含9类地物，总共207400个样本，其中地物42776个，背景164624个。

以每类15个训练样本的PaviaU数据为例，本发明能够达到91.75％的精度，传统的支持向量机核方法精度为70.11％，超像素的薛定谔特征映射特征提取加支持向量机核的方法精度为85.25％，形态学特征提取加支持向量机核的分类方法为精度为81.18％，Gabor特征提取加多任务的稀疏表示方法精度为83.00％。对比表明，本发明的方法在分类精度上远远超过传统的分类方法。

综上所述，本发明采用基于多任务支持向量机分类的方法，大大降低了计算的复杂度；本发明采用基于二维Gabor的多种特征结合超像素的空谱结合的薛定谔特征降维方法，具有更高的分类精度；本发明使用的Gabor特征块包含了更加丰富的局部变化信息，使用数据降维的方法减少了波段之间的冗余信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。