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

技术特征：

1.一种基于超像素级信息融合的高光谱图像的分类方法，其特征在于，所述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。

2.如权利要求1所述的基于超像素级信息融合的高光谱图像的分类方法，其特征在于，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。

3.如权利要求2所述的基于超像素级信息融合的高光谱图像的分类方法，其特征在于:

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。

4.如权利要求3所述的基于超像素级信息融合的高光谱图像的分类方法，其特征在于：

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:

$Class\left(g\right)=\underset{i}{\mathrm{argmax}}\underset{t}{\Σ}{P}_t\left(i\right),t=1,2,\mathrm{..},X,i=1,2,\mathrm{..},C.$

5.一种基于超像素级信息融合的高光谱图像的分类系统，其特征在于，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。

6.如权利要求5所述的基于超像素级信息融合的高光谱图像的分类系统，其特征在于，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。

7.如权利要求6所述的基于超像素级信息融合的高光谱图像的分类系统，其特征在于:

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。

8.如权利要求7所述的基于超像素级信息融合的高光谱图像的分类系统，其特征在于：

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:

$Class\left(g\right)=\underset{i}{\mathrm{argmax}}\underset{t}{\Σ}{P}_t\left(i\right),t=1,2,\mathrm{..},X,i=1,2,\mathrm{..},C.$