基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法与流程

本发明涉及高光谱图像分类方法。
背景技术：
：高光谱传感器通过上百个光谱通道获取地物的反射辐射信息，其波段范围覆盖了从可见光到近红外乃至长波红外区域，高光谱图像同时包含了地物的空间信息、反射或辐射信息以及光谱信息，其特性通常被称为“图谱合一”。而且，高光谱图像数据提供了近乎连续的光谱采样信息，可以记录地物在光谱上很小的反射差异。这个特性被称作地物的诊断特性，可以作为对地物进行分类和检测的依据。研究高光谱图像分类新技术，具有重要的理论意义和应用价值。在智慧海洋、地质探测、土地利用监测、城市规划、边境监控、灾害管理等方面已经有重要应用。现有典型的高光谱图像分类方法有单核支持向量机方法(singlekernelsupportvectormachine，singlekernelSVM)、基于准则的多核学习方法(rule-basedmultiplekernellearning，RBMKL)，混合核方法(combinedkernellearning，CKL)等经典方法以及近几年提出的表示性多核学习(representedmultiplekernellearning，RMKL)，多特征学习(multiplefeaturelearning，MFL)等。当前，一种主流的高光谱图像空间-光谱特征提取方法是利用一种形状的、多尺度的结构元素提取图像的扩展的形态学轮廓，然而单一形状的结构元素不能对高光谱图像中多样的几何结构进行探测；此外，当前的多核学习方法都是采用基核的线性组合方式，忽略了基核之间非线性交互作用所产生的有用信息，因此不能得到满意的分类精度。多核学习是特征学习的一种有效手段，可以方便的嵌入大量多样的特征，因此，如何选择有效的特征是一个关键问题。将扩展的多结构元素形态学轮廓特征与非线性多核学习框架相结合，特征的辨别能力和基核之间的交互作用所产生的辨别能力都得到了充分地挖掘，相应地，分类精度也会得到提高。技术实现要素：本发明的目的在于克服在高光谱图像分类方法中不能对高光谱图像的空间信息进行充分挖掘以及没有考虑基核之间非线性交互作用产生的有用信息的不足，提出一种基于非线性多核学习的高光谱图像分类方法，采用多结构元素提取高光谱图像的空间信息，提高分类精度。本发明的目的是为了解决现有高光谱图像分类方法中不能对高光谱图像的空间信息进行充分挖掘以及没有考虑基核之间非线性交互作用产生的有用信息的问题，而提出基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法。基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法具体过程为：步骤一：利用主成分分析方法提取高光谱图像的主成分，在主成分基础上获取高光谱图像扩展的多结构元素形态学轮廓特征，即空间-光谱特征；步骤二：通过给定的高光谱样本数据(这个是高光谱数据里面自带的。是高光谱图像的一部分像素，这些像素被给定了类别标签，也就是被制定了类别。)，分别利用步骤一获取高光谱图像扩展的多结构元素形态学轮廓特征中每一个开运算、闭运算及原始主成分构建线性基核；步骤三：每一个线性基核对应一个核权重，通过计算任意两个线性基核的哈达玛积得到非线性核，将非线性核进行加权，得到非线性组合核；步骤四：将步骤三得到的非线性组合核带入支持向量机中，采用梯度下降法得到的最优核权重；步骤五：利用步骤四得到的最优核权重对高光谱图像进行分类。本发明的有益效果为：由于本方法利用多结构元素提取高光谱数据的空间特征，能够对多形态的空间信息进行深度挖掘，并采用非线性多核学习框架对特征进行学习，相比于当前采用基核线性组合的多核学习方法，克服了不能对基核间非线性交互作用产生的有用信息进行挖掘利用的缺点，对于提高分类精度有很大的帮助。基于非线性多核学习的高光谱图像分类方法，采用多结构元素提取高光谱图像的空间信息，提高分类精度。为了验证本发明所提出的算法的性能，针对一组机载可见光/红外成像光谱仪(AirborneVisibleInfraredImagingSpectrometer，AVIRIS)采集的一组农场数据进行了实验，实验结果验证了本发明提出的利用扩展的多结构元素形态学轮廓特征和非线性多核学习对高光谱图像分类算法的有效性。相比其他利用单结构元素形态学轮廓特征的典型高光谱图像分类方法，本方法在分类精度上提高了10％左右。附图说明图1是本发明的实现流程示意图；图2是印第安纳数据；图3a是印第安纳数据利用扩展的单结构元素形态学轮廓特征及非线性多核学习方法的高光谱图像分类结果图；图3b是印第安纳数据利用扩展的单结构元素(菱形)形态学轮廓特征及基于均值准则的多核学习方法的高光谱图像分类结果图；图3c是印第安纳数据利用扩展的单结构元素(菱形)形态学轮廓特征及表示性多核学习方法的高光谱图像分类结果图；图3d是印第安纳数据利用扩展的单结构元素(菱形)形态学轮廓特征及混合多核学习方法的高光谱图像分类结果图；图3e是印第安纳数据利用扩展的单结构元素(菱形)形态学轮廓特征及多特征学习方法的高光谱图像分类结果图；图3f是印第安纳数据利用扩展的多结构元素(菱形、正方形、圆形)形态学轮廓特征及非线性多核学习方法的高光谱图像分类结果图；图3g是印第安纳数据利用扩展的多结构元素(菱形、正方形、圆形)形态学轮廓特征及基于均值准则的多核学习方法的高光谱图像分类结果图；图3h是印第安纳数据利用扩展的多结构元素(菱形、正方形、圆形)形态学轮廓特征及表示性多核学习方法的高光谱图像分类结果图；图3i是印第安纳数据利用扩展的多结构元素(菱形、正方形、圆形)形态学轮廓特征及混合多核学习方法的高光谱图像分类结果图；图3j是印第安纳数据利用扩展的多结构元素(菱形、正方形、圆形)形态学轮廓特征及多特征学习方法的高光谱图像分类结果图；图4a是菱形和结构元素的尺度R＝1的结构元素示意图，R结构元素的尺度，用来设置结构元素大小；图4b是菱形和结构元素的尺度R＝2的结构元素示意图；图4c是菱形和结构元素的尺度R＝3的结构元素示意图；图4d是菱形和结构元素的尺度R＝4的结构元素示意图；图4e是正方形和结构元素的尺度R＝1的结构元素示意图；图4f是正方形和结构元素的尺度R＝2的结构元素示意图；图4g是正方形和结构元素的尺度R＝3的结构元素示意图；图4h是正方形和结构元素的尺度R＝4的结构元素示意图；图4i是正方形和结构元素的尺度R＝5的结构元素示意图；图4j是圆形和结构元素的尺度R＝1的结构元素示意图；图4k是圆形和结构元素的尺度R＝2的结构元素示意图；图4l是圆形和结构元素的尺度R＝3的结构元素示意图；图4m是圆形和结构元素的尺度R＝4的结构元素示意图；图4n是圆形和结构元素的尺度R＝5的结构元素示意图。具体实施方式具体实施方式一：结合图1说明本实施方式，本实施方式的基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法具体过程为：步骤一：利用主成分分析方法提取高光谱图像的主成分，在主成分基础上获取高光谱图像扩展的多结构元素(如图4a-4n)形态学轮廓特征，即空间-光谱特征；步骤二：通过给定的高光谱样本数据(这个是高光谱数据里面自带的。是高光谱图像的一部分像素，这些像素被给定了类别标签，也就是被制定了类别。)，分别利用步骤一获取高光谱图像扩展的多结构元素形态学轮廓特征中每一个开运算、闭运算及原始主成分构建线性基核；步骤三：每一个线性基核对应一个核权重，通过计算任意两个线性基核的哈达玛积得到非线性核，将非线性核进行加权，得到非线性组合核；步骤四：将步骤三得到的非线性组合核带入支持向量机中，采用梯度下降法得到的最优核权重；步骤五：利用步骤四得到的最优核权重对高光谱图像进行分类。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中获取高光谱图像扩展的多结构元素形态学轮廓特征；具体过程为：对于拥有d个波段的高光谱图像中的任意一个像素x，在该像素处的扩展的多结构元素形态学轮廓特征的公式为：EMPMultiSEs(x)={EMP1(x),EMP2(x),...,EMPS(x)}={CPcPC1(x),...,CPcPC2(x),...,CPcPCS(x),I(x),OPcPC1(x),...,OPcPC2(x),...,OPcPCS(x)},∀c∈[1,C],]]>其中，x表示拥有d个波段的高光谱图像中的任意一个像素，是一个d维向量，向量中的每一个值的取值范围为[0,1]，d为正整数；表示在高光谱图像中像素x处利用第S种结构元素所得到的扩展形态学轮廓(用结构元素处理高光谱图像，得到形态学轮廓特征)，表示在高光谱图像中像素x处利用第S种结构元素进行闭运算所得到的结果，表示在高光谱图像中像素x处利用第S种结构元素进行开运算所得到的结果，c∈[1,C]表示结构元素的尺度，C为尺度总数，I(x)为高光谱图像经主成分分析后得到的主成分；S和C为正整数。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中通过给定的高光谱样本数据，分别利用第一步所得的扩展的多结构元素形态学轮廓特征中每一个开运算、闭运算及原始主成分构建线性基核；具体过程为：通过给定的高光谱样本数据，分别利用第一步所得的扩展的多结构元素形态学轮廓特征中每一个开运算、闭运算及原始主成分构建线性基核km(xi,xj)＝<xi,xj>，xi和xj为高光谱图像的样本数据中的任意两个像素，i,j∈[1,N]，N为给定的高光谱样本数据，N为正整数；若共有S种结构元素，每种结构元素有C个尺度，则共有M＝2SC+1个线性基核。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中每一个线性基核对应一个核权重，通过计算任意两个线性基核的哈达玛积得到非线性核，将非线性核进行加权，得到非线性组合核kη(xi,xj)，计算公式如下：其中，km(xi,xj)＝<xi,xj>为线性基核矩阵，m＝1,2,…,M，M为线性基核总数，M＝2SC+1；ηm为线性基核km(xi,xj)的权重，ηh为非线性基核kh(xi,xj)的权重，⊙表示两个线性基核的哈达玛积，km为线性基核，kh为非线性基核，kη为非线性组合核函数。其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述基核总数M取值为大于3的奇数。其它步骤及参数与具体实施方式一至三之一相同。具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤四中将步骤三得到的非线性组合核带入支持向量机中，采用梯度下降法优化核权重；具体过程为：1)首先将非线性组合核kη(xi,xj)带入支持向量机中，maxα∈RNΣi=1Nαi-12Σi=1NΣj=1Nαiαjyiyjkη(xi,xj),]]>其中，α＝[α1,α2,…,αN]为对偶变量，αi,αj∈α；yi,yj∈[-1,+1]为样本标签；R表示实数域；N为给定的高光谱样本数据；RN表示N维实数空间。2)求解kη可转化成最小-最大值优化问题，其中Ω是一个正的、有界的2-范数凸集；正数η可确保非线性组合核函数kη是半正定的，其边界的规定化可控制η的范数；η为核权重的集合，η＝[η1,η2,…,ηM]，η1,η2,…,ηM中每个元素为正数；3)采用基于映射的梯度下降算法求解最小-最大值优化问题；先固定η，求解中的的最大值问题，设最大值问题的最优解为α*，将α*代入到原最小-最大值问题中得到关于η的最小值问题：为对偶变量最优解，为关于η的最小值问题，F(η)表示关于η的函数。其它步骤及参数与具体实施方式一至五之一相同。具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤五中利用步骤四得到的最优核权重对高光谱图像进行分类；具体过程为：利用如下公式对高光谱图像中每一个像素进行分类：f(x)=Σi=1Nαi*yikη(xi,x)+b]]>其中b是偏移量。其它步骤及参数与具体实施方式一至六之一相同。采用以下实施例验证本发明的有益效果：实施例一：本实施例基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法具体是按照以下步骤制备的：实验所用数据是AVIRIS传感器获得的美国中北部的印第安纳州高光谱图像，数据包含224个光谱波段，波长范围为0.4～2.5μm，地面分辨率20m，图像大小144×144。数据已经经过了大气、几何校正等预处理，并去除了4个零波段和20个水体吸收波段。图2给出了印第安纳数据的假彩色合成图及地物真实图。图3a-e所利用的特征为扩展的单结构元素形态学轮廓，图3a为采用本发明中的非线性多核学习方法所得到的结果图，图3b为采用基于均值准则的多核学习方法所得到的结果图，图3c为采用表示性多核学习方法所得到的结果图，图3d为采用混合多核学习方法所得到的结果图，图3e为采用多特征学习方法所得到的结果图；图3f-j所利用的特征为扩展的多结构元素形态学轮廓，图3f为本发明结果图，图3g为采用基于均值准则的多核学习方法所得到的结果图，图3h为采用表示性多核学习方法所得到的结果图，图3i为采用混合多核学习方法所得到的结果图，图3j为采用多特征学习方法所得到的结果图。表1是上述结果图对应的分类精度，结合图3，参照图2中的地物真实图，可以看出：非线性多核学习方法在相同的输入特征条件下得到最好的分类效果，在采用相同特征学习方法的条件下采用扩展的多结构元素形态学轮廓能得到更好的分类效果，同时，本发明的方法表现出最好的分类效果，达到最高的分类精度。表1是印第安纳数据上述分类结果的分类精度。表1本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。当前第1页1 2 3