一种基于近邻协同增强的高光谱混合像元分类方法与流程

本发明高光谱图像分类技术领域，尤其涉及一种基于近邻协同增强的高光谱混合像元分类方法。

背景技术：

高光谱图像分类作为高光谱图像处理中的一项重要应用，其最终的目标是对图像中的每个像元进行类别的归属。高光谱遥感技术利用更多的光谱波段使其在地物类别分类方面有巨大的优势，但是地物光谱信息的精确性也使得干扰、背景部分在高光谱分类中有一定的影响；另一方面，由于高光谱数据具有高维数据量大及训练样本小的特点，使分类时易产生Hughes现象。

近年来高光谱图像的空谱特征结合的分类方法受到重视，基于谱间-空间特征的高光谱图像分类方法已经成为当前的研究热点，这类方法通过结合空间信息特征与光谱特征，提高高光谱图像分类的精度。目前大部分应用是利用支持向量机等方法进行一对一，或者一对多的分类；这类方法一个最大的问题在于无法对高光谱图像的背景部分进行分类，因此在评价分类方法时，通常都是采用去掉背景的方式，导致该类方法缺少准确性；另外，此种方法几乎都是采用纯元进行分类，导致分类方法的局限性，缺少通用性。

技术实现要素：

本发明提供一种基于近邻协同增强的高光谱混合像元分类方法，解决上述技术问题。

本发明一种基于近邻协同增强的高光谱混合像元分类方法，包括：

根据已标记的样本地物计算多目标地物的光谱签名矩阵；

采用基于所述光谱签名特征矩阵和约束矩阵的多类别分类器将所述目标地物进行分类；

将所述分类器得到的丰度值融合空间结构特征后再提取近邻像元；

根据所述近邻像元协同对未标记高光谱的目标地物进行类别标记，采用迭代方法逐步将未标记的地物分别进行分类。

进一步地，所述根据已标记的样本地物计算多目标地物的光谱签名矩阵，包括：

根据公式

计算目标地物的光谱特征向量，其中，d_k为第k类目标地物的光谱特征向量，d_k＝{d_k1,d_k2,...d_kL}，L为波段数目，{C_set(k)}为已标记的第k类样本地物集合，N_k为{C_set(k)}中的像元数目，H_k(j)为{C_set(k)}中第j个像元的光谱签名；

按照所述光谱特征向量计算目标地物端元的光谱签名矩阵D，D＝[d₁,d₂,...d_p]，其中，p为待分类的地物种类数目，d₁为第一类地物的光谱签名。

进一步地，所述采用基于所述光谱签名特征矩阵和约束矩阵的多类别分类器将所述目标地物进行分类，包括：

根据所述目标地物的类别数目p，设定分类器的约束矩阵为C＝[c₁…c_p]，其中，c_j为第j个目标地物的约束向量，1≤j≤p，用于对第j类目标地物进行约束；

利用所述光谱特征签名矩阵及所述约束矩阵定义对p个所述目标地物同时进行分类的多类别分类器T，所述分类器为：

其中，R为高光谱图像的样本自相关矩阵，所述R为：

其中，r＝[r₁r₂...r_n]。

进一步地，在分类结果中融合空间结构特征，并提取近邻像元，包括：

采用公式

对分类结果进行卷积计算得到T_G(k)，其中，所述σ是高斯滤波的标准偏差，r是高斯滤波的过滤半径；

对T_G(k)中的丰度值数据进行排序，提取值最大的2*n(k)个像元组成地物类别的近邻集合{MC_set(k)}，其中，n(k)为第k类地物每次新增标注的像元数目。

进一步地，所述采用近邻协同增强逐步将未标记的地物分别进行分类标注，包括：

定义各种目标地物的类间相似性为

dis(H_k(j))＝||M(k)-H_k(j)||² (5)

其中，M(k)为已标注类别的第k类目标地物的样本聚类中心，H_k(j)为{MC_set(k)}中的第j个近邻像元；

根据类间相似性准则计算近邻集合中样本与已标记集合中地物的类间相似性；

将所述类间相似性最大值的n(k)个像元进行标注。

进一步地，所述采用迭代方法逐步将未标记的地物分别进行分类之后，还包括：

利用邻域算子、形态学扩充对分类结果进行局部扩充，用于增强数据地物的空间区域性。

本发明一种基于近邻协同增强的高光谱图像分类方法，通过以标记的像元逐步对未标记的像元进行标记，通过采用部分已标签的样本地物计算得到目标地物光谱特征，利用设计的多类别分类器进行初步分类结果，然后将分类结果融合空间结构特征，并利用近邻协同增强的方式逐步将未标记的地物分别进行分类标注，从而达到高光谱混合像元分类的目的。基于近邻协同增强的高光谱混合像元分类方法通过定义一个基于光谱特征多类别分类器可以对所有的目标类别进行分类，有效的消除了传统分类方法无法对背景地物进行分类的问题，方法中利用近邻协同增强的方式，并通过融合空间特征逐步实现对未标记的地物目标进行标记，分类效果较好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于近邻协同增强的高光谱混合像元分类方法流程图；

图2为本发明基于近邻协同增强的高光谱混合像元分类方法整体示意图；

图3a和图3b为本发明中待分类地物的空间结构特征提取示意图；

图4a、图4b和图4c为本发明中待分类目标的基于近邻增强的像元标记示意图；

图5为本发明中待分类目标的邻域扩展示意图；

图6a和图6b为本发明中Purdue数据分类结果图；

图7a和图7b为本发明中Salinas数据分类结果图；

图8a和图8b为本发明中Pavia数据分类结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明基于近邻协同增强的高光谱混合像元分类方法流程图，本实施例方法，包括：

步骤101、根据已标记的样本地物计算多目标地物的光谱签名矩阵；

具体来说，本实施例高光谱图像数据r＝(r₁,r₂,...r_n)^T，其中，n是高光谱图像的像元数目，r_i(1＜＝i＜＝n)表示高光谱图像的第i个像元，r_i＝(r_i1,r_i2,...r_iL)，L表示高光谱图像的波段数目。

已知k为地物类号1＜＝k＜＝p，Num_k为k类地物的全部样本数目，采用随机方式选取高光谱n(k)个样本数据进行像元标记，并组成已标记集合{C_set(k)}。设定迭代次数为U＝Num_k/n(k)，令初始迭代次数u＝1。

根据已标记集合{C_set(k)}，N_k为{C_set(k)}中第k类地物的已标记像元数目，按照公式(1)计算待分类地物目标的光谱向量d_k：

其中，d_k为目标地物的光谱向量，{C_set(k)}为已标记样本地物集合，N_k为{C_set(k)}中第k类地物的已标记像元数目，H_k(j)为{C_set(k)}中的标记像元的光谱签名。

步骤102、采用基于所述光谱签名特征矩阵和约束矩阵的多类别分类器将所述目标地物进行分类；

具体来说，高光谱的光谱特征是其最重要的信息，本实施例分类器通过设计有效的利用多类别光谱特征的分类器识别地表物体。具体来说，根据分类的类别数目p，生成待分类目标端元的光谱签名矩阵D¹＝[d₁,d₂,..d_k...d_p]；.以光谱统计特征D为基础，通过设置约束矩阵约束所有目标地物，利用FIR滤波器将多种地物同时分类。设计的p个地物同时分类的多类别分类器T_k如下：

其中，其中C_p×p＝[c₁,c₂,..c_p]是以1为对角线的对角阵，其列向量c_i用于约束第i个地物目标；R为高光谱图像的光谱自相关矩阵，其定义为：其中r＝[r₁r₂...r_n]，多类别分类器一方面利用逆矩阵R^-1把高光谱图像的样本光谱进行压抑，达到削弱背景的作用，另一方面通过约束矩阵D可以同时实现多个地物类别的分类；

步骤103、将所述分类器得到的丰度值融合空间结构特征后再提取近邻像元；

具体来说，将高光谱数据经过多类别分类器T之后，得到每种地物类别的分类结果T(k)。基于光谱信息的分类器T的分类结果有大量的过分类噪声，需要在分类结果中融合空间特征增强分类地物的空间信息，从而消除仅利用光谱特征分类带来的噪声问题。具体的做法为利用高斯滤波对分类结果进行卷积计算，对分类结果的过分类“颗粒”进行消除，其公式为：

其中σ是高斯滤波的标准偏差，r是高斯滤波的过滤半径。

步骤104、根据所述近邻像元协同对未标记高光谱的目标地物进行类别标记，采用迭代方法逐步将未标记的地物分别进行分类。

具体来说，本实施例为了提高标记效率与精度，利用分类结果中每类地物的近邻像元协同进行地物标记。提取近邻像元的具体做法为：对T_G(k)的丰度值数据进行排序，提取T_G(k)中值最大的2*n(k)个像元组成地物类别的近邻集合{MC_set(k)}。

利用近邻协同的方式对未标记的地物目标进行n(k)个像元标记，具体做法为：首先定义每种地物的类间相似性如下：

dis(H_k(j))＝||D(k)-H_k(j)||² (4)

利用公式(4)计算{MC_set(k)}中样本与{C_set(k)}中地物目标的类间相似性，将dis值最小的n(k)样本进行对应类别标注，并将其放入已标记集合{C_set(k)}中。

利用已标记的样本对未标记的像元进行标记时，根据光谱特征与空间结构特征相融合的方式在分类结果中选择近邻样本，然后通过在近邻样本中选择类别相似性最大即距离最小的像元进行标记。通过这种近邻协同增强的方式，提高了未标记样本的标记精度，有助于高光谱图像的分类。

令u＝u+1，如果u<U，转到步骤B,继续采用迭代方式进行高光谱混合像元标记，从而逐步增强已标记的样本的数目。

下面举例说明本发明基于近邻协同增强的高光谱混合像元分类方法，样本数据来源于真实的高光谱图像：Indian Pine实验区的高光谱数据，以下简称Purdue数据。该数据是由AVIRIS传感器在印第安纳州西北部获得的农田图像，图像大小为145×145，空间分辨率20米，原始波段数目为220个，包括16类地物类别；其伪彩色图和真实地物信息如图3a和图3b所示。

首先设置迭代次数10次，u的初值为1。从实验数据的真实地测数据中随机抽取10％的已标记样本，并且组成已标记集合k{C_set(k)},1<＝k<＝16，表1至表3为每种地物类别已标记的数目。

表1

按照公式(1)进行样本地物的光谱签名计算，并将计算得到的三幅图像的类别光谱签名矩阵D＝[d₁,d₂,...d₁₆]；

设置约束矩阵C:C_16×16，其列向量c_i用于约束purdue的第i个地物类别；

利用约束向量矩阵C来同时约束D,能同时将purdue数据中的16类地物目标同时进行分类；

根据D^k和约束矩阵C，按照公式(2)，定义的多类别分类器T_k(i)(1<＝i<＝16)计算地物目标的分类结果。

设置σ＝1.5,r＝11,按照公式(3)提取Purdue数据分类结果图的空间结构特征T(i_G)(1<＝i<＝16)。Purdue数据的第2类的空间提取示意图如图3a和图3b所示，其中图3a为corn-notil类别的第二类第一次分类结果，图3b为高斯滤波之后的结果图，其中的颜色深浅表示像元丰度值的高低。可以看出经过空间特征滤波之后，有效的消除了分类结果中的“颗粒”噪声，corn-notil地物的空间特征被融入和光谱分类结果中了。

对T(i_G)(1<＝i<＝16)进行排序，选出每一类2*n(k)个近邻像元，建立近邻集合MCset。

下面以Purdue数据的类别1，alfalfa数据为例进行说明。近邻增强的像元标记如图4a、图4b和图4c所示。示例图像的大小为原图的(90:111,60:81)部分。其中图4a为已标记的alfalfa类地物的像元，具体的随机生成的标记像元集合为Cset，具体的坐标为(96,73)(98,68)(100,73)(100,74)(101,73)；已融合空间结构特征之后的丰度值排序的近邻像元如图4b图所示。近邻像元集合为Mcset，具体坐标值为(101，73)、(100,73)、(101，74)、(100，74)、(101,72)、(100，72)、(102,73)、(99，73)、(102,74)、(99,72)；

利用公式(4)计算近邻集合Mcset与Cset中已标记alfalfa地物的类间相似性，其具体的值如表2所示。

表2

然后对表2的数据进行排序，选择5个像元(像元号为1,2，3,5,6)进行标记，并将其放入已标记集合以更新Cset。新的标记alfalfa数据如图4c所示。

对三幅图像均采用以上操作，可以将高光谱地物类别通过近邻协同增强的方式逐步扩大已标记的像元数目。

令u＝u+1，如果u<10，按照公式(1)更新所有类地物目标矩阵D；接着转到步骤E继续执行；当达到u＝11的时候，迭代停止，近邻协同增强标记完成，Cset集合中的像元即为每类地物的分类结果。

最后利用邻域大小为2*2的算子对Purdue图像的分类结果进行局部扩充，增强数据地物的空间区域性，扩展的示意图如图5所示。其中图5左图为经过近邻协同之后的地物分类结果，经过大小为2*2的邻域算子之后的结果图为图5右图所示，可以看出，经过邻域扩展之后，地物的空间特征被表征了出来，代表了地物的形态与大小。Purdue数据的一组最终分类结果如图6a和图6b所示，图6a为ground truth图像，图6b为本发明的一组分类结果。

实验中还利用了另外两组真实的高光谱数据，以下简称Salinas数据及Pavia数据。其中：一组为由采用AVIRIS传感器在美国加州南部地区获取的Salinas山谷的高光谱图像，以下简称Salinas数据。该图像的大小为512×217，空间分辨率为3.7米，含有224个波段，共包括16类地物，其伪彩色图和真实地物信息如图3a和图3b所示，初始Cset的数目如表3所示。

另一组为采用ROSIS-03传感器在Pavia大学上空获取的城市地域图像Pavia University，以下简称pavia数据，该数据图像大小为610×340，空间分辨率为1.3米，含有103个波段，共包括9类地物，其伪彩色图和真实地物信息如图3a和图3b所示，初始Cset的数目如表4所示。

表3

表4

这两组组真实数据的grountruth图像如图7a和图8a所示,一组最终分类结果如图7b和图8b所示。通过以上基于近邻协同增强的分类方法所得到的三组真实分类结果与Groundtruth图像标注的结果可以明显的看出，本次发明提出的分类方法设计了以光谱特征为基础的多类别分类器，可以一次对所有地物类别进行分类，并有效的解决了传统以SVM为基础的分类器无法对图像背景进行分类的问题。

以下利用分类精度与kappa系数来定量和客观的评价本次发明所提出的分类方法，分类率OA的定义如下：

其中p为地物类别数,S_i为分类结果中第i类，ground truth也为第i类地物的像元数目，N_i为Ground truth结果中第i类地物的样本数目。

每种地物目标类别的分类精度，计算公式如下：

Kappa系数的计算公式为：

其中：

N1_i表示分类结果把为第i类地物分成是其他地物的像元数目；N2_i表示把其他地物错分为第i类地物的像元数目。

表5、6、7为三幅高光谱图像的分类精度和kappa系数的具体数值。可以看出本发明的分类方法对于每种地物类别都取得了不错的分类精度，同时kappa系数也比较高，表明该分类方法的结果与真实的分类结果一致性较高。

表5

表6

表7

本发明利用了光谱统计特征设计的多分类器检测结果，将未标记的样本进行近邻自协同增强标注，逐步完成混合像元分类。方法中为了提高分类精度，采用将谱间特征与空间特征一体化的方式进行高光谱混合像元类别特征判断。首先设计多类别高光谱分类器，将部分样本进行标记后，通过多类别高光谱分类器，检测出初步分类结果，然后将检测结果与已标记的地物进行比较，选择距离最小的样本协同进行标注，逐步增强已标记的样本的数目，再通过更新目标地物的光谱签名，利用迭代的方式完成高光谱图像的分类。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。