一种结合多种特征信息的高光谱图像分类方法与流程

本发明属于高光谱图像处理领域，特别涉及一种结合多种特征信息的高光谱图像分类方法。

背景技术：

高光谱遥感图像，每个像素点由数百个光谱值表示，其对应于从可见光谱到红外线的不同窄波长，这些值可以提供不同地物之间的精细光谱差异，这为以更高精度检测和区分各种地物提供了可能性。因此，高光谱图像分类在众多领域中得到了广泛的应用，包括环境保护、土地利用监测、城市规划、深林火灾检测、大气监控、军事作战等。高光谱图像中丰富的光谱信息也蕴含了诸多挑战与难题，如高维小样本分类问题，以及“同物异谱，同谱异物”现象等。

受到人类视觉系统稀疏编码机制启发的稀疏表示方法，在高光谱图像分类领域得到应用。尽管高光谱图像的像素点是高维信号，但同类像素点通常位于同一低维空间中，并由相同的字典原子表示。因此，每个像素可用整个训练字典中几个原子稀疏地表示，稀疏系数包含所选原子的位置和权重。然后，每个像素的类别标签可由相应的稀疏系数确定。在稀疏表示方法中，字典的辨别力是相当重要的。使用训练集作为字典可能会有两个明显的缺点。首先，原始数据通常包括噪声，这将降低分类性能。其次，从大规模字典中寻求稀疏编码的计算代价较高，这可能会限制其实际应用。为了解决这些问题，近年来，从训练样本中学习字典已经被证明可以为分类任务提供额外的性能改进。字典学习方法通过编码系数和字典来提高性能。但一般的字典学习的方法仅仅基于单一光谱特征信息，并没有考虑高光谱中的高级特征信息。

单一光谱特征仅从一个角度描述高光谱图像，而不同类型的特征具有不同的分辨能力，可以提供相关和互补的信息。本发明提出了一种新的基于多特征信息的字典学习算法来解决高光谱图像的分类问题。首先将高光谱图像划分为若干空间组并提取高光谱图像的多种特征信息数据(光谱、梯度、文理和形状)。然后基于同一空间组中不同类型特征数据对应的稀疏编码具有相同稀疏模式的假设约束，学习得到有判别能力的字典和稀疏编码。另外，如果高光谱图像的数据在原始特征空间中是线性不可分的或者特征编码是相似的，则核方法可以将原始数据投影到更高维空间中以提高可分离性。

技术实现要素：

本发明的目的，在于提供一种结合多种特征信息的高光谱图像分类方法，其可解决高光谱图像中存在的同物异谱，同谱异物等问题，可有效提高高光谱图像分类精度。

为了达成上述目的，本发明的解决方案是：

一种结合多种特征信息的高光谱图像分类方法，包括如下步骤：

步骤1，提取待分类高光谱图像的光谱、梯度、纹理、形状多种特征数据：

步骤2，利用分水岭分割算法对待分类高光谱图像进行分割，划分成若干个空间近邻组；

步骤3，运用mfksadl模型学习得到字典和稀疏编码；

步骤4，利用编码系数训练svm分类器，预测高光谱图像测试集标签。

上述步骤2的详细内容是：首先提取高光谱图像的梯度图像，然后利用分水岭分割算法对梯度图像进行分割，获得高光谱图像的分割图，将其划分成若干个空间组。

上述步骤3中，mfksadl模型通过如下步骤得到：

a，设第s类特征数据表示的高光谱图像的在核空间中的表示为其中，s＝1,2,…,s表示第s种特征；n为像素点的个数；b^s为第s类特征的维度；同一特征空间中的像素点由其他像素点进行线性表示，其表示模型为：φ(x^s)＝φ(d^s)a^s，φ(d^s)为第s类特征数据字典在核空间中的表示；a^s为对应的编码矩阵；

b，设高光谱图像分割划分成若干个空间组{g1,…,gg}，第s种特征数据表示的空间组gi中像素点集合其中|gi|表示空间组gi中像素点个数，对应的表示系数矩阵

c，将步骤a和步骤b相结合，得到这样的模型：

其中，为d^s的第i个原子。

上述步骤3中，运用mfksadl模型学习得到字典和稀疏编码的具体内容是：

将模型转变成以下等价形式：

定义其中ai与bj分别为矩阵a和b的第i列和第j列；则所述步骤3的具体步骤是：

步骤31，初始化图像矩阵x，字典{d^s}s＝1,…,s：

步骤32，固定字典{d^s}s＝1,…,s，更新稀疏编码γ，原问题退化为以下对每个空间组分离求解：

步骤33,固定稀疏编码γ，更新字典{d^s}s＝1,…,s：

步骤34，重复步骤32-33，直至满足迭代终止条件，输出学习得到的字典{d^s}s＝1,…,s和稀疏编码γ。

上述步骤4的详细内容是：利用训练集对应的由步骤3获得的稀疏编码训练得到支持向量机分类器svm；将待分类像素点的稀疏编码输入到训练好的svm分类器中，获得相应的类别标签；对所有待分类的像素点按次方法进行分类，得到最终的高光谱图像分类结果。

采用上述方案后，本发明是专门针对高光谱图像处理提出的图像分类方法。与现有技术相比，本发明具有以下特征：

首先，通过对高光谱图像划分空间组，结合空间信息辅助分类，较好地利用了高光谱图像的空间信息，以此提高高光谱图像的分类效果；

然后，通过融合多种特征信息，有效利用了多种特征信息的相关性和互补性，提升分类正确率，增强分类鲁棒性；

再者，利用结合多种特征信息的表示理论，学习更有判别能力的字典，进而提升稀疏编码的判别能力，利用稀疏编码间接获得待分类样本的类别标签，提高了高光谱图像的分类精度。同时，通过核方法提高数据的线性可分性，有效的解决了高光谱图像中存在的同物异谱，同谱异物问题，因此具有较高的使用价值。

附图说明

图1是本发明的整体流程图；

图2是本发明运用mfksadl学习得到字典和稀疏编码的流程图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种结合多种特征信息的高光谱图像分类方法，包括如下步骤：

步骤1，提取待分类高光谱图像的光谱、梯度、纹理、形状多种特征数据：利用现有技术提取高光谱的多种特征信息，得到不同特征空间的样本数据，为步骤3做铺垫。多种特征信息具有相关性和互补性，为高光谱图像的正确分类提供更多有效的信息，进一步提升分类精度。

步骤2，利用分水岭分割方法对待分类高光谱图像进行分割，划分成若干个空间近邻组：首先利用现有技术提取高光谱图像的梯度图像，然后利用分水岭分割算法对梯度图像进行分割，获得高光谱图像的分割图，将其划分成若干个空间组。组内空间信息具有一致性，对分类帮助较大。

步骤3，运用mfksadl模型学习得到字典和稀疏编码：迭代更新字典和稀疏编码，直到满足迭代终止条件，输出学习得到具有判别能力的字典和样本集数据对应的编码。

步骤4，利用编码系数训练svm分类器，预测高光谱图像测试集标签：利用训练集对应的由步骤3获得的稀疏编码训练得到支持向量机分类器svm。将待分类像素点的稀疏编码输入到训练好的svm分类器中，获得相应的类别标签。对所有待分类的像素点按次方法进行分类，得到最终的高光谱图像分类结果。

需要说明的是，本发明的核心步骤在于运用mfksadl模型学习得到字典和稀疏编码，具体实施方式的描述主要侧重于步骤3，步骤1、2以及步骤4可采用现有技术实现。

所述步骤3中，mfksadl模型可通过如下步骤得到：

(1)设第s类特征数据表示的高光谱图像的在核空间中的表示为其中，s＝1,2,…,s表示第s种特征；n为像素点的个数；b^s为第s类特征的维度。同一特征空间中的像素点可有其他像素点进行线性表示，其表示模型为：φ(x^s)＝φ(d^s)a^s，φ(d^s)为第s类特征数据字典在核空间中的表示；a^s为对应的编码矩阵。在实际应用中，完全重构的可能性比较小，我们希望重构误差尽可能小。

(2)设高光谱图像分割划分成若干个空间组{g1,…,gg}，第s种特征数据表示的空间组gi中像素点集合其中|gi|表示空间组gi中像素点个数。对应的表示系数矩阵同一空间组中像素点属于同一类的可能性比较大，可由相似的字典原子线性表示。且每个像素点尽可能由与之相似的字典原子来构成。为了利用邻域空间信息，认为同一空间组中像素点对应的表示系数具有行稀疏性。而对应同一空间组的不同特征数据具有信息的相似性，因此为了有效利用多种特征信息的互补且相关信息，我们认为对应同一空间组的不同特征数据的表示系数具有行稀疏性。

(3)将步骤(1)和步骤(2)中的思想相结合，可以得到这样的模型：

其中，为d^s的第i个原子。将空间相似性与多种特征信息结合，同时学习一个有较强判别性的字典，有效保留了更多的细节信息，得到的相应稀疏编码分类能力更高。

如图2所示，运用mfksadl模型学习得到字典和稀疏编码的具体步骤如下：

将模型转变成以下等价形式：

这里，我们定义其中ai与bj分别为矩阵a和b的第i列和第j列。

步骤31，初始化图像矩阵x，字典{d^s}s＝1,…,s：

步骤32，固定字典{d^s}s＝1,…,s，更新稀疏编码γ，原问题退化为以下对每个空间组分离求解：

步骤33,固定稀疏编码γ，更新字典{d^s}s＝1,…,s：

步骤34，重复步骤32-33，直至满足迭代终止条件，输出学习得到的字典{d^s}s＝1,…,s和稀疏编码γ。

综合上述，本发明一种结合多种特征信息的高光谱图像分类方法，采用结合mfksadl(multifeaturekernelspatial-awaredictionarylearning)字典学习模型，充分利用高光谱图像多种特征信息的相关性和互补性，结合高光谱图像空间邻域相似性，采用字典学习方法，提出一种新的高光谱图像分类方法。本发明无论在主观视觉上还是在客观评价指标上，都做到了分类精度的显著提升。另外，通过核方法提高数据的线性可分性，有效地解决了高光谱图像中存在的同物异谱，同谱异物问题，因此具有较高的使用价值。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。