基于字典和波段重组的最近邻高光谱图像分类方法
【技术领域】
[0001] 本发明属于光谱数据分类技术领域，主要涉及高光谱遥感数据分类，具体是一种 基于字典和波段重组的空-谱结合的最近邻高光谱图像快速分类方法。可用于地图制图、 海洋遥感、植被调查、大气研宄、农业遥感、环境监测等领域。
【背景技术】
[0002] 高光谱遥感技术自从20世纪80年代以来，得到了快速发展。高光谱以其丰富的 波段信息记录了地物目标的连续光谱特征，具备了能够进行更多种类地物目标识别和更高 精度地进行目标分类的可能性。但是，高光谱图像较高的光谱维数和光谱分辨率为地物分 类带来巨大机遇的同时，也带来了急剧膨胀的数据量。这样不但给数据的存储和传输带来 巨大的困难，同时也加剧了数据处理过程的复杂性，降低了数据处理的效率，其过多冗余特 征的存在也严重影响了传统高光谱分类方法精度的提高。
[0003] 高光谱图像的信息主要包含在光谱特征与空间特征中，因此高光谱分类的方法也 就分为两大类：基于光谱特征的分类方法和基于地物空间特征的分类方法。早期的高光 谱分类方法分别从以上两个方面对高光谱图像进行分类，如经典的支撑矢量机（Support VectorMachine，SVM)，是属于光谱特征的分类方法。而基于地物空间特征的分类方法有 K-均值聚类（Kmeans)，模糊c-均值聚类（FuzzyC-means，FCM)等。但是受到分类方法本 身的局限性，这些传统的分类方法的性能在原有基础上很难进一步提高。因此，出现了空间 信息-光谱信息结合，简称空-谱结合的分类思路，是将空间信息和光谱信息作为互补，有 效地提高了分类的精度。空-谱结合的分类方法主要有两种思路：一是先提取空间特征，然 后将其与光谱特征相结合进行高光谱图像分类；二是采用光谱信息进行高光谱图像分类， 然后利用空间邻域信息继续对分类结果进行修正。
[0004] 在诸多高光谱分类方法中，稀疏表示作为近几年机器视觉研宄的热点，也被成功 应用于高光谱图像分类中，并表现出良好的性能。YiChen等人于2011年提出的S0MP算 法，成功将稀疏表示与空间信息相结合，提出了基于稀疏表示的高光谱图像空谱域分类方 法，JiayiLi等人于2014年提出的NJCRC-LAD算法，则利用了块分组的思想，将空间区域相 关性大的像素划在一个像素块中，也得到了很好的分类效果。但是以上分类方法复杂度均 较高，并且直接对初始图像进行分类处理，忽视了初始图像像素点光谱信息之间的联系。在 当前主流的稀疏表示分类方法中，普遍使用了稀疏表示分类器（SparseRepresentations classifier，SRC)，但是SRC的时间复杂度较高。而在高光谱初始图像中，存在一定数量 被噪声污染的像素，在未进行预处理的情况下，这些像素对分类精度具有很强的破坏性，并 且，当前主流的高光谱图像稀疏表示分类方法均采用高光谱图像的整体波段进行字典构 造，但是不同的地物目标在不同的波段中反映出的特性不同，如果采用整体波段进行字典 构造，就没有利用到不同地物目标在不同波段中的特性不同这一特征。
【发明内容】
[0005] 本发明的目的是为了解决目前单一分类器对高光谱图像分类精度不高，分类效果 不好；而普通空-谱结合方法时间复杂度较高，空-谱信息结合不紧密的技术问题而提出的 一种低时间复杂度、高精度的基于字典和波段重组的最近邻高光谱图像分类方法，具体包 含有如下步骤：
[0006] 步骤1读取高光谱遥感数据图像。
[0007] 步骤2利用高光谱图像的空间邻域信息，对高光谱图像的每一个像素点取其L个 最近邻的像素点，进行L-邻域均值化处理，从而得到预处理后的高光谱图像。
[0008] 步骤3将预处理后的高光谱图像按照每一波段像素点均值的大小，进行波段重新 排列，并按照重新排列后的波段对整体波段进行平均n-分割，形成n个子波段。
[0009] 步骤4随机抽取一部分像素点作为训练样本以构成字典，另一部分像素点构成测 试样本集合，并按照平均n-分割后的子波段构成n个子字典和n个子测试样本集合。
[0010] 步骤5对n个子测试样本集合分别对照相应的子字典进行最近邻法（Nearest Neighborhood，NN)判别，得到n幅初始分类图。
[0011] 步骤6对n幅初始分类图，对于每幅图像中相同位置的单个像素点，分别都取其K 个最近邻像素点，综合起来进行K近邻（KNearestNeighborhood，KNN)判别，我们将其命 名为n_KNN(n_Knearestneighborhood)判别。从而得到最后的结果图。
[0012] 本发明在较低的时间复杂度的情况下，在利用光谱信息进行分类之前，首先利用 其空间信息对光谱信息进行预处理，有效地增加了光谱信息的准确度，并在随后的分类过 程中继续利用空间信息对分类结果进行修正，从而增加了图像的分类精度。
[0013] 本发明的实现还在于：在步骤2中，对高光谱图像中每一个像素点进行L-邻域均 值化处理，具体是：
[0014] 设高光谱图像共有N个波段，高光谱图像中某一像素点为Xi={x U，...，Xiy，以 Xi为中心，取与它相邻的L个邻域像素点{x. . .，xj，其中xf{x1;1，. . .，x1>N}G#，#为 N维特征空间，x2={x2>1，. . .，x2，N}GRN，以此类推，对所有的L+l个像素点{Xi,Xp. . .，xj 做L-均值化处理，令
[0015]
【主权项】
1. 一种基于字典和波段重组的最近邻高光谱图像分类方法，其特征在于，包括有以下 步骤： 步骤1读取高光谱遥感数据图像； 步骤2对读取的高光谱图像首先进行预处理，利用该高光谱图像的空间邻域信息，对 高光谱图像的每一个像素点取其L个最近邻的像素点，进行L-邻域均值化处理，得到预处 理后的高光谱图像； 步骤3波段重组，将预处理后的高光谱图像按照每一波段全部像素点均值的大小，进 行波段重新排列，在重组之后，按照重新排列后的波段对整体波段进行n-分割，构成n个子 波段； 步骤4构成字典与测试样本集合，随机抽取预处理后的高光谱图像中的一部分像素点 作为训练样本以构成字典，另一部分像素点构成测试样本集合，并按照分割后的子波段形 成n个子字典与n个子测试样本集合； 步骤5最近邻判别，对n个子测试样本集合分别对照相应的子字典进行最近邻法判别， 得到n幅初始分类图； 步骤6使用n-KNN判别法获得最终分类结果，对n幅初始分类图，对于每幅图像中相同 位置的单个像素点，分别都取其K个最近邻像素点，总共nXK个像素点综合起来进行K近 邻判别，将其命名为n-KNN判别，得到高光谱图像最后的分类结果图。
2. 根据权利要求1中所述的基于字典和波段重组的最近邻高光谱图像分类方法，其特 征在于，步骤2中，对高光谱图像中每一个像素点进行L-邻域均值化处理，具体是： 设高光谱图像共有N个波段，高光谱图像中某一像素点为Xi= {x u，. . .，Xi，N}，以\为 中心，取与它相邻的L个邻域像素点U1,...，xj，其中X1= {x N} G RN，RnSN维 特征空间，X2={x2>1，...，x2，N} GRn，以此类推，对所有的L+1个像素点U i,X1,. . .，xj做 L-均值化处理，令
将Xi'代替\作为待分类的像素点。
3. 根据权利要求1中所述的基于字典和波段重组的最近邻高光谱图像分类方法，其特 征在于，步骤3中，第i波段的高光谱图像中有m个像素点{ Xi，p ...，，令
对所有波段都进行上述均值处理，得到Ix1,...，％}，对Ix1,...，％}进行从小到大排 序，得到高光谱图像均值序列，接下来按照这个序列对高光谱波段进行重新排列，并对重组 后的N个波段按照顺序进行n等分，构成n个子波段。
4. 根据权利要求1中所述的基于字典和波段重组的最近邻高光谱图像分类方法， 其特征在于，步骤6中，将n幅分类结果图进行n-KNN判别，取单个待分类像素点的
需要判别的点为x，其在第一幅初始分类图中位置相对应的点标记为 X1，在第二幅初始分类图中位置相对应的点标记为X2，以此类推。在第一幅初始分类图中，
域内的所有像素点共有C类分类结果，令
判别X所属的类别。
【专利摘要】本发明公开了一种基于字典和波段重组的最近邻高光谱图像分类方法，实现步骤有：用高光谱图像的空间信息，对每一像素点进行L-邻域均值化处理；按每波段像素点均值大小波段重组并n-等分为子波段；随机抽取部分像素构成字典，其它像素构成测试样本集合，按子波段将字典与测试样本集合分割为n个子字典与子测试样本集合并对照相应的子字典作最近邻判别，得n幅初始分类图；进行n-KNN判别，得最终结果图。本发明解决了分类精度不高，分类效果不好及普通空-谱结合法时间复杂度高，空-谱信息结合不紧密的问题，引入波段重组与分割，进行多波段多字典判别，利用空-谱结合的方法进行分类，在较短时间内，获得了较高精度的分类图。精度高，时间复杂度低。
【IPC分类】G06K9-66, G06K9-62
【公开号】CN104820840
【申请号】CN201510232962
【发明人】慕彩红, 焦李成, 云智强, 熊涛, 刘红英, 冯婕, 田小林, 张文龙, 吴生财
【申请人】西安电子科技大学
【公开日】2015年8月5日
【申请日】2015年5月8日