一种改进的高光谱图像分类方法
【专利摘要】本发明公开了一种改进的高光谱图像分类方法。该方法包括如下步骤：(1)待分类高光谱图像中心像素点的空间近邻选择：采用基于分水岭分割区域选择策略或者最小生成树近邻选择策略获得优质空间近邻区域；(2)对优质空间近邻区域进行空间特征提取；(3)谱空联合模型预测：使用合成核方式融合空间特征和光谱特征，然后训练分类模型，预测高光谱图像测试集标签。本发明采用不同的空间近邻的选择方式，满足高光谱分类中对速度和精度不同的要求；此外，通过挖掘和利用空间信息，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，优质的空间近邻和特征信息增强了原光谱分类的鲁棒性，因此具有较高的使用价值。
【专利说明】
-种改进的高光谱图像分类方法
技术领域
[0001] 本发明属于高光谱图像处理领域，特别设及一种改进的高光谱图像分类方法。
【背景技术】
[0002] 随着遥感硬件的不断发展，高光谱遥感图像处理技术得到飞速发展和广泛的应 用，吸引了大量研究者关注。传统的遥感图像分类仅使用较少的波段光谱信息，而高光谱图 像中包含着上百个波段光谱信息，对于分类的帮助更大，但经典的模式识别方法对其进行 分类，错分现象较严重，效果并不理想。
[0003] 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，同 物异谱，同谱异物现象等。高光谱图像样本标记需要对照实地考察或结合专家知识给出，导 致标记代价昂贵，而且高光谱图像中每个像素点包含上百个波段，高维向量和极少标记样 本无形中增加了高光谱图像的分类难度；同时图像中的地物点还可能因为密度、水份等原 因导致不同地物有相似的光谱特征，或者相似光谱特征属于不同地物，单纯使用光谱信息 将导致错分严重。
[0004] 针对上述问题，研究者们发现空间信息的利用可W大大降低待分类像素点的错分 概率，如何通过空间信息辅助原光谱信息分类成为人们研究的难点和重点。空间预处理方 式是结合空间信息的一种途径，其通过预先提取空间特征，来辅助原来仅使用光谱信息的 分类。一般提取空间特征方式为中屯、像素点固定结构选择出空间近邻计算得到，如方窗，运 种方式需要人为规定窗口大小，如果待分类像素点位于边界区域，有较大可能混入不同地 物像素点，导致空间特征较差。现有谱空联合分类的方法多注重于一种空间信息的利用，没 有考虑结合不同的空间信息使用来改进空间信息的获取和空间特征提取。
【发明内容】
[0005] 本发明为了解决高光谱图像中存在的同物异谱、同谱异物等技术问题，提出了一 种改进的高光谱图像分类方法，可W针对实时响应和高精度不同需求的应用场景给出可靠 的高光谱图像分类。
[0006] 本发明采用的技术方案如下：
[0007] -种改进的高光谱图像分类方法，包括如下步骤：
[000引步骤1，待分类高光谱图像中屯、像素点的空间近邻选择:采用基于分水岭分割区域 选择策略或者最小生成树近邻选择策略获得优质空间近邻区域；
[0009] 步骤2,对步骤1获得的优质空间近邻区域进行空间特征提取；
[0010] 步骤3,谱空联合模型预测：使用合成核方式融合空间特征和光谱特征，然后训练 分类模型，预测高光谱图像测试集标签。
[0011] 所述步骤1中，采用基于分水岭分割区域选择策略获得优质空间近邻区域的具体 过程为：
[001 ^ 设高光谱图像I，对应分水岭分割图G，中屯、待分类像素为XO E Rd，R为实数集，d表示 高光谱波段数，像素点XO与其八近邻集合表示为Q (xo) = {xo，xi，. . .，xs}，Gy表示分水岭分 害帽像素点y对应分水岭分割图的标识，分水岭分割选择的空间近邻为Q C(XO) = Ix I xGGy, yG Q (X0)}，即中屯、像素点对应的二阶近邻所在的分割标识区域，保证空间信息与光谱信 息区分性较大，同时减少异类地物混入。
[0013] 所述步骤1中，采用最小生成树近邻选择策略获得优质空间近邻区域的具体过程 为：
[0014] 设高光谱图像I，中屯、待分类像素为x〇GRd，R为实数集，d表示高光谱波段数，('V表 示像素点Xi对应的二阶近邻，S(XO)表示中屯、像素点XO对应的MST空间近邻集合，表示集合 S(XO)中边界像素点的二阶近邻并集，对于.Yj 选择生成树传播过程中最小权值weight (XO，Xj)对应像素点加入到集合S(M)，直到最小权值wei曲t(XO，Xj化于阔值5或大于给定近 邻个数N，给出最终集合S (XO)。
[0015] 所述步骤1最小生成树近邻选择策略的具体实现过程如下：
[0016] 步骤11，初始化集合5(^〇)=山}，集合6。11=0，其中0表示空集；
[0017]步骤12，计算:后谢=后谢U放i，其中Xi E S(XO)，0地=0地-巧义0)，计算集合S(XO)中像 素点光谱均值Xmean;
[001引对于所有.Yj € 5址，计算：weight( X皿e an , X j )=SAM ( Xmean，Xj) XG(Xj)，其中
-;Gtemp ( Xj )表不像素点Xj的梯 度值，其使用Sobel算子别从0°、45°、90°和135°四个角度计算得到；
[0019]步骤13,选取最小权值weight(XO ,Xj)对应像素点Xj,更新集合S(XO) = S(XO) U Xj, 馬1尸0;
[0020] 步骤14,若最小权值wei曲t (XQ, Xj )<8或小于近邻个数N，则重复步骤12和13;
[0021] 步骤15,输出高光谱图像I对应中屯、像素点的空间近邻集合S(xo)。
[0022] 本发明提供了一种空间预处理方式下的高光谱图像分类方法，与现有技术相比， 本发明具有W下有益效果：
[0023] (1)本发明的方法通过结合空间信息辅助分类，较好的降低了同物异谱、同谱异物 现象带来的错分概率，提高了分类正确率，增强了分类鲁棒性；
[0024] (2)本发明通过挖掘和利用空间信息，选出中屯、像素点对应的优质空间近邻，保证 对应中屯、像素点空间特征的强判别性，更好地表达了中屯、像素点空间信息，保证了空间信 息的准确描述，显著改善了空间特征质量；
[0025] (3)本发明针对不同应用场景给出空间近邻选择策略来达到优质近邻选择的目 的，从而满足高光谱分类中对速度和精度的不同要求，同时利用核方法有效融合了空间特 征和光谱特征，改善分类结果，有效缓解了高维小样本问题，具备更高的使用价值。
【附图说明】
[0026] 图1为本发明整体流程图。
[0027] 图2为本发明中高光谱图像空间近邻选择子流程图。
[00%]图3为本发明中最小生成树空间近邻选择步骤子流程图。
【具体实施方式】
[0029] W下结合【附图说明】本发明的【具体实施方式】。
[0030] 如图1所示，本发明公开了一种用于高光谱图像处理的改进的高光谱图像分类方 法，具体步骤如下：
[0031] 步骤1，图像中屯、像素点空间近邻选择:空间预处理方式下谱空联合分类中的空间 特征是最终优质分类的基础保证，空间特征取决于空间近邻选择，本发明着重通过挖掘和 利用空间信息来获得能更好描述中屯、像素点的空间信息特征，并分别侧重效率和精度来满 足实际需要，为步骤2做铺垫。
[0032] 步骤2,提取中屯、像素点空间特征：通过步骤1，获得了中屯、像素点的优质空间近 邻，通过对空间近邻计算其统计特征，运里将计算空间近邻的光谱均值作为空间特征，空间 特征主要描述了中屯、像素点所在区域的类别信息，对分类帮助较大。
[0033] 步骤3,谱空联合模型预测:通过步骤1，2得到对应中屯、像素点空间特征，使用核方 法有效地融合空间特征和光谱特征，训练SVM模型，并采用该分类模型给出测试集合像素点 可靠的类别标签。
[0034] 需要说明的是，由于本发明的核屯、步骤是图像中屯、像素点的空间近邻选择方法，
【具体实施方式】的描述主要侧重于步骤1，步骤2W及步骤3未提及的内容可采用现有技术实 现。
[0035] 1.如图2所示，高光谱图像中屯、像素点空间近邻选择具体步骤如下：
[0036] 步骤11，依据不同的应用场景，在实时性要求较高应用下，采用步骤12对应近邻选 择方式，快速分割并选择出对应中屯、像素点近邻区域，对于一些高精度应用场景，充分挖掘 中屯、像素点与空间近邻关系，使用步骤13对应近邻选择方法，分类准确，效果优异。
[0037] 步骤12,设高光谱图像I，对应分水岭分割图G，中屯、待分类像素为x〇GRd，R为实数 集，d表示高光谱波段数，像素点XO与其八近邻集合表示为Q (XO) = {xo,XI，...，xs} ,Gy表示 分水岭分割图像素点y对应分水岭分割图的标识，分水岭分割选择的空间近邻为Q G(XO) = {x|xGGy，yG Q(XO)K即中屯、像素点对应的二阶近邻所在的分割标识区域，保证空间信息 与光谱信息区分性较大，同时减少异类地物混入；
[0038] 步骤13,设高光谱图像I，中屯、待分类像素为x〇GRd，d表示高光谱波段数，表示 像素点Xi对应的二阶近邻，S(XO)表示中屯、像素点XO对应的MST空间近邻集合，:3。11表示集合S (XO)中边界像素点的二阶近邻并集，对于而ESail选择最小weight(X0,Xj)加入到集合S(XO)， 直到weight(xo，Xj)大于阔值5或大于给定近邻个数N，给出最终S(XO);
[0039] 步骤14,对应两种不同的空间近邻选择方式最终选择出对应高光谱图像的中屯、像 素点空间近邻集合分别为Q G(M) = Ix I XGGy，y G Q (XO)}或者S(XO)D
[0040] 如图3所示，步骤13中屯、像素点最小生成树空间近邻选择具体实施步骤包括：
[0041] 步骤131，对应高光谱图像中屯、像素点XO其为输入，初始化集合S(XO) = {xo}，集合， 5。11=0，&;表示Xi的二阶近邻；
[0042] 步骤 132，计算：5祉=却" U &T,'，其中XiG S(x〇)3a" = 3证-斯-〇)。
[0045]
[0043] 计算:Xmean(Xmean表示集合S (XO)中像素点光谱均值）；对于所有Xj € ，[0044] 计算：Wei曲t(Xmean，Xj)=SAM(?lean，Xj)XG(Xj)，
[0046]
[0047] 上式中Gtemp(Xj)在表示像素点Xj的梯度值，使用Sobel算子分别从0°，45°，90°， 135°四个角度计算得到；
[004引步骤133,选取最小weight(X0,Xj)对应像素点Xj,更新:S(XO) = S(XO) U Xj, 5址=0 ;
[0049] 步骤134，若最小weight(x日，Xj)<S或小于近邻数要求N重复步骤132，133;
[0050] 步骤135，输出对应中屯、像素点空间近邻集合S(XO)。
[0化1 ] 2.提取中屯、像素点空间特征：
[0052] 通过上述步骤，获得了中屯、像素点的优质空间近邻，通过对空间近邻计算其统计 特征，运里将计算的空间近邻的光谱均值作为空间特征，空间特征主要描述了中屯、像素点 所在区域的类别信息，对分类帮助较大。
[0053] 3.谱空联合模型预测：
[0054] 通过步骤1，2得到对应中屯、像素点空间特征，使用合成核方式有效的融合空间特 征和光谱特征，然后使用SVM模型训练，并采用该分类模型给出测试集合像素点可靠的类别 柄签。
[0055] 本实施例的模型预测过程如下：
[0056] ①对应测试集像素点选择空间近邻，计算空间统计特征苗、4，光谱特征表 示为片'、-T:'，体巧合成核方击构谁谓练巧随，
[0化7]
[005引并训练SVM分类器，其中y表示为空间和光谱信息比重调节因子；
[0059] ②对应训练集像素点XI，计算空间统计特征，并依据上式的方法计算测试集核矩 阵 Ktest;
[0060] ③给出测试集合中像素点的可靠类别标签。
【主权项】
1. 一种改进的高光谱图像分类方法，其特征在于，包括如下步骤： 步骤1，待分类高光谱图像中心像素点的空间近邻选择:采用基于分水岭分割区域选择 策略或者最小生成树近邻选择策略获得优质空间近邻区域； 步骤2,对步骤1获得的优质空间近邻区域进行空间特征提取； 步骤3,谱空联合模型预测：使用合成核方式融合空间特征和光谱特征，然后训练分类 模型，预测高光谱图像测试集标签。2. 如权利要求1所述的一种改进的高光谱图像分类方法，其特征在于，所述步骤1中，采 用基于分水岭分割区域选择策略获得优质空间近邻区域的具体过程为： 设高光谱图像I，对应分水岭分割图G，中心待分类像素为x〇eRd，R为实数集，d表示高光 谱波段数，像素点xo与其八近邻集合表示为Ω (XQ) = {XQ，X1，. . .，X8}，Gy表示分水岭分割图 像素点y对应分水岭分割图的标识，分水岭分割选择的空间近邻为Q c(x〇) = {x|xeGy，ye Ω(χ〇)},即中心像素点对应的二阶近邻所在的分割标识区域，保证空间信息与光谱信息区 分性较大，同时减少异类地物混入。3. 如权利要求1所述的一种改进的高光谱图像分类方法，其特征在于，所述步骤1中，采 用最小生成树近邻选择策略获得优质空间近邻区域的具体过程为： 设高光谱图像I，中心待分类像素为x〇eRd，R为实数集，d表示高光谱波段数，0?表示像 素点Xl对应的二阶近邻，S(XQ)表示中心像素点XQ对应的MST空间近邻集合，@ 311表示集合S (xo)中边界像素点的二阶近邻并集，对于.％ € 选择生成树传播过程中最小权值weight (1〇，1」)对应像素点加入到集合3(1〇)，直到最小权值￥618111:(1()，1」)大于阈值5或大于给定近 邻个数N，给出最终集合S(xo)。4. 如权利要求3所述的一种改进的高光谱图像分类方法，其特征在于，所述步骤1最小 生成树近邻选择策略的具体实现过程如下： 步骤11，初始化集合S(xq) = {xq}，集合=0，_其中0表示空集； 步骤12，计算：δβ11 = 5all U %，其中Xi e S(xQ)，丨=丨-)，计算集合S(X0)中像素点 光谱均值Xmean; 对于所有'€11，计算:'^区111：(叉_1^) = 3崖(叉111_，叉」）\6(叉」），其中表示像素点Xj 的梯度值，其使用Sobel算子别从0°、45°、90°和135°四个角度计算得到； 步骤13,选取最小权值weight(xo，Xj)对应像素点Xj，更新集合S(xo) = S(xo) U xj， 5all=0; 步骤14,若最小权值weight (xo，Xj)〈δ或小于近邻个数N，则重复步骤12和13; 步骤15，输出高光谱图像I对应中心像素点的空间近邻集合S (xo)。
【文档编号】G06K9/62GK105956607SQ201610257038
【公开日】2016年9月21日
【申请日】2016年4月22日
【发明人】杨明, 赵振凯
【申请人】南京师范大学