专利名称：一种谱线拐点多尺度寻优分段方法及其应用的制作方法
技术领域：
本发明属于高光谱遥感应用领域，具体涉及一种谱线拐点多尺度寻优分段方法及 其在光谱匹配和识别中的应用。
背景技术：
在高光谱图像处理中，光谱匹配技术是高光谱地物分类和识别的关键技术之一。 光谱匹配通过比较反映地物光谱辐射特性的光谱曲线来判断地物的归属类别。目前常用的 光谱匹配方法一般都建立在光谱曲线的整体相似性度量基础上，然而，在高光谱图像中，不 同的地物之间他们的特性可能相近，通常表现为在某些波段上谱线非常相似，甚至一样，但 在另外一些波段存在明显差异。整体相似性度量方式忽略了谱线间的局部性差异。因此，如 果在光谱相似性度量中能够保留甚至凸显这种局部性差异，将有助于不同地物的细分。鉴 于此，本发明提供一种基于拐点分段的光谱匹配和识别方法，该方法按照一定的策略对光 谱曲线进行分段，使不同地物光谱差异较大的波段和光谱差异较小的波段分到不同的段落 中，以突出光谱差异较大的波段，增强光谱匹配和识别的有效性。
发明内容
本发明解决其技术问题所采用的技术方案是首先采用多尺度小波变换对谱线进 行变换处理，通过拐点多尺度寻优算法提取光谱曲线的拐点，然后利用拐点信息对谱线进 行分段，并采取分段匹配的方法对谱线进行识别。具体技术方案如下一种谱线拐点多尺度寻优分段方法，包括如下步骤(1)设光谱谱线为R(x)，x为波段号(x = 1，. . .，N)，N为自然数，令j为尺度变 量，其初始值为1，即j = 1,SJ为尺度变量为j时光谱谱线的拐点数目；vi为使光谱曲线具 有相同的拐点数的尺度变量的集合，i为标记变量，初值为1 ；(2)按下式对所述光谱谱线R(x)进行多尺度小波变换■ 挱= WJ(R (x)) , a = 2 j ； 其中Waf()为多尺度小波变换函数，a为小波变换尺度因子，形为光谱谱线R(x)经多尺度 小波变换后的结果；(3)计算所述光谱谱线R(x)在尺度变量j为k时的拐点，也即j等于k时挱的过 零点数目和过零点波段位置，令Zk= {x|ffaf(R(x)) ==0}，Sk = #(Zk)，其中，#()为集合 元素计数函数，即统计集合t中元素的个数，Sk为尺度变量j为k时的拐点数目，t为尺度 变量j为k时相应拐点的波段位置的集合，如果前后两个相邻尺度变量下光谱曲线的拐点 数目相同即Sk等于SH，则沪={k}，否则i = i+1，沪=小；(4)如果Sk等于1，即光谱谱线R(x)拐点数为1，则令变量je = k，跳至步骤(5)； 否则k = k+1，跳至(3)，获得光谱谱线R(x)在下一尺度下的拐点信息；(5)寻找维持拐点个数稳定不变的尺度变量j的最大连续区间Vv v = argmax{|max(7')_min(7')|}，其中 土 =丄，…，je ;
(6)求取光谱谱线R(x)的较优尺度J为J = min(q|q G Vv)，则较优尺度的拐点 波段位置为尹。一种谱线拐点多尺度寻优分段方法在光谱匹配和识别中的应用，其具体包括如下 步骤(1)设定地物参考谱线库中有M条参考谱线，记为Rp (x)，(p = 1，. . .，M)，M为自 然数，待识别谱线为N条，记为Tq(x)，q = 1，. . .，N，N为自然数，x为波段号；(2)取所述N条中的第q条待识别谱线Tq(x)，按所述的谱线拐点多尺度寻优方法 获得该待识别谱线Tq (x)的尺度分段信息，记为{Jq，Zq，Sq}，其中Jq、Zq和Sq分别为该第q 条待识别谱线Tq(x)的尺度、尺度拐点波段位置和拐点个数；(3)以该待识别谱线Tq(x)的尺度分段为基准，将谱线Tq(x)和参考谱线Rp(x)分 成(Sq+1)个分段，分别记为 IV(X)和 R/00，(1 = 1，. . .，Sq+1)；(4)按下式计算待识别谱线Tq(x)与所有参考谱线的距离
距离；(5)按最小距离判决规则对谱线进行判别，即如果D (Tq (x)，Rp (x)) = min {D (Tq (x)，Rp (x))}，则Tq(x)与Rp(x)属同类，即识别出该待识别谱线Tq(x)。所述步骤⑷中待识别谱线Tq(x)与参考谱线Rp(x)的距离采用光谱角、欧氏距离 或其他度量方法来计算。本发明的关键在于拐点信息的提取，由于在地物光谱的遥感测量过程中受各种因 素的影响，所获取的地物光谱信息包含随机噪声，这些噪声的存在会影响光谱曲线的特性， 使光谱曲线存在大量不能反映地物光谱本征的拐点信息，因此，在提取拐点前需要预先去 除这些干扰拐点，以提取稳定的拐点信息。为此，本发明首先采用基于高斯核函数的多尺度 小波变换对光谱曲线进行平滑和去噪处理，然后对去噪后的光谱曲线进行拐点提取。不同 尺度的小波变换对光谱曲线具有不同程度的平滑效果，对拐点的提取有不同的影响，一方 面，尺度越大，平滑和去噪效果越强，光谱曲线越平滑，所提取的拐点对噪声越不敏感；另一 方面，尺度越大，所提取的拐点位置偏差也越大，影响拐点位置的精度。因此，本发明设计了 一种拐点多尺度寻优方法，以获取较优的拐点信息，并以此为基础，进行分段匹配。本发明的有益效果是，通过拐点分段可以将地物光谱差异较大的波段和光谱差异 较小的波段分到不同的分段中，以突出光谱差异较大的波段，增强光谱匹配和识别的有效 性。
图1 光谱拐点数目随尺度变化示意图；图2 不同尺度小波变换后曲线示意图；图3 谱线匹配与识别处理流程示意图。
具体实施例方式下面结合附图和具体实施例对本发明作进一步描述。1、多尺度寻优思想。在地物光谱的遥感测量过程中，由于各种因素的影响，获得的光谱信息是包含噪 声的，这些噪声的存在会影响光谱曲线的特性，如果将光谱曲线与高斯函数进行卷积运算， 则可达到平滑和去噪作用。随着小波尺度的增大，曲线越平滑，拐点的提取对噪声越不敏 感，由噪声引入而产生的干扰拐点将被抑制，但同时却会带来另一个问题，即拐点的位置偏 差也会相应增大。因此，尺度的大小对拐点的提取有直接影响，从而影响谱线特征的匹配。图1给出了光谱拐点数量随小波尺度变化的关系图，从图可以发现在一定的尺度范 围内，拐点的个数是不变的，但是拐点所在的波段位置有所偏移。在高斯小波变换中，尺度越 大，则曲线越平滑，就更能够抵抗原曲线中的扰动，但是所提取到的拐点个数就越少；另一方 面，尺度越小，则变换后的曲线越接近原曲线，拐点所处的波段位置就越准确，但是提取的拐 点中由扰动造成的干扰拐点也越多。因此拐点提取时应该尽可能提高位置的准确性、减少干 扰拐点。对于地物光谱来说，其最主要的反射带与吸收带在光谱曲线中表现为比较明显的波 峰和波谷，它们不容易受到尺度的影响，当尺度在一定范围内变化的时候，这些波峰和波谷不 会被平滑掉。根据这一特性，可以考察维持拐点个数相对稳定的尺度范围。对于提取到的光 谱曲线的拐点来说，维持它们个数不变的尺度范围越大，则这些拐点之间的波峰和波谷就越 稳定，它们就越能够准确地反映光谱的吸收和反射特性。如果能找到维持拐点个数不变的最 大的尺度范围，那么这个尺度范围就是较优尺度范围，所对应的拐点数目就是较优拐点个数。 另外，由于尺度越小，该尺度下提取的拐点位置就越准确，因此较优尺度范围内最小的尺度就 是较优拐点提取尺度，该尺度下提取的拐点位置就是较优拐点位置。然而在实际情况中，随着尺度的不断增大，曲线将会越来越平滑，最终拐点将逐渐 消失(如图2所示)。这样一来，所统计得到的维持拐点个数不变的最大的尺度范围就是 零个拐点所对应的范围，因为它是无穷大的。在这种情况下，反射和吸收的特征完全无法体 现。同样，在拐点个数只有一个的时候，反射和吸收的特征也无法体现，因为任一个吸收带 或反射带都会位于两个拐点中间。因此，较优尺度只在维持拐点个数大于1的尺度范围内 寻找。2、拐点多尺度寻优分段方法。本发明选择基于二阶高斯导函数的多尺度小波变换作为拐点提取的方法，这主要 基于高斯小波的噪声抑制能力和多尺度分析能力。选用高斯二阶导函数作为小波基函数的 优点在于，原信号与高斯函数卷积之后，不易产生振铃效应，这样可避免振铃效应对拐点的 提取的影响，保证提取的拐点在反射带与吸收带之间。定义高斯函数为 则小波基函数为 小波变换为
ffaf (x) = f (x)*￥a(x) (3)其中，f(x)为光谱曲线，a为小波尺度因子。可以证明 由于基函数为高斯二阶导函数，因此，可近似地认为小波变换后的曲线为变换前 曲线的二阶导数曲线，这样，变换后曲线的过零点对应着原曲线的拐点。在上述小波变换中，小波尺度由尺度因子a决定，改变尺度因子可以获得不同尺 度的小波变换，利用不同尺度小波变换对光谱曲线进行处理，可以获得不同尺度下的曲线 拐点信息，尺度因子越大，曲线拐点数量则越少，并且到尺度增大到一定值时，曲线拐点数 降为1。为了获得曲线的较优拐点信息，本发明采用迭代方式对该光谱曲线进行多尺度小 波变换处理，初始迭代时小波尺度因子a取值为1，以后每次迭代小波尺度因子a增加1， 直到尺度因子使曲线的拐点数量下降为1为止，并记该最大尺度因子a的值为je。然后对 取值在1和je范围内的所有尺度因子进行分析，寻找使曲线具有相同拐点个数的尺度因子 的最大连续区间，并以该区间的最小尺度为较优尺度因子，该尺度因子所对应的曲线拐点 为较优拐点。其详细处理流程如下(1)设地物谱线为R(x)，x为波段号(x = 1，. . .，N)，N为自然数，令j为尺度变 量，其初始值为1，即j = 1,SJ为尺度变量为j时光谱曲线的拐点数目^为使光谱曲线具 有相同的拐点数的尺度变量的集合，i为标记变量(自然数)，初值为1 ；(2)按下式对谱线R(x)进行多尺度小波变换，即形=(x)) , a = 2j ；其中 Waf()为多尺度小波变换函数，a为小波变换尺度因子，形为R(x)经多尺度小波变换后的 结果；(3)计算谱线R(x)在尺度变量j为k时的拐点，也即j等于k时形的过零点数目 和过零点波段位置，令Zk= {x|ffaf(R(x)) ==0}，Sk = #(Zk)，其中，#()为集合元素计数 函数，即统计集合t中元素的个数，Sk为尺度变量j为k时的拐点数目，t为尺度变量j为 k时相应拐点的波段位置的集合。如果前后两个相邻尺度变量下光谱曲线的拐点数目相同 (即 sk 等于 skUjr = Vi+{k}，否则 i = i+i，r =小；(4)如果Sk等于1，即光谱曲线拐点数为1，则令变量je = k，跳至步骤(5)；否则 k = k+1，跳至(3)，获得谱线R(x)在下一尺度下的拐点信息；(5)寻找维持拐点个数稳定不变的尺度变量j的最大连续区间Vv (6)求取谱线R(x)的较优尺度J为J = min(q|qG Vv)，则较优尺度的拐点波段 位置为尹。3、基于拐点分段的谱线匹配方法光谱识别过程可以看作一个根据某种度量准则对谱线进行匹配分类的过程，在该 过程中首先分别计算未知谱线与所有类参考谱线的距离，然后对计算所得的各距离进行比 较，找出与未知谱线具有最小距离的参考谱线，并判定未知谱线与该参考谱线属于同一类。
通过拐点多尺度寻优算法可以提取光谱曲线的较优拐点，获得拐点后就可以用这 些拐点对谱线进行分段，并采取分段匹配的方法对谱线进行识别，其处理框图如图3所示， 具体的处理流程如下(1)设地物参考谱线库中有M条参考谱线，记为Rp (x)，(p = 1，. . .，M)，M为自然 数。待识别谱线为N条，记为Tq(x)，(q = 1，. . .，N)，N为自然数，x为波段号；(2)取所述N条中的第q条待识别谱线，按较优尺度拐点提取方法获得该谱线的较 优尺度分段信息，记为{Jq，zq，Sq}。其中Jq、Zq和Sq分别为该第q条待识别谱线Tq (x)的 较优尺度、较优尺度拐点波段位置和拐点个数；(3)以该待识别谱线Tq(x)的较优尺度分段为基准，将谱线Tq(x)和Rp(x)分成 (Si+1)个分段，分别记第1个分段为Wx)和R/00，(1 = 1，...，Sq+1)；(4)按下式计算Tq(x)与所有参考谱线Rp(x)的距离
距离，该距离可以采用光谱角、欧氏距离或其他度量方法来计算；(5)按最小距离判决规则对谱线进行判别，即如果 重复步骤(2) (5)，对所有待识别谱线进行识别。4、本发明应用实例分析为了对基于拐点分段的谱线识别算法的有效性进行分析，发明者从实际高光谱 图像中抽取了包含土壤、道路、房屋、水体和植被等6类典型地物的样本数据，总样本数 30814，其中土壤样本733个，道路样本3982个，房屋样本3784个，水体样本4410个，植被 样本16143个，阴影样本1762个。对这些样本分别采用分段光谱角匹配分类方法和不分段 光谱角匹配分类方法进行分类对比试验。具体实施过程是将30814个样本随即排列，组成待识别光谱数据集。对每类样本 取均值，并用均值作为每类样本的参考光谱，得到6类地物的参考光谱，组成地物参考谱线 库，然后按下述处理流程进行分类处理(1)记地物参考谱线库Rp(x)，(p = 1，. . .，6)。待识别谱线为Tq(x)，(q = 1，...， 30814)，x为波段号；(2)从待识别光谱数据库中依次选取一条待识别光谱曲线，记为第q条待识别谱 线，按拐点多尺度寻优方法获得该谱线的较优尺度分段信息，记为{Jq，zq，Sq}。其中Jq、zq 和sq分别为该第i条待识别谱线Ti (x)的较优尺度、较优尺度拐点波段位置和拐点个数；(3)以该待识别谱线Tq(x)的较优尺度分段为基准，将谱线Tq(x)和Rp(x)分成 (Sq+1)个分段，记第 1 个分段为 IV (x)和 R/ (x)，(1 = 1，. . .，Sq+1)；(4)按下式分别计算Tq(x)与6条参考谱线Rp(x)的距离
V1
D(Tq(x\Rp(x)) = IdiSt(rlq(x\Rlp(x))，其中 distOVOO，R/00)的表达式为
7 Bx为谱线第1个分段的起始波段号，Ex谱线第1个分段的终止波段号。(5)按最小距离判决规则对谱线进行判别，即如果D (Tq (x)，Rp (x)) = min {D (Tq (x)，Rp (x))}，则 (x)与 Rj (x)属同类；(6)重复步骤(2) (5)，对所有待识别谱线进行识别。实验结果如表1和2所示，实验结果表明，本发明方法能够有效改善光谱匹配效 果，提高目标识别精度，目标识别正确率得到明显提高。表1基于拐点分段的光谱角识别算法 表2直接光谱角识别算法
总样本30814总体精度(OA): 0.8675602Kappa 系数0.806785平均精度0.808033评价指标说明本发明应用实例分析采用混淆矩阵来评价，混淆矩阵是模式识别领域中一种常用 的表达形式，它描绘样本的真实类型与识别结果类型之间的关系，是评价分类性能的一种 常用方法。混淆矩阵的定义如下 式中，miJ表示试验区内应属于i类的像素被分到j类中去的像素总数，n为类别 数。如果混淆中对角线上的元素值越大，则表示分类结果的可靠性越高，如象混淆矩阵中非 对角线上的元素值越大，则表示错误分类的现象越严重。分类精度评价指标有多种，这里采用生产者精度(Producer Accuracy)、总体精度 (Overall Accuracy)禾口 Kappa 系数三种指标。(1)生产者精度(PA)指某一类别的正确分类数占参考数据中该类别像元总数的比例，生产精度体现在 混淆矩阵中则为
；=1
(2)总体精度(OA)
指总正确分类数占总抽样数的比例，它反映了分类结果总的正确程度。
利用混淆
9矩阵可表示为 (3) Kappa 系数由于总分类精度只利用了混淆矩阵对角线上的元素，而未利用整个混淆矩阵的信 息，作为分类误差的全面衡量尚欠不足，Kappa系数能全面地利用了混淆矩阵的信息，可作 为分类精度评价的综合指标，Kappa系数可用下式计算 式中，n为分类矩阵行列数，为混淆矩阵中第i行第j列的元素值，mi+和m+i， 分别表示分类混淆矩阵的行总和及列总和，N为总观察值，即混合矩阵中所有元素之和。
权利要求
一种谱线拐点多尺度寻优分段方法，包括如下步骤(1)设光谱谱线为R(x)，x为波段号(x＝1，…，N)，N为自然数，令j为尺度变量，其初始值为1，即j＝1，Sj为尺度变量为j时光谱谱线的拐点数目；Vi为使光谱曲线具有相同的拐点数的尺度变量的集合，i为标记变量，初值为1；(2)按下式对所述光谱谱线R(x)进行多尺度小波变换α＝2j；其中Waf()为多尺度小波变换函数，α为小波变换尺度因子，R％j为光谱谱线R(x)经多尺度小波变换后的结果；(3)计算所述光谱谱线R(x)在尺度变量j为k时的拐点，也即j等于k时R％j的过零点数目和过零点波段位置，令Zk＝{x|Waf(R(x))＝＝0}，Sk＝#(Zk)，其中，#()为集合元素计数函数，即统计集合Zk中元素的个数，Sk为尺度变量j为k时的拐点数目，Zk为尺度变量j为k时相应拐点的波段位置的集合，如果前后两个相邻尺度变量下光谱曲线的拐点数目相同即Sk等于Sk-1，则Vi＝Vi+{k}，否则i＝i+1，Vi＝φ；(4)如果Sk等于1，即光谱谱线R(x)拐点数为1，则令变量je＝k，跳至步骤(5)；否则k＝k+1，跳至(3)，获得光谱谱线R(x)在下一尺度下的拐点信息；(5)寻找维持拐点个数稳定不变的尺度变量j的最大连续区间Vv <mrow><mrow> <mi>v</mi> <mo>=</mo> <munder><mrow> <mi>arg</mi> <mi></mi> <mi>max</mi></mrow><mi>i</mi> </munder> <mo>{</mo> <mo>|</mo> <mi>max</mi> <mrow><mo>(</mo><msup> <mi>V</mi> <mi>i</mi></msup><mo>)</mo> </mrow> <mo>-</mo> <mi>min</mi> <mrow><mo>(</mo><msup> <mi>V</mi> <mi>i</mi></msup><mo>)</mo> </mrow> <mo>|</mo> <mo>}</mo></mrow><mo>,</mo> </mrow>其中i＝1，…，je；(6)求取光谱谱线R(x)的较优尺度J为J＝min(q|q∈Vv)，则较优尺度的拐点波段位置为ZJ。FDA0000020863760000011.tif
2.权利要求1所述的一种谱线拐点多尺度寻优分段方法在光谱匹配和识别中的应用， 其具体包括如下步骤(1)设定地物参考谱线库中有M条参考谱线，记为Rp(x)，(ρ= 1，…，M)，M为自然数， 待识别谱线为N条，记为Tq(X)，q = 1，…，N，N为自然数，χ为波段号；(2)取所述N条中的第q条待识别谱线Tq(X)，按权利要求1所述的谱线拐点多尺度寻 优分段方法获得该待识别谱线Tq (χ)的尺度分段信息，记为{J,，Zq, SJ，其中Jq、Zq和Sq分 别为该第q条待识别谱线Tq(X)的尺度、尺度拐点波段位置和拐点个数；(3)以该待识别谱线Tq(X)的尺度分段为基准，将谱线Tq(X)和参考谱线Rp(X)分成 (Sq+1)个分段，分别记第1个分段为Ttl1OO和Rp1OO ,(1 = 1,…，Sq+1)；(4)按下式计算待识别谱线Tq(X)与所有参考谱线的距离 其中 dist (Tq1 (χ)，Rp1OO)为两条谱线对应各分段的 距离；(5)按最小距离判决规则对谱线进行判别，即如果 D (Tq (χ)，Rp (x)) = min {D (Tq (χ), Rp (χ))},则Tq(X)与Rp(X)属同类，即识别出该待识别谱线Tq(X)。
3.根据权利要求2所述的谱线拐点提取方法在光谱匹配和识别中的应用，其特征在 于，所述步骤(4)中待识别谱线Tq(X)与参考谱线Rp(X)的距离采用光谱角、欧氏距离或其 他度量方法来计算。
全文摘要
本发明属于高光谱遥感应用领域，具体涉及一种光谱匹配与识别方法。本发明主要针对现有光谱匹配和识别方法仅考虑谱线间的整体相似性度量，而忽略谱线间局部差异性度量的不足，提供了一种基于光谱分段的匹配和识别方法，该方法首先采用基于二阶高斯导函数为小波函数的多尺度小波变换对谱线进行变换处理，然后利用本发明设计的拐点多尺度寻优算法提取光谱曲线的较优拐点，最后基于提取的较优拐点信息对谱线进行分段，并通过采用分段匹配方法对谱线进行识别。本发明的有益效果是，通过拐点分段可以将地物光谱差异较大的波段和光谱差异较小的波段分到不同的分段中，以突出光谱差异较大的波段，增强光谱匹配和识别的有效性。
文档编号G06T7/00GK101853503SQ20101015462
公开日2010年10月6日 申请日期2010年4月26日 优先权日2010年4月26日
发明者田岩, 胡考宁, 许毅平 申请人:华中科技大学