基于条件随机场的超光谱图像分类方法

专利名称：基于条件随机场的超光谱图像分类方法
技术领域：
本发明属于图像处理技术领域，更进一步涉及目标识别领域中基于条件随机场的超光谱图像分类方法。该方法可应用于目标识别图像信息的获取、超光谱图像目标识别，能够对图像的不同区域进行准确分类。
背景技术：
遥感图像处理领域的一项重要任务，就是地物分类。而地物分类方面的一个焦点就是超光谱图像的分类。超光谱图像可通过数百个连续且细分的光谱波段对地表区域同时成像，进而获得三维图像数据。高光谱图像信息通过较窄的波段区间，较多的波段数量而提供，包含丰富的光谱信息，且表现出非常强的谱相关性和空间相关性，这为特征提取、目标识别和分类提供了可能，使得地物分类具有更高的精度和鲁棒性。目前，有很多超光谱数据分类的方法被提出。其中一个主要的研究方向就是将统计的方法应用于超光谱图像的分类。部分现有的理论中存在一些显著问题，如需要对观测到的超光谱图像像素值做明确的建模、仅考虑了像素的谱矢量信息而忽略其空间相关性。北京航空航天大学在其专利申请“基于免疫进化策略的高光谱图像分类方法”(专利申请号20101013拟49. 2，公开号CN101拟6160A)中提出了一种基于免疫进化策略的高光谱图像分类方法。该方法虽然能够自适应地选取不同场景下不同地物分类所需的最佳波段组合，但仍存在的不足是，忽略了高光谱图像的空间邻域信息，分类准确度不高。

发明内容
本发明的目的在于克服上述已有技术的不足，提出了一种基于基于条件随机场的超光谱图像分类方法。本发明简化了超光谱图像的分类过程，充分利用了超光谱图像的谱相关性及空间相关性，且避免了对观测数据的建模。本发明实现上述目的的思路是采用条件随机场模型，结合谱矢量信息(一元势团信息)和空间邻域信息(二元势团信息)，直接对分类的后验概率进行建模，通过计算后验概率来确定分类结果。本发明实现的具体步骤如下(1)初始化，对原始数据所有像素值进行初始化，使其满足均值为0、方差为1 ；(2)输入分别与待分类超光谱图像地物类别分别对应的训练样本集；(3)采用多项式对数归一(MLR)法训练一元势团信息量的参数3a)确定一元势团信息量的黑塞矩阵(Hessian matrix)边界；3b)确定一元势团信息量的梯度矢量(Gradient vector)；3c)确定一元势团信息量的参数；(4)采用多项式对数归一(MLR)法训练二元势团信息量的参数4a)确定二元势团信息量的黑塞矩阵(Hessian matrix)边界；4b)确定二元势团信息量的梯度矢量(Gradient vector)；
4c)确定二元势团信息量的参数；(5)输入待分类的测试数据；(6)确定一元势团信息量的后验概率；(7)确定二元势团信息量的后验概率；(8)信息更新，求一元势团信息量后验概率矢量和二元势团信息量后验概率矢量的平均矢量，一元势团信息量的后验概率，表示为L维概率矢量，L为超光谱图像的类别数， 二元势团信息量的后验概率，取两相邻像元同属于每一类的概率，表示为L维概率矢量；(9)确定类标9a)从后验概率平均矢量中选取最大值；9b)将最大值对应的类标作为最终类标。本发明与现有技术相比具有以下优点第一，由于本发明采用条件随机场模型，直接将后验概率建模为吉布斯(GitDbs) 分布，克服了现有技术对观测到的超光谱数据的明确建模，使得本发明可用于各种具有不同统计特性的超光谱图像的分类，具有普遍适用性。第二，由于本发明采用条件随机场模型，结合了空间邻域信息，克服了现有技术忽略了超光谱图像的空间邻域信息，使得本发明所分类的图像正确率较高。第三，由于本发明采用条件随机场模型，无论是在标记样本还是观测数据中，空间邻域信息可通过条件随机场模型直接获取，克服了现有技术需对观测数据空间邻域信息做复杂的建模，使得本发明的计算复杂度低。


图1是本发明的流程图；
具体实施例方式参照图1，本发明的具体实施步骤如下。步骤1.初始化，按如下步骤操作第一步，按照下式求原始数据对应矩阵RHSI所有像素的平均值k = XXX(RHSiyN其中，k为所有像素的平均值，Σ表示叠加，i表示矩阵行数，j表示矩阵列数，h表示波段数，Σ为所有行叠加，？为所有列叠加，Σ为所有波段叠加，RHSI为原始数据对应的
矩阵，
权利要求
1.一种基于条件随机场的超光谱图像分类方法，包括如下步骤(1)初始化，对原始数据所有像素值进行初始化，使其满足均值为0、方差为1；(2)输入分别与待分类超光谱图像地物类别分别对应的训练样本集；(3)采用多项式对数归一(MLR)法训练一元势团信息量的参数 3a)确定一元势团信息量的黑塞矩阵(Hessian matrix)边界； 3b)确定一元势团信息量的梯度矢量(Gradient vector)； 3c)确定一元势团信息量的参数；(4)采用多项式对数归一(MLR)法训练二元势团信息量的参数 4a)确定二元势团信息量的黑塞矩阵(Hessian matrix)边界； 4b)确定二元势团信息量的梯度矢量(Gradient vector)； 4c)确定二元势团信息量的参数；(5)输入待分类的测试数据；(6)确定一元势团信息量的后验概率；(7)确定二元势团信息量的后验概率；(8)信息更新，求一元势团信息量后验概率矢量和二元势团信息量后验概率矢量的平均矢量，一元势团信息量的后验概率，表示为L维概率矢量，L为超光谱图像的类别数，二元势团信息量的后验概率，取两相邻像元同属于每一类的概率，表示为L维概率矢量；(9)确定类标9a)从后验概率平均矢量中选取最大值； 9b)将最大值对应的类标作为最终类标。
2.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 (1)所述的初始化的步骤是第一步，按照下式求原始数据对应矩阵RHSI所有像素的平均值
3.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 3a)所述的一元势团信息量的黑塞矩阵(Hessian matrix)边界按照下式求得
4.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤3b)所述的一元势团信息量的梯度矢量(Gradient vector)按照下式求得
5.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 3c)所述的一元势团信息量的参数按照下式求得
6.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 4a)所述的二元势团信息量的黑塞矩阵(Hessian matrix)边界按照下式求得其中，B为二元势团信息量的黑塞矩阵的边界，符号E表示定义为，〗SL维单位矩阵，L 为超光谱图像的类别数，1 = [1，1，. . .，1]τ是L维矢量，上标τ表示转置， 表示Kronecker 矩阵乘积，Σ表示叠加，μ u为像元组(i，j)的特征矢量。
7.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 4b)所述的二元势团信息量的梯度矢量(Gradient vector)按照下式求得
8.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 4c)所述的二元势团信息量的参数按照下式求得
9.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 (6)所述的一元势团后验概率按照下式求得
10.根据权利要求1所述的基于条件随机场的超光谱图像分类方法，其特征在于步骤 (7)所述的二元势团后验概率按照下式求得其中，P((Xi, Xj) ^kl Uij(Y), ν)表示像元组(i，j)类标为k的后验概率，k e {1， 2，. . .，L+1}，L为超光谱图像的类别数，L+1表示像元组(i，j)中两个像元类别不同，μ u (y) 为连接像元i与像元j的谱矢量所得的特征矢量，像元j为像元i的四邻域像元，ν为二元势团信息量的参数，exp为指数函数，Vkk为第k类对应参数，上标τ表示转置，Σ表示叠加， Vnn为第η类对应参数。
全文摘要
本发明公开了一种基于条件随机场的超光谱图像分类方法，其实现步骤为(1)初始化；(2)输入分别与待分类超光谱图像地物类别分别对应的训练样本集；(3)训练一元势团信息量的参数；(4)训练二元势团信息量的参数；(5)输入待分类的测试数据；(6)确定一元势团信息量的后验概率；(7)确定二元势团信息量的后验概率；(8)信息更新；(9)确定类标。本发明采用条件随机场模型避免了对观测数据的明确建模；既利用了空间邻域信息，又避免了空间邻域信息的复杂建模，具有计算复杂度低，分类准确率高，算法适应性广泛的优点。可应用于遥感图像的地物分类、目标检测及识别、军事侦察等领域。
文档编号G06K9/62GK102521603SQ20111036647
公开日2012年6月27日 申请日期2011年11月17日 优先权日2011年11月17日
发明者侯彪, 刘瑞清, 张向荣, 焦李成, 王爽, 马文萍 申请人:西安电子科技大学