基于地物类别隶属度评分的高光谱遥感图像半监督分类方法
【专利摘要】本发明属于遥感图像处理【技术领域】，具体为基于地物类别隶属度评分的高光谱遥感图像半监督分类方法。本发明在过分割的前提下，以隶属度评分为核心，引入区域生长的流程，有效地结合光谱信息和空间信息，为半监督分类提供一种新策略。其中，隶属度评分以模糊理论为基础，同步权衡三大因素：高光谱图像的空间一致性、光谱多变性以及先验知识，能够得到高精度的分类结果以及平滑的分类标识图。本发明对参数以及训练样本在总体样本中的占比都具有良好的鲁棒性；地物类别隶属度的模糊评分高效地利用了先验知识，只需极少量的训练样本就能输出高质量的分类结果，而且分类精度对参数的变化不敏感；本发明在高光谱图像的分类方面具有重要的应用价值。
【专利说明】基于地物类别隶属度评分的高光谱遥感图像半监督分类方 法
【技术领域】
[0001] 本发明属于遥感图像处理【技术领域】，具体涉及一种基于地物类别隶属度评分的高 光谱遥感图像半监督分类方法。
【背景技术】
[0002] 遥感技术是本世纪六十年代发展起来的新兴综合技术，与空间、电子光学、计算 机、地理学等科学技术紧密相关，是研究地球资源环境的最有力的技术手段之一。高光谱遥 感是将成像技术与光谱技术相结合的多维信息获取技术。高光谱成像仪在电磁波谱的数十 至数百个非常窄且连续的光谱段上同时探测目标的二维几何空间与一维光谱信息，为地物 信息的提取和分析提供了极其丰富的信息，有助于精细的地物分类和目标识别，从而被广 泛应用于地质科学、水文科学、精准农业以及军事领域等[1]，[2]。然而，大量的光谱信息也 会带来诸多问题，如维数灾难、休斯（Hughes)效应等。特别是遇到严重的同物异谱现象时， 单纯依靠光谱特征的分类器无法精确地将同一种类的像素划分出来[2]。所以需要借助空 间信息来弥补光谱信息的不足。在高光谱图像中，像素的分布往往表现出空间上的特性，可 以提取出多种对应于地物的空间特征，例如形状、纹理等。将这些空间信息与光谱信息相结 合[2]，则可以大大提高利用高光谱图像进行地物分类的能力。
[0003] 在空谱结合的指导思想下，大量学者致力于半监督分类的研究，并发表了各种优 秀的方法[1]_[6]。而这些方法往往偏重于算法的开发，却忽视了高光谱遥感图像本身的特 性，使得它们步骤庞杂，不利于应用与推广。经我们研究发现，只要能够充分利用高光谱图 像的局部空间一致性，就能够有效地应对同物异谱现象，从而得到高精度的地物标识图。另 夕卜，由于获取一组高光谱数据的地物真实信息的难度较大，使得训练样本的个数稀少[2]。 所以充分地利用有限的先验知识是半监督分类方法的另一大要点。
[0004] 下面介绍与本发明相关的一些概念：
[0005] 光谱多样性（Spectral variability)
[0006] 由于高光谱图像的波段数量大、地物种类多，所以像素的光谱特征具有多样性。另 夕卜，低空间分辨率、地物分布异质性、多次散射效应等因素会加重多样性的程度[2]，往往会 导致同物异谱现象或异物同谱现象，为分类造成困难。
[0007] 局部空间的一致性（Local spatial consistency)
[0008] 该特性由我们观察经验所得，即为在一个较小的局部空间内，高光谱图像的像素 往往均属于少数的几种类别甚至是同一类别，而且它们的光谱特征具有高度的相关性。 [0009]超像素（Superpixel)
[0010] 超像素在图像分割领域中得到广泛应用[7]。本发明将一个分割区域视为一个超 像素。
【发明内容】
toon] 本发明的目的在于提出一种高光谱遥感图像的半监督分类方法。
[0012] 本发明以模糊理论为基础[1]，提出一种地物类别隶属度的评分方法，借用过分割 的结果将其嵌入区域生长流程，同步权衡三大因素：局部空间一致性、光谱多变性以及先验 知识，实现高光谱遥感图像的半监督分类。与其他优秀的同类方法相比，本发明具有更高的 分类精度、更好的兼容性和鲁棒性，以及更为简便的实现方式。兼容性表现在能够兼容多种 像素级相似性（距离）度量和简单基本的过分割算法：即使在过分割结果误差较大的情况 下，本发明也能够保证高质量的分类效果；即使采用不同的像素级相似性度量时，最终分类 精度的波动也不明显。鲁棒性表现在能够有效应对参数以及训练样本占比的变化：只需使 用缺省值而不精确地参数调节，只需极少量的训练样本，就能够获得高精度的分类结果。实 用性主要体现在评分表达式中，即只需要基本的数值运算，就能够有效地实现地物隶属度 的模糊评分。
[0013] 本发明提出一种基于地物类别隶属度评分的高光谱遥感图像半监督分类方法。具 体内容如下：
[0014] 一、定义像素和超像素之间的距离
[0015] 对高光谱遥感图像X e RIX〃Q(I，J，Q分别表示行、列以及波段数）过分割后，得到 M个分割区域IW = I52,...Mr 将每一个Xm视为一个超像素，其中 所涵盖的自然像素即为该超像素的成员，成员个数Bm即为该超像素的大小[7]。已知超像 素 m和自然像素 i，则像素与超像素之间的距离可定义为：
【权利要求】
1. 一种基于地物类别隶属度评分的高光谱遥感图像半监督分类方法，其特征在于，以 模糊理论为基础，采用地物类别隶属度评分的方法，同步权衡三大因素：高光谱图像的空间 一致性、光谱多变性以及先验知识，借用过分割的结果，通过区域生长的流程，对高光谱遥 感图像进行半监督的分类以及纠错；具体内容如下： (一） 定义像素和超像素之间的距离 对高光谱遥感图像 XEJj2JxJxg过分割后，得到1/个分割区域Xme及5*^，m = 1，2，·.·Μ, 分别表示行、列以及波段数；将每一个视为一个超像素，其中所涵盖的自然 像素即为该超像素的成员，成员个数即为该超像素的大小；已知超像素w和自然像素i，则像素与超像素之间的距离定义为：
其中，二《?,Γ, 关O是任意像素级的光谱距离或者空间坐标距 yy5u 离； (二） 定义超像素的邻域 如果一个超像素至少有一个成员与另一的超像素的成员相邻，则认为这两个超像素是 相邻的，在此基础之上定义超像素的自然邻域，一个超像素的自然邻域，即仅涵盖了与该超 像素相邻的所有超像素； (三） 定义隶属度模糊评分 令4表示超像素《内成员$属于类别e的程度评分，其具体计算过程如公式（2);为 了保持空间区域的一致性，将每次评分都限定在某一个超像素《及其邻域内，因此，令 C =U,…Cjvia为其中先验的或已分类的成员的类别；
其中，F是》的自然邻域中超像素的个数^和J分别表示超像素w及其邻域中的成 员；是超像素^及其邻域中先验为类别e或已划分为类别^的像素个数，Af、4以 及％的定义同式（1)中；
是成员之 间的空间坐标的欧氏距离；4是下降因子：如果成员j是先验的训练样本，则其类别标识 可信度较高，给它加上较重的权值，故令= %，其中呎>> 1且为常数；如果J不是先验的 训练样本而是在先前的区域生长过程中经过分类的测试样本，则其类别标识可信度相对较 低，赋予它较轻的权值，故令，其中O 且为常数夕为区域生长过程中J被 分类时的周期编号，τ为整个区域生长过程所经历的周期数； 在一个周期中，先对像素〗求得所有类别e=U，…的隶属度评分，再将i划分到得 分最高的类别中，实现半监督分类； (四） 定义简化的隶属度模糊评分 同公式（2)，令表示超像素@内成员$属于类别e的程度评分，其具体计算过程 如公式（3):
其中，取代了公式（2)中的Fy/y,简化了加权方法：如果成员」属于超像素w 且为先验的训练样本，则其类别标识可信度较高，与当前被评分的成员i的关联密切，给它 加上较重的权值，故令巧=丐，其中％ >> 1且为常数；如果成员j属于《的邻域且为先验 的训练样本，则其与2的相关程度有所下降，故令％ =%，其中1?丐《% ;若j不是训 练样本，则其类别标识可信度相对较低，故令％ =JT2 ;在半监督分类后，利用公式（3)，实现 纠错与再分类，以进一步提升分类精度； (五） 采用隶属度模糊评分，实现半监督分类与纠错，具体步骤如下： 步骤1 :已知高光谱图像又Ε 12?χ/χδ,训练样本的地物真实、过分割得到的超像素； 其中，训练样本的个数为超像素的个数为I;令M=Jx/ ; 步骤2 :计算并记录X中任意两个像素7和J之间的相似度; 步骤3 :计算并记录任意一个训练样本$和一个超像素《之间的相似度Dmi ; 步骤4:令超像素计数《 =O;周期计数i=O; 步骤5:半监督分类环节 5a):根据步骤(二）中的定义，确定超像素μ的自然邻域； 5b):令
其中是 ?邻域内超像素I的大小；如果超像素M及其邻域内的先验训练样本数量AL不足，即Iw < ，则在μ及其邻域外的所有先验训练样本中，查找
个离^?的光谱距离最短的 样本以及个离^的空间距离最短的样本，并将这些额外的训练样本与超像素《及其 邻域内固有的训练样本相并：ΛΓΜ =JVm + ，用于步骤5c)_ 5d); 5c):根据式（2)中定义的隶属度评分规则，对超像素概中每一成员i属于每一类别c的程度进行模糊评分； 5d):将超像素m中每一个成员i重新标注为得分最高的类别； 5e):更新+ ?+l,重复步骤5a)_ 7d);当Ot=M时执行步骤6;此时 t=T； 步骤6:令超像素计数m = 〇 ;循环计数心=〇,最大值为TL; 步骤7:纠错环节(非强制） 7a):根据（2)中的定义，确定超像素w的自然邻域； 7b):根据式（3)中定义的隶属度评分规则，对超像素w中每一成员?属于每一类别r的程度进行模糊评分； 7c):将超像素?中每一个成员i重新标注为得分最高的类别； 7d):更新重复步骤7a)_ 7c);当直至时执行步骤7e); 7e):更新重复步骤7a)_ 7d);当直至心=?^时执行步骤8; 步骤8 :得到分类后的地物标识图。
2.根据权利要求1所述的基于地物类别隶属度评分的高光谱遥感图像半监督分类方 法，其特征在于：步骤1所述过分割采用线性迭代聚类法（SLIC)，或者采用直接将图像分为 若干个大小相同的数据立方体：,每个立方体即为一个超像素= ;相应 的，采用SLIC算法的记为SCAS1，采用立方体超像素的记为SCAS2。
3.根据权利要求1所述的基于地物类别隶属度评分的高光谱遥感图像半监督分类方 法，其特征在于：步骤5b)中，对于先验训练样本数量不足的超像素《及其邻域内，添加该 邻域以外的训练样本，能够引入适量的光谱和类别的多样性，最大限度地利用稀有的先验 知识，有助于快速有效地进行半监督分类；此外，额外补充的训练样本中，一半是距当前被 分类的超像素光谱最近的，另一半是距当前被分类的超像素空间最近的，从而平衡了光谱 多样性和空间一致性。
【文档编号】G06K9/62GK104463203SQ201410728151
【公开日】2015年3月25日 申请日期:2014年12月3日 优先权日:2014年12月3日
【发明者】陈昭, 王斌 申请人:复旦大学