高光谱图像分类装置与方法与流程

本发明涉及图像处理领域，具体而言，涉及一种高光谱图像分类装置与方法。

背景技术：

高光谱图像具有多个光谱波段，为高光谱图像中的场景的识别(例如，草坪、马路以及河流等等)提供了丰富的差异性光谱信息。然而，受到图像噪声和光谱混合特性的干扰，仅仅依靠光谱信息难以获取高精度的分类结果。因此，有效提取更具可分性的空谱特征成为近年来高光谱图像分类领域的研究热点。

现有技术中，通常采用基于超像素分割的空谱分类方法对高光谱图像进行分割，基于超像素分割的空谱分类方法能够充分利用高光谱图像的局部相似性空间和光谱信息提升高光谱图像平滑区域的分类结果，可有效解决图像噪声存在情况下分类难的问题，但是采用基于超像素分割的空谱分类方法对高光谱图像进行分割，存在对高光谱图像的边缘、结构、纹理密集的区域的误分割的问题，分割很不精确。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种高光谱图像分类装置与方法。

第一方面，本发明实施例提供了一种高光谱图像分类装置，，所述高光谱图像分类装置包括：

特征向量提取单元，用于提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量；

分类概率矩阵获得单元，用于依据所述像素级结构特征向量、所述亚像素级光谱混合特征向量以及所述超像素级空谱相似性特征向量利用支持向量机对所述高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵；

分类概率序列获得单元，用于按照预设的规则对每个所述分类概率矩阵排序获得三个分类概率序列；

概率估计置信度获得单元，用于依据三个所述分类概率序列分别获得三个概率估计置信度；

联合分类概率矩阵获得单元，用于对三个所述概率估计置信度进行自适应线性融合，从而获得联合分类概率矩阵；

分类结果图像矩阵获得单元，用于依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵。

第二方面，本发明实施例还提供了一种高光谱分类图像方法，所述高光谱分类图像方法包括：

提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量；

依据所述像素级结构特征向量、所述亚像素级光谱混合特征向量以及所述超像素级空谱相似性特征向量利用支持向量机对所述高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵；

按照预设的规则对每个所述分类概率矩阵排序获得三个分类概率序列；

依据三个所述分类概率序列分别获得三个概率估计置信度；

对三个所述概率估计置信度进行自适应线性融合，从而获得联合分类概率矩阵；

依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的α-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵。

与现有技术相比，本发明提供的高光谱图像分类装置与方法，可有效提升对高光谱图像的平滑区域的分类精度，同时又能有效降低对高光谱图像的结构纹理密集区域出现的误分类情况，并且还能有效提升在噪声和光谱混合严重情况下的分类性能。

为使本发明的上述目的、特征向量和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的服务器的方框示意图；

图2为本发明实施例提供的高光谱图像分类装置的功能单元示意图；

图3为本发明实施例提供的特征向量提取单元的子单元示意图；

图4为本发明实施例提供的高光谱图像分类方法的流程图。

其中，附图标记与部件名称之间的对应关系如下：高光谱图像分类装置100，服务器101，处理器102，存储器103，存储控制器104，外设接口105，特征向量提取单元201，分类概率矩阵获得单元202，分类概率序列获得单元203，概率估计置信度获得单元204，联合分类概率矩阵获得单元205，分类结果图像矩阵获得单元206，形态学序列获取子单元301，像素级结构特征向量提取子单元302，聚类中心获得子单元303，亚像素级特征向量提取子单元304，基图像形成子单元305，超像素级相似性特征向量提取子单元306。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出的高光谱图像分类装置与方法，提供了一种高光谱图像分类方法，该高光谱图像分类方法可适用于服务器101。该服务器101可以是，但不限于，网络服务器、数据库服务器、云端服务器等等。

如图1所示，是所述服务器101的方框示意图。所述服务器101包括高光谱图像分类装置100、处理器102、存储器103、存储控制器104及外设接口105。

所述存储器103、存储控制器104及处理器102，各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述高光谱图像分类装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器103中或固化在所述服务器101的操作系统(operating system，OS)中的软件功能模块。所述处理器102用于执行存储器103中存储的可执行模块，例如，所述高光谱图像分类装置100包括的软件功能模块或计算机程序。

其中，存储器103可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器103用于存储程序，所述处理器102在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器101所执行的方法可以应用于处理器102中，或者由处理器102实现。

处理器102可能是一种集成电路芯片，具有信号的处理能力。上述的处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口105将各种输入/输入装置耦合至处理器以及存储器103。在一些实施例中，外设接口105，处理器102以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

请参阅图2，本发明实施例提供的一种高光谱图像分类装置100，所述高光谱图像分类装置100包括特征向量提取单元201、分类概率矩阵获得单元202、分类概率序列获得单元203、概率估计置信度获得单元204、联合分类概率矩阵获得单元205以及分类结果图像矩阵获得单元206。

所述特征向量提取单元201用于提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量。

如图3所示，具体地，所述特征向量提取单元201包括：形态学序列获取子单元301，用于利用主成成分分析法提取所述高光谱图像的前N个主要成分，分别对每个主要成分进行开运算、闭运算以及差分运算，从而获得差分形态学序列。进一步地，所述形态学序列获取子单元301用于利用主成成分分析法提取所述高光谱图像的前N个主要成分，依据算式对每个主要成分进行开运算获得形态学序列MPY_a，依据算式对每个主要成分进行闭运算，从而获得形态学序列MPY_e，对相邻的形态学序列MPY_a或形态学序列MPY_e进行差分运算从而获得基于主成分I_j的差分形态学序列。较佳地，所述形态学序列获取子单元301用于利用主成成分分析法提取所述高光谱图像的前3个主要成分，当然地，形态学序列获取子单元301不仅仅可用于利用主成成分分析法提取所述高光谱图像的前3个主要成分，也可以为前1个主要成分、2个主要成分或4个主要成分，在此并不做限制，在此仅仅是举例说明。

像素级结构特征向量提取子单元302，用于依据所述差分形态学序列提取像素级结构特征向量。

具体地，所述像素级结构特征向量提取子单元302用于依据算式其中，x_i为像素，为像素x_i对应的像素结构特征向量。

聚类中心获得子单元303，用于采用最小噪声分离变换法对高光谱图像进行降维，并利用快速K-均值算法对降维后的高光谱图像进行聚类，从而获取C个聚类中心，其中，C为待分类物的种类数目。

亚像素级特征向量提取子单元304，用于依据混合调制滤波方法获取C个聚类中心的丰度，并依据所述丰度提取亚像素级特征向量。

具体地，所述亚像素级特征向量提取子单元304用于依据算式

(即混合调制滤波方法)估计C个聚类中心的丰度，并依据算式提取亚像素级特征向量，其中，为像素x_i对应的亚像素级特征向量，E_c为聚类中心，R为相关性矩阵，为丰度。

基图像形成子单元305，用于依据所述高光谱图像的前N个主要成分形成基图像。

超像素级相似性特征向量提取子单元306，用于利用熵率过分割方法提取所述基图像中的超像素，并依据所述超像素及均值算子提取超像素级相似特征向量。

在基图像中采用熵率过分割方法提取超像素，超像素的个数可预定为由于每个超像素中包含光谱和空间信息都相似的光谱像素，因此通过利用算式(即均值算子)可获取超像素级相似性特征。其中，M×N为高光谱图像中包含的像素个数，N_SUP为超像素个数，S_i表示第i个超像素包含的所有像素集合，M_i表示第i个超像素S_i所包含的光谱像素个数。

所述分类概率矩阵获得单元202用于依据所述像素级结构特征向量、所述亚像素级光谱混合特征向量以及所述超像素级空谱相似性特征向量利用支持向量机对所述高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵。

所述分类概率序列获得单元203用于按照预设的规则对每个所述分类概率矩阵排序获得三个分类概率序列。

具体地，可分别将基于亚像素级特征获得的分类概率矩阵、基于像素级特征的分类概率矩阵以及超像素级特征概率的分类概率矩阵由高到低排序获得分类概率序列。

所述概率估计置信度获得单元204用于依据三个所述分类概率序列分别获得三个概率估计置信度。

具体地，所述概率估计置信度获得单元204用于依据所述三个所述分类概率序列和算式

$d_i^{sub}=\underset{c=1}{\overset{c=C-1}{\mathrm{\Σ}}}\frac{1}{C}(p_{i,c}^{sub}-p_{i,c+1}^{sub}),$

$d_i^{pix}=\underset{c=1}{\overset{c=C-1}{\mathrm{\Σ}}}\frac{1}{C}(p_{i,c}^{pix}-p_{i,c+1}^{pix}),$

$d_i^{\sup }=\underset{c=1}{\overset{c=C-1}{\mathrm{\Σ}}}\frac{1}{C}(p_{i,c}^{\sup }-p_{i,c+1}^{\sup }).$

获得三个概率估计置信度，其中，分别表示以像素x_i为分类对象的分类概率序列，为基于像素级结构特征向量的分类概率序列的概率估计置信度、为基于亚像素级特征向量的分类概率序列的概率估计置信度，为基于超像素级相似性特征向量的分类概率序列的的概率估计置信度。

所述联合分类概率矩阵获得单元205用于对三个所述概率估计置信度进行自适应线性融合，从而获得联合分类概率矩阵。

具体地，所述联合分类概率矩阵获得单元205用于依据概率估计置信度概率估计置信度概率估计置信度以及算式

进行自适应线性融合，从而获得联合分类概率矩阵，其中，为联合分类概率矩阵，

所述分类结果图像矩阵获得单元206用于依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的α-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵。

具体地，所述分类结果图像矩阵获得单元206用于依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的α-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵，其中，能量函数的算式为E(S_i)为能量函数值，Y(S_i)为分类结果图像矩阵，并且有

$E\left(S_i\right)=\underset{i\∈S_i}{\mathrm{\Σ}}{D}_i\left(x_i\right)+\mathrm{\β}\underset{(x_i,x_j)\∈N_i}{\mathrm{\Σ}}{V}_{i,j}(y_i,y_j).$

$D_i\left(x_i\right)=-log\left({\hat{p}}_i\right),V(y_i,y_j)=1-\mathrm{\δ}(y_i,y_j),$

β为调节因子，y_i，y_j为像素x_i和x_j分别对应的类别标签。如果高光谱图像的邻域内两个像素(x_i和x_j)的类别标签相同，也就是y_i＝y_j，在这种情况下δ(y_i,y_j)＝1，反之亦然。β是平衡D_i(x_i)和V(y_i，y_j)的调节因子，例如，β＝0.5。

请参阅图4，本发明实施例还提供了一种高光谱图像分类方法，需要说明的是，本实施例所提供的高光谱图像分类方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述实施例中的相应内容，所述高光谱分类图像方法包括：

步骤S401：提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量。

利用特征向量提取单元201提取一高光谱图像的像素级结构特征向量、亚像素级光谱混合特征向量以及超像素级空谱相似性特征向量。具体地，步骤S401可以包括利用主成成分分析法提取所述高光谱图像的前N个主要成分，分别对每个主要成分进行开运算、闭运算以及差分运算，从而获得差分形态学序列，依据所述差分形态学序列提取像素级结构特征向量。具体地，利用主成成分分析法提取所述高光谱图像的前N个主要成分，依据算式对每个主要成分进行开运算获得形态学序列MPY_a，依据算式对每个主要成分进行闭运算，从而获得形态学序列MPY_e，对相邻的形态学序列MPY_a或形态学序列MPY_e进行差分运算从而获得基于主成分I_j的差分形态学序列，依据算式其中，x_i为像素，为像素x_i对应的像素结构特征向量。

采用最小噪声分离变换法对高光谱图像进行降维，并利用快速K-均值算法对降维后的高光谱图像进行聚类，从而获取C个聚类中心，其中，C为待分类物的种类数目，依据混合调制滤波方法和获取C个聚类中心的丰度，并依据所述丰度提取亚像素级特征向量。具体地，依据算式(即混合调制滤波方法)估计C个聚类中心的丰度，并依据算式提取亚像素级特征向量，其中，为像素x_i对应的亚像素级特征向量，E_c为聚类中心，R为相关性矩阵，为丰度。

依据所述高光谱图像的前N个主要成分形成基图像，利用熵率过分割方法提取所述基图像中的超像素，并依据所述超像素及均值算子提取超像素级相似特征向量。

步骤S402：依据所述像素级结构特征向量、所述亚像素级光谱混合特征向量以及所述超像素级空谱相似性特征向量利用支持向量机对所述高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵。

利用分类概率矩阵获得单元202依据所述像素级结构特征向量、所述亚像素级光谱混合特征向量以及所述超像素级空谱相似性特征向量利用支持向量机对所述高光谱图像分别进行逐像素类别估计，从而获得三个分类概率矩阵。

步骤S403：按照预设的规则对每个所述分类概率矩阵排序获得三个分类概率序列。

利用分类概率序列获得单元203按照预设的规则对每个所述分类概率矩阵排序获得三个分类概率序列。

步骤S404：依据三个所述分类概率序列分别获得三个概率估计置信度。

利用概率估计置信度获得单元204依据三个所述分类概率序列分别获得三个概率估计置信度。

具体地，步骤S404可以包括依据所述三个所述分类概率序列和算式

$d_i^{sub}=\underset{c=1}{\overset{c=C-1}{\mathrm{\Σ}}}\frac{1}{C}(p_{i,c}^{sub}-p_{i,c+1}^{sub}),$

$d_i^{pix}=\underset{c=1}{\overset{c=C-1}{\mathrm{\Σ}}}\frac{1}{C}(p_{i,c}^{pix}-p_{i,c+1}^{pix}),$

$d_i^{\sup }=\underset{c=1}{\overset{c=C-1}{\mathrm{\Σ}}}\frac{1}{C}(p_{i,c}^{\sup }-p_{i,c+1}^{\sup }).$

获得三个概率估计置信度，其中，分别表示以像素x_i为分类对象的分类概率序列，为基于像素级结构特征向量的分类概率序列的概率估计置信度、为基于亚像素级特征向量的分类概率序列的概率估计置信度，为基于超像素级相似性特征向量的分类概率序列的的概率估计置信度。

步骤S405：对三个所述概率估计置信度进行自适应线性融合，从而获得联合分类概率矩阵。

利用联合分类概率矩阵获得单元205对三个所述概率估计置信度进行自适应线性融合，从而获得联合分类概率矩阵。

具体地，步骤S405可以包括依据概率估计置信度概率估计置信度概率估计置信度以及算式

进行自适应线性融合，从而获得联合分类概率矩阵，其中，为联合分类概率矩阵，

步骤S406：依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的α-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵。

利用分类结果图像矩阵获得单元206依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的α-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵。

具体地，步骤S406可以包括：依据所述联合分类概率矩阵、所述高光谱图像的每个邻域内的两个像素对应的类别标签以及预设的调节因子构造能量函数，并依据基于图割理论的α-扩展算法求取所述能量函数的最小值，并依据所述能量函数的最小值获得分类结果图像矩阵，其中，能量函数的算式为E(S_i)为能量函数值，Y(S_i)为分类结果图像矩阵，并且V(y_i,y_j)＝1-δ(y_i,y_j),β为调节因子，y_i，y_j为像素x_i和x_j分别对应的类别标签。

综上，本发明提供的高光谱图像分类装置与方法，可有效提升对高光谱图像的平滑区域的分类精度，同时又能有效降低对高光谱图像的结构纹理密集区域出现的误分类情况，并且还能有效提升在噪声和光谱混合严重情况下的分类性能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。