一种高光谱图像分类的方法及装置与流程

本发明涉及图像处理技术领域，特别涉及一种高光谱图像分类的方法及装置。

背景技术：

随着图像处理技术的快速发展，图像处理技术在军事、监控、农业、化学等多个领域得到广泛的应用。其中，如何通过图像处理技术对待分类目标进行分类越来越被重视。

现有技术中，对待分类目标进行分类主要是根据待分类目标的二维图像中的各个部分的纹理特征来为二维图像中的各个部分分类。举例来说，待分类目标为一个地理区域，该地理区域中包括：河流、麦田、房屋等，为了将该地理区域中的河流、麦田、房屋等各个部分区别出来，现有技术中，根据该地理区域的二维图像的纹理特征来进行分类，也就是，将纹理特征相似的划分为一类。

通过上述描述可见，现有技术中根据二维图像的各个部分的纹理特征来对二维图像进行分类，由于二维图像中属于不同类别的部分的纹理特征可能相似度也很高，在分类时就会将不同类别的部分划分到同一类别中，因此，现有技术的分类准确性较低。

技术实现要素：

本发明实施例提供了一种高光谱图像分类的方法及装置，能够提高分类的准确性。

一方面，本发明实施例提供了一种高光谱图像分类的方法，包括：

S1：预先从高光谱图像中确定训练样本，为每个所述训练样本设置对应的类标；

S2：提取所述高光谱图像的至少两个图像特征；

S3：确定每个所述图像特征的最邻近图的相似度矩阵；

S4：确定每个相似度矩阵的图拉普拉斯矩阵；

S5：将每个所述图拉普拉斯矩阵投射在格拉斯曼流形上，在所述格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

S6：根据所述每两个图拉普拉斯矩阵之间的距离和所述训练样本的类标，确定所述高光谱图像的类标矩阵；

S7：根据所述类标矩阵，确定所述高光谱图像的每个样本的类标。

进一步地，所述S6，包括：

A1：根据每个所述训练样本的类标，确定所述高光谱图像的初始类标矩阵；

A2：确定每个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和；

A3：确定目标函数中的每个图拉普拉斯矩阵对应的融合权重的初始值，其中，所述目标函数为：

其中，Q为所述类标矩阵，Y为所述高光谱图像的初始类标矩阵，L^(m)为第m个图拉普拉斯矩阵，U为预设矩阵，γ_α为第一预设约束程度参数，γ_s为第二预设约束程度参数，S^(m)为第m个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，α^(m)为第m个图拉普拉斯矩阵对应的融合权重，M为所述图拉普拉斯矩阵的数量；

A4：根据所述每个图拉普拉斯矩阵对应的融合权重和公式一，更新所述类标矩阵，其中，所述公式一为：

A5：根据所述类标矩阵和公式二，更新所述每个图拉普拉斯矩阵对应的融合权重，其中，所述公式二为：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

A6：根据所述每个图拉普拉斯矩阵对应的融合权重和所述类标矩阵，判断所述目标函数的值是否收敛，如果是，则输出所述类标矩阵，否则，返回A4。

进一步地，在所述S1之后，在所述S6之前，进一步包括：

B1：判断所述训练样本的数量是否小于第一预设值，如果是，则依次执行B2至B9；

B2：对所述高光谱图像的光谱进行主成分分析，提取所述高光谱图像的光谱的主成分；

B3：确定每个所述主成分的梯度矩阵；

B4：将每个所述主成分的梯度矩阵对应叠加，生成所述高光谱图像的梯度矩阵；

B5：对所述高光谱图像的梯度矩阵进行水分岭分割，获取至少一个分割区域；

B6：对每个所述分割区域进行聚类处理，确定每个所述分割区域的聚类中心，将每个所述分割区域的聚类中心作为辅助样本；

B7：确定每个所述辅助样本对应的最相似的训练样本；

B8：将每个辅助样本对应的最相似的训练样本的类标设置为每个辅助样本的类标；

B9：将每个设置有类标的辅助样本作为训练样本，返回B1。

进一步地，所述S5，包括：

对每个所述图拉普拉斯矩阵进行特征值分解，获得每个所述图拉普拉斯矩阵的特征值；

针对每个所述图拉普拉斯矩阵，从每个所述图拉普拉斯矩阵的各个特征值中，选取第二预设值个数值最大的空间特征值；

根据每个所述图拉普拉斯矩阵的空间特征值的特征向量，生成每个所述图拉普拉斯矩阵对应的特征空间；

确定每两个所述图拉普拉斯矩阵对应的特征空间之间的测地线距离；

将每两个所述图拉普拉斯矩阵对应的测地线距离作为每两个所述图拉普拉斯矩阵之间的距离。

进一步地，所述图像特征，包括：光谱特征；

所述S2，包括：

根据所述高光谱图像中的光谱之间的互信息对所述高光谱图像进行聚类处理，生成所述高光谱图像的光谱块；

将每个所述光谱块作为一个所述光谱特征。

进一步地，所述S4，包括：

根据公式三，确定每个相似度矩阵的图拉普拉斯矩阵，其中，所述公式三为：

其中，L为所述图拉普拉斯矩阵，W为所述相似度矩阵，I为单位矩阵，D为对角矩阵，D的对角线上的第i个元素为∑_jW_ij。

进一步地，所述图像特征，包括：光谱特征；

所述S3，包括：

根据所述高光谱图像的光谱特征，确定每个样本的光谱值；

根据每个样本的光谱值，确定所述光谱特征中每两个样本之间的欧式距离；

根据每两个样本之间的欧式距离，利用高斯核函数，确定每两个样本之间的初始光谱相似度；

根据每两个样本之间的初始光谱相似度，为每个样本选取第三预设值个初始光谱相似度最大的第一最邻近样本；

根据每个样本对应的第三预设值个第一最邻近样本，生成每个样本的邻近样本集；

确定每两个样本的邻近样本集之间的邻近样本集相似度；

将每两个样本的初始光谱相似度和邻近样本集相似度相乘，获得每两个样本的第一最终相似度；

根据每个样本的所述第三预设值个数值最大的第一最终相似度，获得所述光谱特征的最邻近图的相似度矩阵。

进一步地，所述图像特征包括：空间位置特征；

所述S3，包括：

根据所述高光谱图像的空间位置特征，确定每个样本的空间位置；

根据每个样本的空间位置，确定所述高光谱图像的每两个样本之间的距离；

根据每两个样本之间的距离，利用高斯核函数，确定每两个样本之间的初始空间位置信息相似度；

根据每两个样本之间的初始空间位置信息相似度，为每个样本选取第四预设值个初始空间位置信息相似度最大的第二最邻近样本；

以样本的光谱为特征，利用高斯核函数，确定每个样本与其每个第二最邻近样本之间的中间相似度；

将每个样本与其每个第二最邻近样本的初始空间位置信息相似度和中间相似度相乘，获得每个样本与其每个第二最邻近样本的第二最终相似度；

根据每个样本与其每个第二最邻近样本的第二最终相似度，获得所述空间位置特征的最邻近图的相似度矩阵。

进一步地，所述图像特征包括：纹理特征；

所述S3，包括：

根据所述高光谱图像的纹理特征，确定每个样本的纹理特征；

根据每个样本的纹理特征，利用高斯核函数，确定每两个样本之间的纹理相似度；

根据每个样本的第五预设值个数值最大的纹理相似度，获得所述纹理特征的最邻近图的相似度矩阵。

另一方面，本发明实施例提供了一种高光谱图像分类的装置，包括：

样本确定单元，用于从高光谱图像中确定训练样本，为每个所述训练样本设置对应的类标；

提取单元，用于提取所述高光谱图像的至少两个图像特征；

相似度矩阵确定单元，用于确定每个所述图像特征的最邻近图的相似度矩阵；

图拉普拉斯矩阵确定单元，用于确定每个相似度矩阵的图拉普拉斯矩阵；

距离确定单元，用于将每个所述图拉普拉斯矩阵投射在格拉斯曼流形上，在所述格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

类标矩阵确定单元，用于根据所述每两个图拉普拉斯矩阵之间的距离和所述训练样本，确定所述高光谱图像的类标矩阵；

类标确定单元，用于根据所述类标矩阵，确定所述高光谱图像的每个样本的类标。

进一步地，所述类标矩阵确定单元，包括：

第一确定子单元，用于根据每个所述训练样本的类标，确定所述高光谱图像的初始类标矩阵；

第二确定子单元，用于确定每个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和；

第三确定子单元，用于确定目标函数中的每个图拉普拉斯矩阵对应的融合权重的初始值，其中，所述目标函数为：

其中，Q为所述类标矩阵，Y为所述高光谱图像的初始类标矩阵，L^(m)为第m个图拉普拉斯矩阵，U为预设矩阵，γ_α为第一预设约束程度参数，γ_s为第二预设约束程度参数，S^(m)为第m个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，α^(m)为第m个图拉普拉斯矩阵对应的融合权重，M为所述图拉普拉斯矩阵的数量；

类标矩阵更新子单元，用于根据所述每个图拉普拉斯矩阵对应的融合权重和公式一，更新所述类标矩阵，其中，所述公式一为：

所述融合权重更新子单元，用于根据所述类标矩阵更新子单元确定出的所述类标矩阵和公式二，更新所述每个图拉普拉斯矩阵对应的融合权重，其中，所述公式二为：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

判断子单元，用于根据所述融合权重更新子单元确定出的所述每个图拉普拉斯矩阵对应的融合权重和所述类标矩阵更新子单元确定出的所述类标矩阵，判断所述目标函数的值是否收敛，如果是，则输出所述类标矩阵，否则，返回所述类标矩阵更新子单元进行处理。

进一步地，所述距离确定单元，包括：

特征值分解子单元，用于对每个所述图拉普拉斯矩阵进行特征值分解，获得每个所述图拉普拉斯矩阵的特征值；

空间特征值确定子单元，用于针对每个所述图拉普拉斯矩阵，从每个所述图拉普拉斯矩阵的各个特征值中，选取第二预设值个数值最大的空间特征值；

特征空间生成子单元，用于根据每个所述图拉普拉斯矩阵的空间特征值的特征向量，生成每个所述图拉普拉斯矩阵对应的特征空间；

测地线距离确定子单元，用于确定每两个所述图拉普拉斯矩阵对应的特征空间之间的测地线距离；

矩阵距离确定子单元，用于将每两个所述图拉普拉斯矩阵对应的测地线距离作为每两个所述图拉普拉斯矩阵之间的距离。

在本发明实施例中，提取高光谱图像的至少两个图像特征，确定出每个图像特征对应的图拉普拉斯矩阵，在结合高光谱图像上的训练样本的类标，得到高光谱图像的类标矩阵，根据该类标矩阵确定出高光谱图像的每个样本的类标，本发明实施例是基于至少两个图像特征进行分类的，提高了分类的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种高光谱图像分类的方法的流程图；

图2是本发明一实施例提供的另一种高光谱图像分类的方法的流程图；

图3是本发明一实施例提供的又一种高光谱图像分类的方法的流程图；

图4是本发明一实施例提供的再一种高光谱图像分类的方法的流程图；

图5是本发明一实施例提供的一种高光谱图像分类的装置的示意图；

图6是本发明一实施例提供的另一种高光谱图像分类的装置的示意图。

具体实施方式

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，基于本发明中的实施例，本领域普通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。

如图1所示，本发明实施例提供了一种高光谱图像分类的方法，该方法可以包括以下步骤：

S1：预先从高光谱图像中确定训练样本，为每个所述训练样本设置对应的类标；

S2：提取所述高光谱图像的至少两个图像特征；

S3：确定每个所述图像特征的最邻近图的相似度矩阵；

S4：确定每个相似度矩阵的图拉普拉斯矩阵；

S5：将每个所述图拉普拉斯矩阵投射在格拉斯曼流形上，在所述格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

S6：根据所述每两个图拉普拉斯矩阵之间的距离和所述训练样本的类标，确定所述高光谱图像的类标矩阵；

S7：根据所述类标矩阵，确定所述高光谱图像的每个样本的类标。

在本发明实施例中，提取高光谱图像的至少两个图像特征，确定出每个图像特征对应的图拉普拉斯矩阵，在结合高光谱图像上的训练样本的类标，得到高光谱图像的类标矩阵，根据该类标矩阵确定出高光谱图像的每个样本的类标，本发明实施例是基于至少两个图像特征进行分类的，提高了分类的准确性。

为了进一步提高分类的准确性，基于图1所示的一种高光谱图像分类的方法，在本发明一实施例中，如图2所示，所述S6，包括：

步骤201：根据每个所述训练样本的类标，确定所述高光谱图像的初始类标矩阵；

步骤202：确定每个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和；

步骤203：确定目标函数中的每个图拉普拉斯矩阵对应的融合权重的初始值，其中，所述目标函数为：

其中，Q为所述类标矩阵，Y为所述高光谱图像的初始类标矩阵，L^(m)为第m个图拉普拉斯矩阵，U为预设矩阵，γ_α为第一预设约束程度参数，γ_s为第二预设约束程度参数，S^(m)为第m个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，α^(m)为第m个图拉普拉斯矩阵对应的融合权重，M为所述图拉普拉斯矩阵的数量；

步骤204：根据所述每个图拉普拉斯矩阵对应的融合权重和公式一，更新所述类标矩阵，其中，所述公式一为：

步骤205：根据所述类标矩阵和公式二，更新所述每个图拉普拉斯矩阵对应的融合权重，其中，所述公式二为：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

步骤206：根据所述每个图拉普拉斯矩阵对应的融合权重和所述类标矩阵，判断所述目标函数的值是否收敛，如果是，则执行步骤207，否则，返回步骤204。

步骤207：输出所述类标矩阵。

在本发明实施例中，类标矩阵的行表示样本，列表示类标，每个元素表示当前行对应的样本是否属于当前列对应的类标。对于初始类标矩阵，由于训练样本的类标是已知的，所以在初始类标矩阵中，每个训练样本的行与该训练样本的所属的类标的列所对应的元素为1，该行的其他元素为0。举例来说，高光谱图像中有4个样本，其中，样本1和样本3是训练样本，样本分为3类，也就是，有三个类标，样本1属于类标1，样本3属于类标2，初始类别矩阵的行分别对应样本1至样本4，列分别对应类别1至类别3，则初始类别矩阵为：

其中，S^(m)可以表示为d_i,m为第i个图拉普拉斯矩阵与第m个图拉普拉斯矩阵之间的距离。举例来说，M为3，即图拉普拉斯矩阵的数量为3个，S⁽¹⁾为第1个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，具体地，第1个图拉普拉斯矩阵与第2个图拉普拉斯矩阵的距离为d_2,1，第1个图拉普拉斯矩阵与第3个图拉普拉斯矩阵的距离为d_3,1，S⁽¹⁾为d_2,1和d_3,1之和。

在一种可能的实现方式中，每个图拉普拉斯矩阵对应的融合权重的初始值均设置为1/M。U可以用于控制样本的重要程度。在本实施例中，α^(m)和Q在循环迭代的过程中不断变化。其中的公式一可以根据对目标函数中的Q求偏导并在使该偏导为0的条件下得出，具体地，由推导得出公式一。其中的公式二可以通过对目标函数使用拉格朗日乘子法得到，对目标函数使用拉格朗日乘子法得到以下公式：

其中，β为拉格朗日乘子，

分别对φ(α,β)中的α^(m)和β求偏导，并分别使偏导为0，推导出公式二。

在确定出类标矩阵后，步骤S7可以包括：将每个样本对应的行中数值最大的元素所在的列的类标，作为每个样本的类标。举例来说，在类标矩阵中，样本A对应第i行，在第i行中，第j列的元素最大，第j列对应的类标为n，则样本A的类标为n。如果当前样本对应的行中有不止一个最大的元素，则可以随机选择一个最大的元素，按照随机选择出的最大的元素确定当前样本的类标。

为了取得更好的分类效果，在本发明一实施例中，在所述S1之后，在所述S6之前，进一步包括：

B1：判断所述训练样本的数量是否小于第一预设值，如果是，则依次执行B2至B9；

B2：对所述高光谱图像的光谱进行主成分分析，提取所述高光谱图像的光谱的主成分；

B3：确定每个所述主成分的梯度矩阵；

B4：将每个所述主成分的梯度矩阵对应叠加，生成所述高光谱图像的梯度矩阵；

B5：对所述高光谱图像的梯度矩阵进行水分岭分割，获取至少一个分割区域；

B6：对每个所述分割区域进行聚类处理，确定每个所述分割区域的聚类中心，将每个所述分割区域的聚类中心作为辅助样本；

B7：确定每个所述辅助样本对应的最相似的训练样本；

B8：将每个辅助样本对应的最相似的训练样本的类标设置为每个辅助样本的类标；

B9：将每个设置有类标的辅助样本作为训练样本，返回B1。

当训练样本的数量少于第一预设值时，可以通过本发明实施例提供的方法增加训练样本的数量，进而通过更多的训练样本提高分类的准确性，取得更好的分类效果，实现只有少量训练样本下的高精度分类，降低高光谱图像分类人为标记的困难。

本实施例中的第一预设值可以是5。通过对高光谱图像进行主成分分析，提取高光谱图像的光谱中的主成分，后续对主成分进行处理，可以降低高光谱图像的维度，在不影响分类准确性的情况下，减少了计算量，提高了分类速度。将每个主成分的梯度矩阵对应叠加，具体地，是将每个主成分的梯度矩阵中的元素对应相加。在B5中，进行水分岭分割时，可以根据高光谱图像的谱带的取值范围的不同确定出对应的分割参数，通过不同的分割参数实现对高光谱图像的不同尺寸的分割，具体地，较大的分割参数得到分割区域较大，较小的分割参数得到分割区域较小。在B6中进行聚类处理时，可以通过K均值聚类方法进行聚类处理，具体地，可以使K＝1。得到的聚类中心为一个样本，该样本为分割区域的最具有代表性的样本，将该样本作为辅助样本。在B7中，可以通过计算每个辅助样本与每个训练样本的欧式距离的方式来确定每个辅助样本对应的最相似的训练样本，具体地，欧式距离越近，越相似。另外，可以设置训练样本集来存储训练样本，并将设置有类标的辅助样本添加到训练样本集中。

基于图1所示的一种高光谱图像分类的方法，在本发明一实施例中，如图3所示，所述S5，包括：

步骤301：对每个所述图拉普拉斯矩阵进行特征值分解，获得每个所述图拉普拉斯矩阵的特征值；

步骤302：针对每个所述图拉普拉斯矩阵，从每个所述图拉普拉斯矩阵的各个特征值中，选取第二预设值个数值最大的空间特征值；

具体地，针对第1个图拉普拉斯矩阵，第1个图拉普拉斯矩阵有5个特征值，分别是1、2、3、4、5；第二预设值为3，则从这5个特征值中选取3个最大的空间特征值，也就是选择特征值5、4、3这三个特征值作为空间特征值。

另外，在确定第二预设值时，可以使第二预设值满足：通过第二预设值确定出的空间特征值之和占所有特征值之和的90％。

步骤303：根据每个所述图拉普拉斯矩阵的空间特征值的特征向量，生成每个所述图拉普拉斯矩阵对应的特征空间；

具体地，针对第1个图拉普拉斯矩阵，根据空间特征值5、4、3对应的特征向量，生成第1个图拉普拉斯矩阵的特征空间。

步骤304：确定每两个所述图拉普拉斯矩阵对应的特征空间之间的测地线距离；

具体地，每对特征空间之间的测地线距离越远，表示能力越差。

步骤305：将每两个所述图拉普拉斯矩阵对应的测地线距离作为每两个所述图拉普拉斯矩阵之间的距离。

具体地，每两个图拉普拉斯矩阵对应的特征空间之间的测地线距离作为每两个图拉普拉斯矩阵之间的距离。

在本发明一实施例中，所述图像特征，包括：光谱特征；

所述S2，包括：

根据所述高光谱图像中的光谱之间的互信息对所述高光谱图像进行聚类处理，生成所述高光谱图像的光谱块；

将每个所述光谱块作为一个所述光谱特征。

由于不同的样本在不同的光谱上的所表现出的特征有所不同，在某些光谱上特征比较明显，在某些光谱上特征不明显。在本实施例中，通过将高光谱图像划分成光谱块，可以分别从不同的光谱块来描述每个样本，将每个光谱块作为一个单独的光谱特征来用于分类，光谱块更具有判别性，可以分别从不同的光谱范围上对样本进行分类，使得分类结果更加准确。其中，所述至少两个图像特征可以包括：至少两个光谱特征。另外，为了提高分类的准确性，可以去除聚类处理得到的包含光谱带较少的光谱块，具体地，选取预设数量个包含的光谱带最多的光谱块，将该光谱块作为光谱特征。

在本发明一实施例中，所述图像特征，包括：光谱特征；

所述S3，包括：

根据所述高光谱图像的光谱特征，确定每个样本的光谱值；

具体地，这里的光谱值可以是光谱带的数量。

根据每个样本的光谱值，确定所述光谱特征中每两个样本之间的欧式距离；

具体地，计算所有样本的两两之间的欧式距离。

根据每两个样本之间的欧式距离，利用高斯核函数，确定每两个样本之间的初始光谱相似度；

根据每两个样本之间的初始光谱相似度，为每个样本选取第三预设值个初始光谱相似度最大的第一最邻近样本；

具体地，在选取当前样本的第一最邻近样本时，按照当前样本与其他样本的初始光谱相似度的由大到小的顺序，选择第三预设值个其他样本。

根据每个样本对应的第三预设值个第一最邻近样本，生成每个样本的邻近样本集；

确定每两个样本的邻近样本集之间的邻近样本集相似度；

具体地，将每个样本的邻近样本集构成邻近矩阵，计算每两个邻近矩阵之间的相关性，得到每两个邻近样本集之间的邻近样本集相似度。

将每两个样本的初始光谱相似度和邻近样本集相似度相乘，获得每两个样本的第一最终相似度；

举例来说，样本A和样本B的初始光谱相似度为0.5，样本A和样本B的邻近样本集之间的邻近样本集相似度为0.6，则样本A和样本B的第一最终相似度为0.5×0.6＝0.3。

根据每个样本的所述第三预设值个数值最大的第一最终相似度，获得所述光谱特征的最邻近图的相似度矩阵。

具体地，保留每个样本的第三预设值个数值最大的第一最终相似度，将其他的第一最终相似度设置为0，构成光谱特征的最邻近图的相似度矩阵，光谱特征的最邻近图的相似度矩阵的行为样本，列为样本，每个元素为当前行对应的样本与当前列对应的样本的第一最终相似度。通过本发明实施例提供的实现方式实现光谱特征图模型的构建。当光谱特征为光谱块时，每个光谱块对应一个相似度矩阵。

在本发明一实施例中，所述图像特征包括：空间位置特征；

所述S3，包括：

根据所述高光谱图像的空间位置特征，确定每个样本的空间位置；

具体地，针对空间位置特征，所述S2可以包括：将高光谱图像中每个样本的坐标作为高光谱图像的空间位置特征。具体地，可以在高光谱图像的二维图像上建立直角坐标系，确定每个样本在该直角坐标系的坐标，每个样本的坐标作为每个样本的空间位置。

根据每个样本的空间位置，确定所述高光谱图像的每两个样本之间的距离；

具体地，根据每个样本的坐标确定出样本之间的距离。

根据每两个样本之间的距离，利用高斯核函数，确定每两个样本之间的初始空间位置信息相似度；

根据每两个样本之间的初始空间位置信息相似度，为每个样本选取第四预设值个初始空间位置信息相似度最大的第二最邻近样本；

以样本的光谱为特征，利用高斯核函数，确定每个样本与其每个第二最邻近样本之间的中间相似度；

具体地，也可以以样本的光谱的主成分为特征。

将每个样本与其每个第二最邻近样本的初始空间位置信息相似度和中间相似度相乘，获得每个样本与其每个第二最邻近样本的第二最终相似度；

根据每个样本与其每个第二最邻近样本的第二最终相似度，获得所述空间位置特征的最邻近图的相似度矩阵。

具体地，空间位置特征的最邻近图的相似度矩阵的行为样本，列为样本，每个元素为当前行对应的样本与当前列对应的样本的第二最终相似度。通过本发明实施例提供的实现方式实现空间位置特征图模型的构建。

在本发明一实施例中，所述图像特征包括：纹理特征；

所述S3，包括：

根据所述高光谱图像的纹理特征，确定每个样本的纹理特征；

具体地，针对纹理特征，所述S2可以包括：对高光谱图像的各个光谱做主成分分析，提取每个光谱的主成分；采用2-D Gabor滤波器，对每个光谱的主成分提取纹理特征；将每个光谱的主成分的纹理特征堆叠，生成高光谱图像的纹理特征。该高光谱图像的纹理特征是三维的纹理特征块。

根据每个样本的纹理特征，利用高斯核函数，确定每两个样本之间的纹理相似度；

根据每个样本的第五预设值个数值最大的纹理相似度，获得所述纹理特征的最邻近图的相似度矩阵。

具体地，保留每个样本的第五预设值个数值最大的纹理相似度，将其他的纹理相似度设置为0，构成纹理特征的最邻近图的相似度矩阵，纹理特征的最邻近图的相似度矩阵的行为样本，列为样本，每个元素为当前行对应的样本与当前列对应的样本的纹理相似度。通过本发明实施例提供的实现方式实现纹理特征图模型的构建。

在本发明一实施例中，所述S4，包括：

根据公式三，确定每个相似度矩阵的图拉普拉斯矩阵，其中，所述公式三为：

其中，L为所述图拉普拉斯矩阵，W为所述相似度矩阵，I为单位矩阵，D为对角矩阵，D的对角线上的第i个元素为∑_jW_ij。

在发明实施例中，至少两个图像特征可以为：至少两个光谱特征；至少两个图像特征可以为：空间位置特征和纹理特征；至少两个图像特征可以为：空间位置特征和纹理特征中的一个或多个，以及至少一个光谱特征。

如图4所示，本发明实施例提供的一种高光谱图像分类的方法，包括：

步骤401：预先从高光谱图像中确定训练样本，为每个训练样本设置对应的类标；

举例来说，高光谱图像是一个地理区域的高光谱图像，其中，包括：麦田、河流、房屋。可以将高光谱图像中的样本分成麦田、河流和房屋三类。在设置训练样本时，可以在每一类中至少设置一个训练样本。

需要说明的是：高光谱图像中的每个样本对应该高光谱图像的二维图像的每个像素点，也就是说，高光谱图像的一个样本反映到高光谱图像的二维图像中就是一个像素点。

步骤402：提取高光谱图像的多个光谱特征、空间位置特征和纹理特征。

步骤403：分别确定每个光谱特征的最邻近图的相似度矩阵、空间位置特征的最邻近图的相似度矩阵和纹理特征的最邻近图的相似度矩阵；

步骤404：分别确定每个光谱特征的最邻近图的相似度矩阵的图拉普拉斯矩阵、空间位置特征的最邻近图的相似度矩阵的图拉普拉斯矩阵和纹理特征的最邻近图的相似度矩阵的图拉普拉斯矩阵；

步骤405：将每个图拉普拉斯矩阵投射在格拉斯曼流形上，在格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

步骤406：根据每两个图拉普拉斯矩阵之间的距离和训练样本的类标，确定高光谱图像的类标矩阵；

步骤407：根据类标矩阵，确定高光谱图像的每个样本的类标。

具体地，将高光谱图像中的样本分成麦田、河流和房屋三类，为每个样本设置上麦田、河流和房屋对应的类标中的任意一个。

高光谱图像与普通图像有所不同，这类图像为我们提供了丰富的光谱信息，其范围包含了从可见光到近红外的几百个连续光谱，除此以外，高光谱图像还提供了丰富的空间信息，地理位置相邻的物质，其类标通常是相同或者相似，即图像中的内容不会出现较大的变化。高光谱图像分类可以应用在包括军事、监控、农业、化学以及采矿等多个领域。

在本发明实施例中，从不同方面对高光谱图像提取特征，包括图像的光谱特征、空间位置特征以及纹理特征等；针对不同的特征分别建立最邻近图(KNN-Graph，K-Nearest Neighbor Graph)，计算图拉普拉斯矩阵；将图拉普拉斯矩阵投射在格拉斯曼流形上，在流行上计算图拉普拉斯之间的距离，根据计算得到的距离，优化最邻近图的融合权重；通过类标传递的方式，将类标信息从已知类标的训练样本传递给未知类标的样本，从而达到提高分类准确率的目的。

在本发明实施例中，采用了多特征融合的方式，对高光谱图像提取不同的特征，尤其是针对光谱特征，通过光谱聚类，得到的光谱块更具有判别性，与其它多种特征融合，可以从多个方面对高光谱图像描述，使分类更加准确。

在本发明实施例中，对不同的特征建立图模型，图模型可以有效的保持数据间的结构关系，在多图学习中，最终融合后的图模型包含了所有的特征提供的信息，在融合的过程中，通过计算图拉普拉斯矩阵之间的距离，进一步量化了不同类型特征的表达能力的强弱，得到的融合结果更加合理。

如图5、图6所示，本发明实施例提供了一种高光谱图像分类的装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图5所示，为本发明实施例提供的一种高光谱图像分类的装置所在设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图6所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的一种高光谱图像分类的装置，包括：

样本确定单元601，用于从高光谱图像中确定训练样本，为每个所述训练样本设置对应的类标；

提取单元602，用于提取所述高光谱图像的至少两个图像特征；

相似度矩阵确定单元603，用于确定每个所述图像特征的最邻近图的相似度矩阵；

图拉普拉斯矩阵确定单元604，用于确定每个相似度矩阵的图拉普拉斯矩阵；

距离确定单元605，用于将每个所述图拉普拉斯矩阵投射在格拉斯曼流形上，在所述格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

类标矩阵确定单元606，用于根据所述每两个图拉普拉斯矩阵之间的距离和所述训练样本，确定所述高光谱图像的类标矩阵；

类标确定单元607，用于根据所述类标矩阵，确定所述高光谱图像的每个样本的类标。

在本发明一实施例中，所述类标矩阵确定单元，包括：

第一确定子单元，用于根据每个所述训练样本的类标，确定所述高光谱图像的初始类标矩阵；

第二确定子单元，用于确定每个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和；

第三确定子单元，用于确定目标函数中的每个图拉普拉斯矩阵对应的融合权重的初始值，其中，所述目标函数为：

其中，Q为所述类标矩阵，Y为所述高光谱图像的初始类标矩阵，L^(m)为第m个图拉普拉斯矩阵，U为预设矩阵，γ_α为第一预设约束程度参数，γ_s为第二预设约束程度参数，S^(m)为第m个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，α^(m)为第m个图拉普拉斯矩阵对应的融合权重，M为所述图拉普拉斯矩阵的数量；

类标矩阵更新子单元，用于根据所述每个图拉普拉斯矩阵对应的融合权重和公式一，更新所述类标矩阵，其中，所述公式一为：

所述融合权重更新子单元，用于根据所述类标矩阵更新子单元确定出的所述类标矩阵和公式二，更新所述每个图拉普拉斯矩阵对应的融合权重，其中，所述公式二为：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

判断子单元，用于根据所述融合权重更新子单元确定出的所述每个图拉普拉斯矩阵对应的融合权重和所述类标矩阵更新子单元确定出的所述类标矩阵，判断所述目标函数的值是否收敛，如果是，则输出所述类标矩阵，否则，返回所述类标矩阵更新子单元进行处理。

在本发明一实施例中，所述距离确定单元，包括：

特征值分解子单元，用于对每个所述图拉普拉斯矩阵进行特征值分解，获得每个所述图拉普拉斯矩阵的特征值；

空间特征值确定子单元，用于针对每个所述图拉普拉斯矩阵，从每个所述图拉普拉斯矩阵的各个特征值中，选取第二预设值个数值最大的空间特征值；

特征空间生成子单元，用于根据每个所述图拉普拉斯矩阵的空间特征值的特征向量，生成每个所述图拉普拉斯矩阵对应的特征空间；

测地线距离确定子单元，用于确定每两个所述图拉普拉斯矩阵对应的特征空间之间的测地线距离；

矩阵距离确定子单元，用于将每两个所述图拉普拉斯矩阵对应的测地线距离作为每两个所述图拉普拉斯矩阵之间的距离。

在本发明一实施例中，进一步包括：辅助样本单元，用于：

B1：判断所述训练样本的数量是否小于第一预设值，如果是，则依次执行B2至B9；

B2：对所述高光谱图像的光谱进行主成分分析，提取所述高光谱图像的光谱的主成分；

B3：确定每个所述主成分的梯度矩阵；

B4：将每个所述主成分的梯度矩阵对应叠加，生成所述高光谱图像的梯度矩阵；

B5：对所述高光谱图像的梯度矩阵进行水分岭分割，获取至少一个分割区域；

B6：对每个所述分割区域进行聚类处理，确定每个所述分割区域的聚类中心，将每个所述分割区域的聚类中心作为辅助样本；

B7：确定每个所述辅助样本对应的最相似的训练样本；

B8：将每个辅助样本对应的最相似的训练样本的类标设置为每个辅助样本的类标；

B9：将每个设置有类标的辅助样本作为训练样本，返回B1。

在本发明一实施例中，所述图像特征，包括：光谱特征；

所述提取单元，用于：

根据所述高光谱图像中的光谱之间的互信息对所述高光谱图像进行聚类处理，生成所述高光谱图像的光谱块；

将每个所述光谱块作为一个所述光谱特征。

在本发明一实施例中，所述图像特征，包括：光谱特征；

所述相似度矩阵确定单元，用于：

根据所述高光谱图像的光谱特征，确定每个样本的光谱值；

根据每个样本的光谱值，确定所述光谱特征中每两个样本之间的欧式距离；

根据每两个样本之间的欧式距离，利用高斯核函数，确定每两个样本之间的初始光谱相似度；

根据每两个样本之间的初始光谱相似度，为每个样本选取第三预设值个初始光谱相似度最大的第一最邻近样本；

根据每个样本对应的第三预设值个第一最邻近样本，生成每个样本的邻近样本集；

确定每两个样本的邻近样本集之间的邻近样本集相似度；

将每两个样本的初始光谱相似度和邻近样本集相似度相乘，获得每两个样本的第一最终相似度；

根据每个样本的所述第三预设值个数值最大的第一最终相似度，获得所述光谱特征的最邻近图的相似度矩阵。

在本发明一实施例中，所述图像特征包括：空间位置特征；

所述相似度矩阵确定单元，用于：

根据所述高光谱图像的空间位置特征，确定每个样本的空间位置；

根据每个样本的空间位置，确定所述高光谱图像的每两个样本之间的距离；

根据每两个样本之间的距离，利用高斯核函数，确定每两个样本之间的初始空间位置信息相似度；

根据每两个样本之间的初始空间位置信息相似度，为每个样本选取第四预设值个初始空间位置信息相似度最大的第二最邻近样本；

以样本的光谱为特征，利用高斯核函数，确定每个样本与其每个第二最邻近样本之间的中间相似度；

将每个样本与其每个第二最邻近样本的初始空间位置信息相似度和中间相似度相乘，获得每个样本与其每个第二最邻近样本的第二最终相似度；

根据每个样本与其每个第二最邻近样本的第二最终相似度，获得所述空间位置特征的最邻近图的相似度矩阵。

在本发明一实施例中，所述图像特征包括：纹理特征；

所述相似度矩阵确定单元，用于：

根据所述高光谱图像的纹理特征，确定每个样本的纹理特征；

根据每个样本的纹理特征，利用高斯核函数，确定每两个样本之间的纹理相似度；

根据每个样本的第五预设值个数值最大的纹理相似度，获得所述纹理特征的最邻近图的相似度矩阵。

在本发明一实施例中，所述图拉普拉斯矩阵确定单元，用于：

根据公式三，确定每个相似度矩阵的图拉普拉斯矩阵，其中，所述公式三为：

其中，L为所述图拉普拉斯矩阵，W为所述相似度矩阵，I为单位矩阵，D为对角矩阵，D的对角线上的第i个元素为∑_jW_ij。

上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

另外，通过以下仿真实验来评估本发明实施例提供的方案的分类效果：

仿真条件：本发明实施例的仿真实验是在中央处理器为Intel(R)Core i5-4460 3.2GHZ、内存16G、WINDOWS 7操作系统上，运用MATLAB 2015b软件进行的。

仿真内容：本发明的仿真实验采用以下Indian Pines数据库、PaviaU数据库、SalinasA数据库。

SalinasA数据库：该高光谱图像拍摄于1998年美国加利福尼亚萨利纳斯谷，整体的图像包含512*217个像素，空间分辨率为3.7m/像素，我们取该图像的一个子集，范围是原高光谱图像的[591-678]*[158-240]，一共包含224个谱带，去除噪声谱带剩下204个谱带。

Indian Pines数据库：该高光谱图像拍摄于印第安娜西北部，一共145*145个像素，包含波段从0.4到2.5μm的220个光谱带，空间分辨率为20m，去除噪声谱带还剩下200个谱带。

PaviaU数据库：该高光谱图像拍摄于意大利Pavia大学，数据库一共610*340个像素，波段包含0.43到0.86μm的103个谱带，具有较高的空间分辨率1.3m/像素。

本仿真实验的评测标准：使用总体分类精度(Overall Accuracy)和Kappa系数为指标对性能进行评测，总体分类精度(OA)等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，Kappa通过以下公式计算：

其中，其中，N为所有真实参考的像元总数，x_ii为混淆矩阵对角线上的个数，x_i+为某一类中地表真实像元总数，x_+i为该类中被分类像元总数。对比实验结果如下述的表所示。

表1 SalinasA数据库上四种方法的总体分类精度比较表

表2 SalinasA数据库上四种方法的识别Kappa系数比较表

表3 Indian Pines数据库上四种方法的总体分类精度比较表

表4 Indian Pines数据库上四种方法的识别Kappa系数比较表

表5 PaviaU数据库上四种方法的总体分类精度比较表

表6 PaviaU数据库上四种方法的识别Kappa系数比较表

其中，表1至表6分别表示在SalinasA数据库、Indian Pines数据库、PaviaU数据库上进行高光谱图像分类实验，表中的SVM表示基于支持矢量机的高光谱图像分类的方法，Cross+Stacked表示基于图的半监督高光谱图像分类方法，GCK+MLR表示基于多特征学习的高光谱图像分类方法，GMMGL表示本发明实施例中的一种高光谱图像分类的方法。

其中，表1至表6分别表示在SalinasA数据库、Indian Pines数据库、PaviaU数据库上进行高光谱图像分类实验，本发明实施例提供的方法的分类准确率较三个对比方法更加接近于1，所以本发明实施例提供的方法是四种方法中效果最好的。这是因为本发明实施例提供的方法充分考虑了多个特征，从多方面描述同一个高光谱图，最终利用图模型，将类标传递给未知类标的样本，所以克服了分类的错误，由此获得在识别准确率上优于其他图像锐化识别方法的效果，进一步验证了本发明实施例提供的方法的先进性。

本发明各个实施例至少具有如下有益效果：

1、在本发明实施例中，提取高光谱图像的至少两个图像特征，确定出每个图像特征对应的图拉普拉斯矩阵，在结合高光谱图像上的训练样本的类标，得到高光谱图像的类标矩阵，根据该类标矩阵确定出高光谱图像的每个样本的类标，本发明实施例是基于至少两个图像特征进行分类的，提高了分类的准确性。

2、在本发明实施例中，当训练样本的数量较少时，可以生成辅助样本，将辅助样本作为训练样本，增加训练样本的数量，进而通过更多的训练样本提高分类的准确性，取得更好的分类效果，实现只有少量训练样本下的高精度分类，降低高光谱图像分类人为标记的困难。

3、在本发明实施例中，采用了多特征融合的方式，对高光谱图像提取不同的特征，尤其是针对光谱特征，通过光谱聚类，得到的光谱块更具有判别性，与其它多种特征融合，可以从多个方面对高光谱图像描述，使分类更加准确。

4、在本发明实施例中，对不同的特征建立图模型，图模型可以有效的保持数据间的结构关系，在多图学习中，最终融合后的图模型包含了所有的特征提供的信息，在融合的过程中，通过计算图拉普拉斯矩阵之间的距离，进一步量化了不同类型特征的表达能力的强弱，得到的融合结果更加合理。

5、在本发明实施例中，通过将高光谱图像划分成光谱块，可以分别从不同的光谱块来描述每个样本，将每个光谱块作为一个单独的光谱特征来用于分类，光谱块更具有判别性，可以分别从不同的光谱范围上对样本进行分类，使得分类结果更加准确。

需要说明的是，在本文中，诸如第一和第二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因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。