一种面向高光谱图像的空谱联合特征提取方法与流程

本发明属于遥感图像处理技术领域，具体涉及一种面向高光谱图像分类的空间域和光谱域联合特征提取方法。

背景技术：

基于遥感图像中的地物分类技术一直以来都是遥感图像处理技术的重要研究方向，高光谱图像与普通遥感图像相比的一个优势是增加了丰富的光谱维信息。高光谱图像的光谱信息能充分反映出目标内部的物理结构特性以及化学成分特性的差异，从而实现地物光谱维度的区分。因此，高光谱技术成像对于光谱信息的充分挖掘，决定了高光谱遥感在遥感地物分类领域具有独特的优势。

目前高光谱遥感图像分类技术已经取得了显著的成果，发展出了许多高光谱数据降维技术，以及高光谱图像分类方法。比如高光谱数据降维技术有主成分分析法(PCA)、最小噪声分离法(MNF)以及独立成分分析方法等；非监督分类方法有k-均值分类以及Isodata分类等方法；监督分类技术包括最大似然分类、光谱角度填图、神经网络、支撑向量机(SVM)以及决策树分类等多种方法。其中SVM是基于所有光谱信息的一种非线性的基于像素点的分类方法，研究表明该方法对于高光谱图像具有较高的分类精度。

然而，这些经典的高光谱图像分类算法中，图像数据往往被视为没有空间组织的一组光谱测量值，而这些方法在识别图像地物的过程中都没有用到图像的空间信息，即像素空间的依赖性。在分类时，往往都是先选取训练区进行训练，由每个训练区得到一个平均光谱，然后将每一类得到的平均光谱跟需要分类的高光谱图像像元逐一比较相似性，最终得到分类结果。这样的处理方法都难免造成“麻点”现象，即同一地块中夹杂着不该有的其它类别，从而造成分类精度的下降。

随着成像技术的发展，高光谱图像的空间分辨率越来越高，使得相邻像素间的光谱信息存在较大关联。因此，联合光谱和空间信息的高光谱图像分类是很有必要的，以减少混合像元对于分类标签的影响，保证分类区域的连续性和均一性，可克服分类结果中严重的“麻点”现象，提高高光谱遥感图像分类精度。

技术实现要素：

本发明的目的在于提供一种具有广泛适应性、易于实现同时效果良好的空域信息和光谱特征提取的方法，在传统光谱特征的基础上，增加空间信息的利用，以提高高光谱图像分类的精度。

本发明采用的技术方案为：

一种面向高光谱图像的空谱联合特征提取方法，包括以下步骤：

步骤1分别提取高光谱图像中每个像素的横坐标和纵坐标，生成以横坐标为像素值的横坐标图像和以纵坐标为像素值的纵坐标图像；

步骤2分别找出高光谱图像每个波段中像素的最大值和最小值，并计算所有波段像素的平均最大值以及平均最小值；

步骤3根据所有波段像素的平均最大值以及平均最小值分别对横坐标图像和纵坐标图像进行灰度拉伸，得到新的横坐标图像和新的纵坐标图像；

步骤4将新的横坐标图像和新的纵坐标图像加入到高光谱图像中，形成新的高光谱图像；

步骤5对新的高光谱图像利用主成分分析方法进行特征提取。

其中，步骤1中的横坐标图像和纵坐标图像分别为：

和

其中，M为高光谱图像的行数；N为高光谱图像的列数。

其中，步骤3具体实现包括以下步骤：

步骤3a，分别找出横坐标图像和纵坐标图像像素值的最大值T和最小值1；

步骤3b，分别计算横坐标图像和纵坐标图像的拉伸系数和平移系数，计算公式为：

拉伸系数平移系数其中，为所有波段像素的平均最大值，为所有波段像素的平均最小值；

步骤3c，根据拉伸系数和平移系数分别对横坐标图像和纵坐标图像进行灰度拉伸，对应得到新的横坐标图像和新的纵坐标图像；所述的新的横坐标图像和新的纵坐标图像中像素值的最大值均与所有波段像素的平均最大值相同，新的横坐标图像和新的纵坐标图像中像素值的最小值均与所有波段像素的平均最小值相同；

拉伸方法为：其中为新的横坐标图像或新的纵坐标图像中第i行第j列的像素，f(i,j)为原横坐标图像或纵坐标图像中第i行第j列的像素。

本发明具有如下优点：

(1)本发明通过像素坐标形成了新的空间特征，从而在传统光谱信息的基础上，增加了空间信息的利用，可提高分类精度；

(2)与其他利用空间信息的手段不同，本发明通过增加图像波段的形式，将空间信息转换成光谱信息，从而实现光谱与空间信息的巧妙结合；

(3)本发明具有广泛适应性，可适用于所有的高光谱分类算法。

附图说明

图1为本发明的整体流程图。

图2为不同比例训练样本下，使用SVM分类器，分别利用原始特征和本发明提取特征的分类结果精度比较。

图3为不同比例训练样本下，使用神经网络分类器，分别利用原始特征和本发明提取特征的分类结果精度比较。

具体实施方式

下面结合附图及实施例对本发明做进一步详细的说明。

本发明的原理为：利用图像像素的横坐标和纵坐标分别生成高光谱图像的新特征图像；然后对高光谱各个波段进行统计特征提取，得到高光谱图像像素的平均最大值和平均最小值；对横坐标和纵坐标构成的新特征图像按照平均统计特征进行灰度拉伸；将灰度拉伸后的横坐标图像和纵坐标图像插入到高光谱图像中，形成包含空间信息的新高光谱图像；利用主成分分析进行特征提取，即可得到空域和光谱域融合的图像特征。

参照图1，本发明的面向高光谱图像分类的空谱特征提取方法，具体包括以下步骤：

步骤1，空间特征的生成。

分别提取高光谱图像中每个像素的横坐标和纵坐标，生成以横坐标为像素值的横坐标图像和以纵坐标为像素值的纵坐标图像；

令高光谱图像为I，其中每个波段大小为M×N，波段数为L，利用图像像素的横坐标和纵坐标生成两幅坐标图像，横坐标图像为其中每个像素为高光谱图像像素的横坐标，纵坐标图像为其中每个像素为高光谱图像像素的纵坐标。在横坐标图像中，每一行的像素值是相同的，同理，在纵坐标图像中每一列的像素值是相同的。高光谱图像中像素的位置关系由坐标图像的像素值表达，高光谱图像中相邻的像素在坐标图像中具有相近的像素值。通过这种方法，可利将高光谱图像的空间特征转换为光谱特征。

步骤2，高光谱图像统计特征计算。

分别找出高光谱图像每个波段中像素的最大值和最小值，并计算所有波段像素的平均最大值以及平均最小值；

a)计算高光谱图像的统计特征，对高光谱图像L个波段，分别计算各个波段中像素的最大值Max_i和最小值Min_i，其中i为波段序号；

b)在各个波段统计特征的基础上，计算所有波段的平均最大值以及平均最小值

步骤3，根据所有波段像素的平均最大值以及平均最小值分别对横坐标图像和纵坐标图像进行灰度拉伸，得到新的横坐标图像和新的纵坐标图像；

由于坐标图像与原始图像在亮度上具有较大差异，很多情况下，二者亮度可能不在同一个数量级，为了能够在同一计算框架下使用，需要对坐标图像进行处理，使得坐标图像的亮度与原始图像亮度接近，具体步骤如下：

步骤3a，分别找出横坐标图像和纵坐标图像像素值的最大值T和最小值1；

步骤3b，分别计算横坐标图像和纵坐标图像的拉伸系数和平移系数，计算公式为：

拉伸系数平移系数其中，为所有波段像素的平均最大值，为所有波段像素的平均最小值；

步骤3c，根据拉伸系数和平移系数分别对横坐标图像和纵坐标图像进行灰度拉伸，对应得到新的横坐标图像和新的纵坐标图像；所述的新的横坐标图像和新的纵坐标图像中像素值的最大值均与所有波段像素的平均最大值相同，新的横坐标图像和新的纵坐标图像中像素值的最小值均与所有波段像素的平均最小值相同；

拉伸方法为：其中为新的横坐标图像或新的纵坐标图像中第i行第j列的像素，f(i,j)为原横坐标图像或纵坐标图像中第i行第j列的像素。

经过拉伸后的坐标图像最大值和最小值分别为和与原始高光谱图像统计特征相同，这样为后面的特征融合提供了基础。

步骤4，将新的横坐标图像和新的纵坐标图像加入到高光谱图像中，形成新的高光谱图像。

将拉伸后的横坐标坐标图像和纵坐标图像插入到原始高光谱图像的后面，形成L+2波段的新的高光谱图像的前面L个波段为原始高光谱波段，后面两个波段为坐标图像；

步骤5，对新的高光谱图像利用主成分分析方法进行特征提取。

本步骤利用主成分分析方法将空间特征与光谱特征进行融合和提取，具体包括以下步骤：

步骤5a，对新的高光谱图像中每个波段中每个像素减去该波段的均值；

对每个波段去除均值，令B_i为第i个波段，则新波段其中μ_i为B_i的均值；

步骤5b，计算去除均值后高光谱图像的协方差矩阵K，计算方法如下：

其中，和分别为新高光谱图像的第i个波段和第j个波段，<,>为内积算子，表示两个矩阵的对应元素相乘结果的和。也即其中和分别为第i个波段和第j个波段位于(p,q)出的像素值。新高光谱图像中共有L+2个波段，因此K为大小是(L+2)×(L+2)的堆成正定矩阵。

步骤5c，对协方差矩阵K进行特征分析，计算K的特征向量构成的矩阵E，E中的每一列均为K的特征向量，按特征值从大到小对E的列进行排序，即最大特征值对应的特征向量为E的第一列，以此类推，最小特征值对应的特征向量为最后一列；

步骤5d，计算高光谱图像的最终特征Y，其中E_1:n为特征向量矩阵的前n列向量。

令特征提取后的维数为n，该维数可使用经验法或虚拟维数方法确定。取特征向量E的前n列E_1:n作为转换矩阵，将转换矩阵作用到去均值之后的波段上，可得到特征融合之后的图像Y，Y为具有n个波段的数据，令Y_i为Y的第i个波段，则其中E(k,i)为特征向量E的位于(k,i)的元素，为去均值之后的波段。因此，最终得到的空谱融合特征Y为n个波段，每一波段大小均为M×N。

本发明的效果可通过以下试验进一步说明：

1.试验条件。

计算机配置为Intel Core i7-3770 CPU 3.4Ghz，4GB内存，软件环境为Matlab R2013平台。

2.试验方法。

选择SVM，神经网络两种典型分类方法，以本发明的结果作为输入特征进行分类试验，同时与原始主成分分析特征的分类结果比较，以验证本发明的有效性。

3.试验内容与结果。

试验选择1992年美国航空航天局(NASA)的机载可见/红外成像光谱仪(AVIRIS)在美国印第安纳州西北部印第安遥感试验区获取的高光谱数据Indian Pines。该数据图像包含224个波段，去除4个零值波段，剩余220个波段，每个波段的图像大小为145×145像素。图像包含16个种类的地物，由于该数据具有像素级的地面真值，因此，该数据广泛应用与遥感图像分类试验。

对原始图像使用主成分分析方法生成n＝20的主成分分析结果，同时利用本发明方法生成n＝20的空谱融合特征结果，作为对比。利用Indian Pines的地面真值，随机生成一系列训练样本，训练样本比例为10％，20％，30％，40％，50％。分别使用SVM和神经网络方法对原始图像主成分分析特征和本发明得到的特征进行分类，得到不同训练样本比例下的分类结果，分类精度结果如图2和图3所示。

从图2中可以看出，使用本发明提取的特征与使用原始特征相比，本发明提取的特征可以显著提高SVM的分类精度，平均比原始图像特征提高了约7.5％。从图3中可以看出，本发明提取的特征同样可以提高神经网络的分类精度，最高可提高约30％的分类精度(当训练样本为30％时)，对不同比例的训练样本，本发明得到的分类结果比原始特征分类结果精度提高都在12个百分点以上。利用本发明的提取的空谱联合特征，可以有效地减少分类结果的“麻点”现象，显著地提高高光谱图像的分类精度。

需要说明的是，使用本发明进行特征提取，对后续分类步骤没有任何影响，仅在特征提取阶段就可完成空间特征和光谱特征的融合，这样使得本发明可以适用于所有分类方法，同时具有易于实现的特性。