一种高光谱遥感图像分类方法及装置与流程

本发明涉及图像处理领域，具体涉及一种高光谱遥感图像分类方法及装置。

背景技术：

高光谱遥感图像是指由传感器在电磁波谱的可见光，近红外，中红外和热红外波段范围内，在不同波段成像获得的高光谱图像数据。因此，高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息，为地表物质的精细分类和识别提供了可能。

目前，在对地表物质进行分类时，由于三维gabor特征的幅值信息具有稳定性好的优点，所以通常被直接用于分类，但由于对于高光谱遥感图像来说，三维gabor特征中包含了丰富的相位特征，所以仅采用gabor特征的幅值特征对地表特征进行分类将使得分类准确率不高。

技术实现要素：

本发明实施例提供了一种高光谱遥感图像分类方法及装置，以期可以提高地物分类准确率。

第一方面，本发明实施例提供一种高光谱遥感图像分类方法，其特征在于，所述方法包括：

获取n个预设gabor滤波器，所述n为正整数；

基于所述n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征；

利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

第二方面，本发明实施例提供一种高光谱遥感图像分类装置，其特征在于，所述装置包括：

获取模块，用于获取n个预设gabor滤波器，所述n为正整数；

提取模块，用于基于所述n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征；

确定模块，用于利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

可以看出，本发明实施例所提供的技术方案中，首先获取n个预设gabor滤波器，然后再基于该n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征，最后利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中地物的所属类别。由于高光谱遥感图像的相位特征包括了丰富的相位特征，并且三维gabor幅值特征与三维gabor相位特征互补，所以在本发明实施例中通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于确定高光谱遥感图像中的地物类别，提高对高光谱遥感图像的地物分类准确度。

进一步地，由于三维gabor相位信息对地物的空间位置具有极高的敏感上，所以通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于分类，降低了分类鲁棒性。

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，下面描述中的附图仅仅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是本发明实施例提供的一种高光谱遥感图像分类方法的第一实施例流程示意图；

图2是本发明实施例提供的一种三维gabor特征的频率域关系示意图；

图3是本发明实施例提供的从三个不同视角观察到的平行于光谱维度方向的三维gabor滤波器；

图4-a为本发明实施例提供的高光谱遥感图像；

图4-b是本发明实施例提供的三维gabor幅值特征集；

图4-c是本发明实施例提供的高光谱遥感图像的相位特征集及编码特征集；

图5示出了本发明实施例所提供的高光谱遥感图像的分类示意图；

图6是本发明实施例提供的一种高光谱遥感图像分类方法的第二实施例流程示意图；

图7是本发明实施例提供的一种高光谱遥感图像分类装置的第一实施例的结构示意图；

图8是本发明实施例提供的一种高光谱遥感图像分类装置的第二实施例的结构示意图。

具体实施方式

本发明实施例提供了一种高光谱遥感图像分类方法及装置，以期可以提高地物分类准确率。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供的一种高光谱遥感图像分类方法，包括：

获取n个预设gabor滤波器，所述n为正整数；基于所述n个预设gabor滤波器获取高光谱遥感图像的n个gabor幅值特征与n个三维gabor相位特征；利用预设特征融合算法对所述n个gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

参见图1，图1是本发明实施例提供的一种高光谱遥感图像分类方法的第一实施例流程示意图。如图1所示，本发明实施例提供的高光谱遥感图像分类方法包括以下步骤：

s101、获取n个预设gabor滤波器。

其中，所述n为正整数，该n个预设gabor滤波器用于后续进行高光谱遥感图像的幅值特征和相位特征的提取。

可选地，在本发明的一个实施例中，该n个预设gabor滤波器为平行于所述高光谱遥感图像的光谱维度方向的gabor滤波器。

可以理解，由于相位信息对空间位置的敏感性，不同gabor滤波器获得的gabor相位特征对于地物的分类能力存在巨大差异，不能全部用于后续的编码和分类过程，并且如果不加选择地利用所有的gabor滤波器用于高光谱遥感图像的分类，将使得计算量非常大，所以仅选择平行于高光谱遥感图像的光谱维度方向的gabor滤波器提取的特征用于高光谱遥感图像的分类将极大地提高算法的计算效率。

具体地，在本发明的一个实施例中，可以通过以下公式获取n个平行于高光谱遥感图像的光谱维度方向的gabor滤波器

其中，f是预设gabor滤波器的频率，是所述预设gabor滤波器与ω轴的夹角，θ是预设gabor滤波器与u-v平面的夹角，表示gabor滤波器的方向，(x,y,b)分别表示高光谱遥感图像的像素的x坐标、y坐标以及光谱坐标，σ是高斯包络的宽度。

具体地，在本发明的一个示例中，若θ＝π/2，参见图2，图2是本发明实施例提供的一种三维gabor特征的频率域关系示意图，由图2可见，该频率f所指的方向即为高光谱遥感图像的光谱维度方向。

具体地，在本发明的一个示例中，若设置频率fj＝[0.5,0.25,0.125,0.0625]，则可以得到4个平行于高光谱遥感图像的三维gabor滤波器{ψi,i＝1,...,4}，用于后续三维gabor特征提取。具体可参见图3，图3是本发明实施例提供的从三个不同视角观察到的平行于光谱维度方向的三维gabor滤波器。

可选地，在本发明的一些实施例中，该gabor滤波器可以为log-gabor滤波器，haar-gabor滤波器。

s102、基于所述n个预设gabor滤波器提取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征。

可选地，在本发明的一个实施例中，通过将高光谱遥感图像与n个预设gabor滤波器进行卷积运算得到三维gabor特征，然后对高光谱图像的每一个像素进行编码进一步得到高光谱图像的幅值特征和相位特征。

具体地，首先通过如下公式将高光谱遥感图像与n个三维gabor滤波器进行卷积操作得到i个三维gabor特征gi(x,y,b)，其中，r表示该高光谱遥感图像，gi表示第i个三维gabor特征，其中，i的取值为1至n之间的任意整数。

当得到n个三维gabor特征后，再利用如下公式计算该高光谱遥感图像的幅值特征mi(x,y,b)与相位特征fi(x,y,b)：

mi(x,y,b)＝abs(gi(x,y,b))；

其中，re(gi(x,y,b))和im(gi(x,y,b))分别是gabor特征的实部和虚部。

举例说明，在本发明的一个示例中，若n的取值为4，首先获取到图3所示的4个三维gabor滤波器，再将高光谱遥感图像与生成的4个三维gabor滤波器进行卷积运算后，将得到4个三维gabor滤波器特征，并进一步通过上述公式得到4个三维gabor幅值特征gi(x,y,b)以及三维gabor相位特征fi(x,y,b)，其中，i的取值为1至4之间的任一整数。具体可参见图4-a，图4-b，以及图4-c，图4-a为本发明实施例提供的高光谱遥感图像，取4个三维gabor滤波器中的两个gabor滤波器为例，得到图4-b的三维gabor幅值特征集以及图4-c的三维gabor相位特征集。其中，图4-b是本发明实施例提供的三维gabor幅值特征集；图4-c是本发明实施例提供的高光谱遥感图像的相位特征集及编码特征集。在图4-c中，第一列表示该两个三维gabor滤波器得到的三维gabor相位特征；第二列表示当对第一列三维gabor特征中的实部编码得到的特征；第三列表示对第一列三维gabor特征中的虚部编码得到的特征。

可以理解，上述三维gabor幅值特征与三维gabor相位特征在计算过程中不需要训练样本的参与，所以可以提高该方案的实用性。

可选地，在本发明的另一些实施例中，也可以使用其它方式来获取三维gabor相位特征，例如，基于融合编码的方式或基于竞争编码的方式。

s103、利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

其中，该预设特征融合算法是指用于对三维gabor幅值特征和相位特征进行融合，以能同时将三维gabor幅值特征与三维gabor相位特征用于遥感图像的分类的一种算法。

可选地，在本发明的一个实施例中，所述利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别，包括：

基于所述n个三维gabor幅值特征中的任一gabor幅值特征mi获取所述遥感图像属于p个类别中任一类别p的置信度以及基于所述n个三维gabor相位特征中的任一gabor相位特征fi获取所述遥感图像与所述p个类别中的任一类别p的相似性度量距离p为正整数；

确定所述p个类别中所述置信度与所述相似性度量距离在所述n个gabor滤波器下的平方差之和为最大的类别为所述高光谱遥感图像中的地物类别。

其中，置信度取值在0至1之间，用于反映该高光谱遥感图像属于第p类别的概率，从而当置信度越大，该高光谱遥感图像属于第p类的概率越大，汉明距离取值在0至1之间，用于反映高光谱遥感图像与类别p之间的匹配度，当汉明距离越小，该高光谱遥感图像属于第p类的概率越大。

可选地，在本发明的一个实施例中，所述基于所述n个三维gabor幅值特征中的任一三维gabor幅值特征mi获取所述遥感图像属于p个类别中任一类别p的置信度包括：

利用以下公式基于所述n个三维gabor幅值特征中的任一三维gabor幅值特征mi获取所述高光谱遥感图像属于p个类别中任一类别p的置信度

其中，所述d为基于支持向量机获取的所述遥感图像的决策矩阵，所述np为所述决策矩阵d中第p行非零元素的个数。

具体地，在本发明的一个实施例中，可以通过如下方式获取该决策矩阵p：假设有p类地物，针对每一个测试样本t，利用一对一策略建立p×(p-1)个支持向量机的分类器。其中，对于任意两个类别c1和c2，通过投票可以得到决策值δ；进一步建立决策矩阵d，其中当δ>0时，dc1c2＝δ，否则dc1c2＝-δ，决策矩阵d中的其他元素为零。由于支持向量机在用于分类上的良好效果，所以基于支持向量机的方式来确定置信度有效提升了融合决策的精度。

可以看出，该置信度的取值为0至1之间，并且当置信度越大时，该高光谱遥感图像属于类别p的概率越大。

可选地，在本发明的另一些实施例中，也可以使用相加、相乘的方式来计算置信度

可选地，在本发明的一个实施例中，该相似性度量距离为汉明距离，所述基于所述n个三维gabor相位特征中的任一三维gabor相位特征fi获取所述高光谱遥感图像与所述p个类别中的任一类别p的相似性度量距离包括：

利用以下公式获取所述高光谱遥感图像t和训练集合a中任意训练样本s之间的相似性度量：

其中，b为高光谱图像的光谱维度；

获取所述高光谱遥感图像t与所述任一类别p之间的相似性度量距离为：

可以看出，该汉明距离的取值为0至1之间，并且当汉明距离越小时，该高光谱遥感图像属于类别p的概率越大，对于高光谱遥感图像与类别p的最优匹配下，汉明距离为零。

可选地，在本发明的另一些实施例中，也可以使用基于稀疏表示的分类、k紧邻分类等方式来计算上述汉明距离

可选地，在本发明的另一些实施例中，该相似性度量距离也可以其它距离，例如，莱文斯坦距离，李距离。

可以理解，上述置信度与汉明距离的计算公式中各参数均为确定的参数，所以在利用上述公式计算时，不需要进行参数估计，将使得计算更为准确。

可以看出，若定义融合特征值为e^p，该e^p定义为所述置信度与所述汉明距离在所述n个gabor滤波器下的平方差之和，也即由于当置信度越大时，该高光谱遥感图像属于类别p的概率越大，当汉明距离越小，该高光谱遥感图像属于类别p的概率越大，从而当融合三维gabor幅值特征和三维gabor相位特征后，e^p越大，该高光谱遥感图像属于类别p的概率越大，最后将得到e^p最大的值所对应的类别即为该高光谱遥感图像中的地物类别。可以理解，通过上述方式，可以在确定高光谱遥感图像中的地物类别时，同时使用高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征，从而使得所确定的类别更为准确。

可选地，在本发明的另一些实施例中，该融合特征值e^p也可以定义为其它形式，例如，平方形式、指数形式等。

具体地，在本发明的一个实施例中，若取n＝4，首先获得图3所示的4个三维gabor滤波器，然后再利用步骤s102计算得到图4-b所示的三维gabor幅值特征与图4-c所示的三维gabor相位特征。进一步地，若通过支持向量机对图4-b所示的gabor幅值特征进行分类，获得高光谱遥感图像4-a属于每一类的置信度通过正则化的汉明距离，利用最近邻策略对图4-c所示的gabor相位编码特征进行分类，获得高光谱遥感图像属于每一类的汉明距离然后再利用e^p融合置信度和汉明距离以对高光谱遥感图像进行分类，确定该高光谱遥感图像属于哪个地物类别。参见图5，图5示出了本发明实施例所提供的高光谱遥感图像的分类示意图。

可以看出，本实施例的方案中，首先获取n个预设gabor滤波器，然后再基于该n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征，最后利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。由于高光谱遥感图像的相位特征包括了丰富的相位特征，并且三维gabor幅值特征与三维gabor相位特征互补，所以在本发明实施例通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于确定高光谱遥感图像中地物的所属类别，提高对高光谱遥感图像的地物分类准确度。

进一步地，由于三维gabor相位信息对地物的空间位置具有极高的敏感上，所以通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于分类，降低了分类鲁棒性。

参见图6，图6是本发明实施例提供的一种高光谱遥感图像分类方法的第二实施例流程示意图。图6所示的方法中，与图1所示方法相同或类似的内容可以参考图1中的详细描述，此处不再赘述。如图6所示，本发明实施例提供的高光谱遥感图像分类方法包括以下步骤：

s601、获取n个预设gabor滤波器。

具体地，可以获取到4个平行于高光谱遥感图像的光谱维度方向的gabor滤波器。

s602、基于所述n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征。

s603、基于所述n个三维gabor幅值特征中的任一gabor幅值特征mi获取所述遥感图像属于p个类别中任一类别p的置信度

s604、基于所述n个三维gabor相位特征中的任一gabor相位特征fi获取所述遥感图像与所述p个类别中的任一类别p的汉明距离

s605、确定所述p个类别中所述置信度与所述相似性度量距离在所述n个gabor滤波器下的平方差之和为最大的类别为所述高光谱遥感图像中的地物类别。

需要说明，上述步骤s603和s604之间没有严格的先后顺序。

可以看出，本实施例的方案中，获取目标图像，首先获取n个预设gabor滤波器，然后再基于该n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征，最后利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中地物的所属类别。由于高光谱遥感图像的相位特征包括了丰富的相位特征，并且三维gabor幅值特征与三维gabor相位特征互补，所以在本发明实施例通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于确定高光谱遥感图像中的地物类别，提高对高光谱遥感图像的地物分类准确度。

进一步地，由于三维gabor相位信息对地物的空间位置具有极高的敏感上，所以通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于分类，降低了分类鲁棒性。

本发明实施例还提供一种高光谱遥感图像分类装置，包括：

获取模块，用于获取n个预设gabor滤波器，所述n为正整数；

提取模块，用于基于所述n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征；

确定模块，用于利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

具体地，请参见图7，图7是本发明实施例提供的一种高光谱遥感图像分类装置的第一实施例的结构示意图，用于实现本发明实施例公开的一种高光谱遥感图像分类方法。其中，如图7所示，本发明实施例提供的一种高光谱遥感图像分类装置700可以包括：

获取模块710、提取模块720和确定模块730。

其中，获取模块710，用于获取n个预设gabor滤波器，所述n为正整数。

其中，所述n为正整数，该n个预设gabor滤波器用于后续进行高光谱遥感图像的幅值特征和相位特征的提取。

可选地，在本发明的一个实施例中，该n个预设gabor滤波器为平行于所述高光谱遥感图像的光谱维度方向的gabor滤波器。

可以理解，由于相位信息对空间位置的敏感性，不同gabor滤波器获得的gabor相位特征对于地物的分类能力存在巨大差异，不能全部用于后续的编码和分类过程，并且如果不加选择地利用所有的gabor滤波器用于高光谱遥感图像的分类，将使得计算量非常大，所以仅选择平行于高光谱遥感图像的光谱维度方向的gabor滤波器提取的特征用于高光谱遥感图像的分类将极大地提高算法的计算效率。

具体地，在本发明的一个实施例中，可以通过以下公式获取n个平行于高光谱遥感图像的光谱维度方向的gabor滤波器

其中，f是预设gabor滤波器的频率，是所述预设gabor滤波器与ω轴的夹角，θ是预设gabor滤波器与u-v平面的夹角，表示gabor滤波器的方向，(x,y,b)分别表示高光谱遥感图像的像素的x坐标、y坐标以及光谱坐标，σ是高斯包络的宽度。

具体地，在本发明的一个示例中，若θ＝π/2，参见图2，图2是本发明实施例提供的一种三维gabor特征的频率域关系示意图，由图2可见，该频率f所指的方向即为高光谱遥感图像的光谱维度方向。

具体地，在本发明的一个示例中，若设置频率fj＝[0.5,0.25,0.125,0.0625]，则可以得到4个平行于高光谱遥感图像的三维gabor滤波器{ψi,i＝1,...,4}，用于后续三维gabor特征提取。具体可参见图3，图3是本发明实施例提供的从三个不同视角观察到的平行于光谱维度方向的三维gabor滤波器。

可选地，在本发明的一些实施例中，该gabor滤波器可以为log-gabor滤波器，haar-gabor滤波器。

提取模块720，用于基于所述n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征。

可选地，在本发明的一个实施例中，通过将高光谱遥感图像与n个预设gabor滤波器进行卷积运算得到三维gabor特征，然后对高光谱图像的每一个像素进行编码进一步得到高光谱图像的幅值特征和相位特征。

具体地，首先通过如下公式将高光谱遥感图像与n个三维gabor滤波器进行卷积操作得到i个三维gabor特征gi(x,y,b)，其中，r表示该高光谱遥感图像，gi表示第i个三维gabor特征，其中，i的取值为1至n之间的任意整数。

当得到n个三维gabor特征后，再利用如下公式计算该高光谱遥感图像的幅值特征mi(x,y,b)与相位特征fi(x,y,b)：

mi(x,y,b)＝abs(gi(x,y,b))；

其中，re(gi(x,y,b))和im(gi(x,y,b))分别是gabor特征的实部和虚部。

举例说明，在本发明的一个示例中，若n的取值为4，首先获取到图3所示的4个三维gabor滤波器，再将高光谱遥感图像与生成的4个三维gabor滤波器进行卷积运算后，将得到4个三维gabor滤波器特征，并进一步通过上述公式得到4个三维gabor幅值特征gi(x,y,b)以及三维gabor相位特征fi(x,y,b)，其中，i的取值为1至4之间的任一整数。具体可参见图4-a，图4-b，以及图4-c，图4-a为本发明实施例提供的高光谱遥感图像，取4个三维gabor滤波器中的两个gabor滤波器为例，得到图4-b的三维gabor幅值特征集以及图4-c的三维gabor相位特征集。其中，图4-b是本发明实施例提供的三维gabor幅值特征集；图4-c是本发明实施例提供的高光谱遥感图像的相位特征集及编码特征集。在图4-c中，第一列表示该两个三维gabor滤波器得到的三维gabor相位特征；第二列表示当对第一列三维gabor特征中的实部编码得到的特征；第三列表示对第一列三维gabor特征中的虚部编码得到的特征。

可以理解，上述三维gabor幅值特征与三维gabor相位特征在计算过程中不需要训练样本的参与，所以可以提高该方案的实用性。

可选地，在本发明的另一些实施例中，也可以使用其它方式来获取三维gabor相位特征，例如，基于融合编码的方式或基于竞争编码的方式。

确定模块730，用于利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

其中，该预设特征融合算法是指用于对三维gabor幅值特征和相位特征进行融合，以能同时将三维gabor幅值特征与三维gabor相位特征用于遥感图像的分类的一种算法。

可选地，在本发明的一个实施例中，所述确定模块730包括：

获取单元731，用于基于所述n个三维gabor幅值特征中的任一gabor幅值特征mi获取所述遥感图像属于p个类别中任一类别p的置信度以及基于所述n个三维gabor相位特征中的任一gabor相位特征fi获取所述遥感图像与所述p个类别中的任一类别p的相似性度量距离p为正整数；

确定单元732，用于确定所述p个类别中所述置信度与所述相似性度量距离在所述n个gabor滤波器下的平方差之和为最大的类别为所述高光谱遥感图像中的地物类别。

其中，置信度取值在0至1之间，用于反映该高光谱遥感图像属于第p类别的概率，从而当置信度越大，该高光谱遥感图像属于第p类的概率越大，汉明距离取值在0至1之间，用于反映高光谱遥感图像与类别p之间的匹配度，当汉明距离越小，该高光谱遥感图像属于第p类的概率越大。

可选地，在本发明的一个实施例中，所述获取单元731具体用于：

利用以下公式基于所述n个三维gabor幅值特征中的任一三维gabor幅值特征mi获取所述高光谱遥感图像属于p个类别中任一类别p的置信度

其中，所述d为基于支持向量机获取的所述遥感图像的决策矩阵，所述np为所述决策矩阵d中第p行非零元素的个数。

具体地，在本发明的一个实施例中，可以通过如下方式获取该决策矩阵p：假设有p类地物，针对每一个测试样本t，利用一对一策略建立p×(p-1)个支持向量机的分类器。其中，对于任意两个类别c1和c2，通过投票可以得到决策值δ；进一步建立决策矩阵d，其中当δ>0时，dc1c2＝δ，否则dc1c2＝-δ，决策矩阵d中的其他元素为零。由于支持向量机在用于分类上的良好效果，所以基于支持向量机的方式来确定置信度有效提升了融合决策的精度。

可以看出，该置信度的取值为0至1之间，并且当置信度越大时，该高光谱遥感图像属于类别p的概率越大。

可选地，在本发明的另一些实施例中，也可以使用相加、相乘的方式来计算置信度

可选地，在本发明的一个实施例中，若所述相似性度量距离包括汉明距离，所述获取单元731具体用于：

利用以下公式获取所述高光谱遥感图像t和训练集合a中任意训练样本s之间的相似性度量：

其中，b为原始高光谱数据的光谱维度；

获取所述高光谱遥感图像t与所述任一类别p之间的汉明距离为：

可以看出，该汉明距离的取值为0至1之间，并且当汉明距离越小时，该高光谱遥感图像属于类别p的概率越大，对于高光谱遥感图像与类别p的最优匹配下，汉明距离为零。

可选地，在本发明的另一些实施例中，也可以使用基于稀疏表示的分类、k紧邻分类等方式来计算上述汉明距离

可选地，在本发明的另一些实施例中，该相似性度量距离也可以其它距离，例如，莱文斯坦距离，李距离。

可以理解，上述置信度与汉明距离的计算公式中各参数均为确定的参数，所以在利用上述公式计算时，不需要进行参数估计，将使得计算更为准确。

可以看出，若定义融合特征值为e^p，该e^p定义为所述置信度与所述汉明距离在所述n个gabor滤波器下的平方差之和，也即由于当置信度越大时，该高光谱遥感图像属于类别p的概率越大，当汉明距离越小，该高光谱遥感图像属于类别p的概率越大，从而当融合三维gabor幅值特征和三维gabor相位特征后，e^p越大，该高光谱遥感图像属于类别p的概率越大，最后将得到e^p最大的值所对应的类别即为该高光谱遥感图像中的地物类别。可以理解，通过上述方式，可以在确定高光谱遥感图像中的地物类别时，同时使用高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征，从而使得所确定的类别更为准确。

可选地，在本发明的另一些实施例中，该融合特征值e^p也可以定义为其它形式，例如，平方形式、指数形式等。

具体地，在本发明的一个实施例中，若取n＝4，首先获得图3所示的4个三维gabor滤波器，然后再利用步骤s102计算得到图4-b所示的三维gabor幅值特征与图4-c所示的三维gabor相位特征。进一步地，若通过支持向量机对图4-b所示的gabor幅值特征进行分类，获得高光谱遥感图像4-a属于每一类的置信度通过正则化的汉明距离，利用最近邻策略对图4-c所示的gabor相位编码特征进行分类，获得高光谱遥感图像属于每一类的汉明距离然后再利用e^p融合置信度和汉明距离以对高光谱遥感图像进行分类，确定该高光谱遥感图像属于哪个地物类别。参见图5，图5示出了本发明实施例所提供的高光谱遥感图像的分类示意图。

可以看出，本实施例的方案中，高光谱遥感图像分类装置700首先获取n个预设gabor滤波器，然后再基于该n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征，最后利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中地物的所属类别。由于高光谱遥感图像的相位特征包括了丰富的相位特征，并且三维gabor幅值特征与三维gabor相位特征互补，所以在本发明实施例通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于确定高光谱遥感图像中的地物类别，提高对高光谱遥感图像的地物分类准确度。

进一步地，由于三维gabor相位信息对地物的空间位置具有极高的敏感上，所以通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于分类，降低了分类鲁棒性。

在本实施例中，高光谱遥感图像分类装置700是以单元的形式来呈现。这里的“单元”可以指特定应用集成电路(application-specificintegratedcircuit，asic)，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。

可以理解的是，本实施例的高光谱遥感图像分类装置700的各功能单元的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

参见图8，图8是本发明实施例提供的一种高光谱遥感图像分类装置的第二实施例的结构示意图，用于实现本发明实施例公开的高光谱遥感图像分类方法。其中，该高光谱遥感图像分类装置800可以包括：至少一个总线801、与总线801相连的至少一个处理器802以及与总线801相连的至少一个存储器803。

其中，处理器802通过总线801，调用存储器中存储的代码以用于获取n个预设gabor滤波器，所述n为正整数；基于所述n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征；利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别。

可选地，在本发明的一些可能的实施方式中，所述n个预设gabor滤波器为平行于所述高光谱遥感图像的光谱维度方向的gabor滤波器。

可选地，在本发明的一些可能的实施方式中，所述处理器802利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中的地物类别，包括：

基于所述n个三维gabor幅值特征中的任一gabor幅值特征mi获取所述遥感图像属于p个类别中任一类别p的置信度以及基于所述n个三维gabor相位特征中的任一gabor相位特征fi获取所述遥感图像与所述p个类别中的任一类别p的相似性度量距离p为正整数；

确定所述p个类别中所述置信度与所述相似性度量距离在所述n个gabor滤波器下的平方差之和为最大的类别为所述高光谱遥感图像中的地物类别。

可选地，在本发明的一些可能的实施方式中，所述处理器802基于所述n个三维gabor幅值特征中的任一三维gabor幅值特征mi获取所述遥感图像属于p个类别中任一类别p的置信度包括：

利用以下公式基于所述n个三维gabor幅值特征中的任一三维gabor幅值特征mi获取所述高光谱遥感图像属于p个类别中任一类别p的置信度

其中，所述d为基于支持向量机获取的所述遥感图像的决策矩阵，所述np为所述决策矩阵d中第p行非零元素的个数。

可选地，在本发明的一些可能的实施方式中，若所述相似性度量距离为汉明距离，所述处理器802基于所述n个三维gabor相位特征中的任一三维gabor相位特征fi获取所述高光谱遥感图像与所述p个类别中的任一类别p的相似性度量距离包括：

利用以下公式获取所述高光谱遥感图像t和训练集合a中任意训练样本s之间的相似性度量：

其中，b为原始高光谱数据的光谱维度；

获取所述高光谱遥感图像t与所述任一类别p之间的汉明距离为：

可以看出，本实施例的方案中，高光谱遥感图像分类装置800首先获取n个预设gabor滤波器，然后再基于该n个预设gabor滤波器获取高光谱遥感图像的n个三维gabor幅值特征与n个三维gabor相位特征，最后利用预设特征融合算法对所述n个三维gabor幅值特征与所述n个三维gabor相位特征进行特征融合以确定所述高光谱遥感图像中地物的所属类别。由于高光谱遥感图像的相位特征包括了丰富的相位特征，并且三维gabor幅值特征与三维gabor相位特征互补，所以在本发明实施例通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于确定高光谱遥感图像中的地物类别，提高对高光谱遥感图像的地物分类准确度。

进一步地，由于三维gabor相位信息对地物的空间位置具有极高的敏感性，所以通过融合高光谱遥感图像的三维gabor幅值特征与三维gabor相位特征用于分类，降低了分类鲁棒性。

在本实施例中，高光谱遥感图像分类装置800是以单元的形式来呈现。这里的“单元”可以指特定应用集成电路(application-specificintegratedcircuit，asic)，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。

可以理解的是，本实施例的高光谱遥感图像分类装置800的各功能单元的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何高光谱遥感图像分类方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

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，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元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全部或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(可为个人计算机、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、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。