面向高光谱图像分类的判别性Gabor滤波方法与流程

本发明涉及高维图像处理
技术领域：
，具体涉及一种面向高光谱图像分类的判别性gabor滤波方法。
背景技术：
高光谱遥感技术作为遥感技术的前沿领域，获取的地标图像包含了丰富的空间信息与光谱信息，且光谱分辨率达到了纳米数量级。高光谱成像、分类技术可以在获得“图谱合一”的观测信息后实现更精确的分类，可以用于探测和识别传统全色、多光谱遥感技术难以探测的地物类别。高光谱图像分类技术已在海洋探测、环境检测、城市规划、农业发展、军事目标监测等领域得到广泛应用。由于高光谱图像数据复杂，直接利用高光谱图像做分类难以得到好的分类结果。因此，如何在高光谱图像数据中进一步提取出有用的判别信息，实现高精度分类，成为提高高光谱图像分类实际工程应用水平的关键。利用标准三维gabor滤波器可提取出较为有效的高光谱图像特征，但该滤波过程未利用高光谱图像数据的内在特性。因此，高光谱图像数据gabor特征的性能还存在着明显的提升空间。技术实现要素：本发明的目的是针对现有技术的不足，为克服标准三维gabor滤波方法未充分利用高光谱图像数据特性的缺陷，提供了一种面向高光谱图像分类的判别性gabor滤波方法，所述方法将标准三维gabor滤波器分解为八个分量，根据高光谱图像数据的特性，只利用八个分量中的ccs分量进行图像滤波，相较于标准三维gabor滤波方法，该判别性gabor滤波方法的分类精度得到了较大提升。本发明的目的可以通过如下技术方案实现：一种面向高光谱图像分类的判别性gabor滤波方法，所述方法包括以下步骤：步骤1、读取高光谱图像数据h(x,y,b)，其中x、y表示像素的空间维坐标，b表示光谱维坐标；步骤2、对原始高光谱图像数据进行预处理，删除低信噪比的、影响分类性能的光谱波段；步骤3、将标准三维gabor滤波器分解为x,y,b三个维度上的一维低通和带通滤波器的8种不同乘积组合，构成8个子滤波器；步骤4、取其中一个由空间维x、y方向上的一阶低通滤波器和光谱维b方向上的一阶带通滤波器的乘积构成的gccs子滤波器构建判别性gabor滤波器，其中下标c表示余弦计算，即一个一阶低通滤波过程，下标s表示正弦计算，即一个一阶带通滤波过程；步骤5、使用不同频率幅值、不同频率空-谱空间方向、不同尺度下的判别性gabor滤波器分别对高光谱图像进行滤波；步骤6、取滤波结果幅值作为特征，得到不同参数下的特征块；步骤7、将同一尺度下，不同频率幅值和频率空-谱空间方向的特征块连接合并，每个像素位置上对应着一个特征向量；步骤8、采用交叉验证的方法选择设定x,y,b方向上的最优尺度参数步骤9、将最优尺度参数下的特征作为最终的判别性gabor特征；步骤10、用支持向量机分类器或最小二乘分类器对高光谱图像判别性gabor特征进行分类。进一步地，所述步骤3中将标准三维gabor滤波器分解为8个子滤波器的公式具体如下：其中，公式中的下标c表示余弦计算，即一个一阶低通滤波过程，下标s表示正弦计算，即一个一阶带通滤波过程，gccc、gcss、gssc、gscs、gscc、gsss、gcsc和gccs分别对应于空间维x、y方向、光谱维b方向上的一阶低通和带通滤波器的不同组合，ω表示滤波器的频率幅值，θ表示滤波器的频率方向在xoy空间平面上的投影与x轴的夹角，表示滤波器的频率方向与b轴的夹角，σx、σy、σb分别表示滤波器在x,y,b方向上的尺度参数，u、v、w是滤波器频率分别在x、y、b方向上的投影值。进一步地，步骤4中，所述构建的判别性gabor滤波器具体公式如下：其中，表示空间维x方向上的一阶低通滤波器，表示空间维y方向上的一阶低通滤波器，表示光谱维b方向上的一阶带通滤波器。进一步地，步骤6中，所述不同参数下的特征块公式具体如下：其中，表示构建的判别性gabor滤波器，h(x,y,b)表示高光谱图像数据。本发明与现有技术相比，具有如下优点和有益效果：1、本发明提供的面向高光谱图像分类的判别性gabor滤波方法，对原有的用于高光谱图像分类的标准三维gabor滤波方法进行了改进，将三维gabor滤波器分解成8个分量，结合了高光谱图像的数据特性，利用了其中的ccs分量构造了一种符合数据特性的判别性gabor滤波器，与传统三维gabor滤波方法相比，用判别性gabor滤波方法获得的特征具有更高的判别性。2、本发明提供的面向高光谱图像分类的判别性gabor滤波方法，将判别性gabor滤波方法应用于高光谱图像的特征提取，时频分析性能十分优秀，更加符合高光谱图像的数据特性，提取的特征可分性更强。3、本发明的判别性gabor滤波方法和最小二乘分类方法相结合可以拓展应用于医用光谱、声谱分析和动植物、军事目标监测等诸多领域，普适性好。附图说明图1为本发明实施例面向高光谱图像分类的判别性gabor滤波方法的流程图。图2(a)-图2(d)分别为本发明实施例中当图像中的像素点被分为12类时抽取的训练样本数目分别为每类20个、40个、60个、80个的训练样本标签。图3(a)-图3(d)分别为本发明实施例中当图像中的像素点被分为12类时抽取的训练样本数目分别为每类20个、40个、60个、80个的测试样本标签。图4(a)-图4(d)分别为本发明实施例中当图像中的像素点被分为12类时抽取的训练样本数目分别为每类20个、40个、60个、80个，采用三维gabor滤波和最小二乘分类器相结合的方法得到的全体样本分类标签。图5(a)-图5(d)分别为本发明实施例中当图像中的像素点被分为12类时抽取的训练样本数目分别为每类20个、40个、60个、80个，采用判别性gabor滤波和最小二乘分类器相结合的方法得到的全体样本分类标签。图6(a)-图6(d)分别为本发明实施例中当图像中的像素点被分为12类时抽取的训练样本数目分别为每类20个、40个、60个、80个，采用三维gabor滤波和支持向量机分类器相结合的方法得到的全体样本分类标签。图7(a)-图7(d)分别为本发明实施例中当图像中的像素点被分为12类时抽取的训练样本数目分别为每类20个、40个、60个、80个，采用判别性gabor滤波和支持向量机分类器相结合的方法得到的全体样本分类标签。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。实施例：本实施例提供了一种面向高光谱图像分类的判别性gabor滤波方法，采用如下方式实现：(1)将标准三维gabor滤波器分解，得到8个子滤波器，取其中的ccs分量构造新的判别性gabor滤波器，用该滤波器进行滤波的过程为高光谱图像先在空间维x方向上做低通滤波，然后在空间维y方向上做低通滤波，最后在光谱维b方向上做带通滤波，更加符合高光谱图像的数据特性，提取的特征可分性更高；(2)构造的新型判别性gabor滤波器具有频率幅值、频率空-谱空间方向、空-谱空间尺度三个可调参数，不同频率幅值、不同频率空-谱空间方向下的滤波器滤波可以得到高光谱图像在不同频率下的特征，最优尺度参数则通过交叉验证的方法获得；(3)使用最优尺度参数下，不同频率参数(频率幅值和方向)的判别性gabor滤波器分别对高光谱图像滤波，得到多个特征块；通过特征连接合并，将相同像素位置的不同频率参数下的特征向量进行拼接，得到可分性较高的特征。具体流程如图1所示，包括以下步骤：步骤1、读取高光谱图像数据h(x,y,b)，其中x、y表示像素的空间维坐标，b表示光谱维坐标；步骤2、对原始高光谱图像数据进行预处理，删除低信噪比的、影响分类性能的光谱波段；步骤3、将标准三维gabor滤波器分解为x,y,b三个维度上的一维低通和带通滤波器的8种不同乘积组合，构成8个子滤波器；所述8种不同乘积组合的公式具体如下：其中，公式中的下标c表示余弦计算，即一个一阶低通滤波过程，下标s表示正弦计算，即一个一阶带通滤波过程，gccc、gcss、gssc、gscs、gscc、gsss、gcsc和gccs分别对应于空间维x、y方向、光谱维b方向上的一阶低通和带通滤波器的不同组合，ω表示滤波器的频率幅值，θ表示滤波器的频率方向在xoy空间平面上的投影与x轴的夹角，表示滤波器的频率方向与b轴的夹角，σx、σy、σb分别表示滤波器在x,y,b方向上的尺度参数，u、v、w是滤波器频率分别在x、y、b方向上的投影值。步骤4、取其中一个由空间维x、y方向上的一阶低通滤波器和光谱维b方向上的一阶带通滤波器的乘积构成的gccs子滤波器构建判别性gabor滤波器，其中下标c表示余弦计算，即一个一阶低通滤波过程，下标s表示正弦计算，即一个一阶带通滤波过程；所述构建的判别性gabor滤波器具体公式如下：其中，表示空间维x方向上的一阶低通滤波器，表示空间维y方向上的一阶低通滤波器，表示光谱维b方向上的一阶带通滤波器。步骤5、使用不同频率幅值、不同频率空-谱空间方向、不同尺度下的判别性gabor滤波器分别对高光谱图像进行滤波；步骤6、取滤波结果幅值作为特征，得到不同参数下的特征块；公式具体如下：其中，表示构建的判别性gabor滤波器，h(x,y,b)表示高光谱图像数据。步骤7、将同一尺度下，不同频率幅值和频率空-谱空间方向的特征块连接合并，每个像素位置上对应着一个特征向量；步骤8、采用交叉验证的方法选择设定x,y,b方向上的最优尺度参数步骤9、将最优尺度参数下的特征作为最终的判别性gabor特征；步骤10、用支持向量机分类器或最小二乘分类器对高光谱图像判别性gabor特征进行分类。利用图2(a)-图2(d)所示的训练样本标签，以及图3(a)-图3(d)所示的测试样本标签对本实施例所述的方法进行测试，图像中的像素点被分为12类，抽取的训练样本数目分别为每类20个、40个、60个、80个，采用三维gabor滤波和最小二乘分类器相结合的方法得到的全体样本分类标签如图4(a)-图4(d)所示，采用判别性gabor滤波和最小二乘分类器相结合的方法得到的全体样本分类标签如图5(a)-图5(d)所示，采用三维gabor滤波和支持向量机分类器相结合的方法得到的全体样本分类标签如图6(a)-图6(d)所示，采用判别性gabor滤波和支持向量机分类器相结合的方法得到的全体样本分类标签如图7(a)-图7(d)所示。具体地，利用标准三维gabor滤波和最小二乘方法对高光谱图像avirisindianpines分类，得到的准确率如表1所示。其中，待分类的像素来自于12个类。每类训练样本个数20406080测试准确率0.88540.95090.96690.9747表1利用判别性gabor滤波和最小二乘方法对高光谱图像avirisindianpines分类，得到的准确率如表2所示。其中，待分类的像素来自于12个类。每类训练样本个数20406080测试准确率0.90940.94740.96410.9709表2利用标准三维gabor滤波和支持向量机方法对高光谱图像avirisindianpines分类，得到的准确率如表3所示。其中，待分类的像素来自于12个类。表3利用判别性gabor滤波和支持向量机方法对高光谱图像avirisindianpines分类，得到的准确率如表4所示。其中，待分类的像素来自于12个类。每类训练样本个数20406080测试准确率0.91240.94460.96500.9772表4以上所述，仅为本发明专利较佳的实施例，但本发明专利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专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。当前第1页12