一种基于目标约束检测的高光谱实时分类方法与流程

本发明涉及高光谱图像处理领域，尤其涉及一种基于目标约束检测的高光谱实时分类方法。
背景技术：
：高光谱遥感数据包含丰富的辐射、空间和光谱数据，是多种信息的综合载体。定量化的连续光谱曲线数据为图像提供光谱信息，像元及周边像元间的相互空间位置关系则为图像提供空间信息。分类技术一直是高光谱图像处理中的热点研究内容，其最终目标是根据光谱特征和空间特征的相似性对图像中的每个像元进行类别的划分，近年来受到国内外工业界和学术界研究人员的广泛关注。高光谱实时分类必须满足两个条件:(1)实时性，即在按照行对高光谱数据进行扫描之后，可以快速的对扫描过的数据进行分类；(2)即时性，即分类需要用的信号信息，来自于当前扫描过的像元，而不能用到非扫描的像元信息。现有技术中高光谱图像的分类精度有待提高。技术实现要素：本发明提供一种基于目标约束检测的高光谱实时分类方法，以克服技术问题。本发明基于目标约束检测的高光谱实时分类方法，包括：根据目标地物的样本集的参数计算所述目标地物的光谱特征，所述样本集的参数包括：目标地物的样本数目、样本选取百分比以及选取样本像元的光谱特征；对高光谱图像进行实时扫描，获得实时的待分类数据；根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息；利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行otus自动阈值分割得到分类的信息图像；根据所述分割得到的分类信息图像计算相邻两次分类结果的相似性系数，判断所述相似性系数是否满足分类结束条件，若满足，则本次扫描分类结束，再次对高光谱图像进行下一次实时扫描；若不满足，则将所述分类信息图像与所述待分类数据融合，对融合之后的数据进行迭代分类。进一步地，所述对高光谱图像进行实时扫描，获得实时的待分类数据，包括：自上而下扫描获取高光谱图像m行数据作为实时的分类数据；计算所述分类数据的实时自相关矩阵，所述rj为：其中，rj为自相关矩阵，ωj表示实时的待分类数据，其中rji∈ωj表示ωj的一个样本像元，n为ωj中的所有的样本像元数目。进一步地，所述根据目标地物的样本集的参数计算所述目标地物的光谱特征，包括：根据公式(2)计算第k类地物的光谱特征向量；其中，dk为第k类目标地物的光谱特征，x为样本选取百分比，nk为第k类地物的样本数目，hk(l)为选取的第l个像元的光谱特征，k为类别号，1＜＝k＜＝p，其中p表示待分类的高光谱数据的类别总数；k＝k+1；判断k值是否大于p，若否，则继续采用公式(2)计算第k类目标地物的光谱特征向量；若是，则停止目标地物的光谱特征向量的计算。进一步地，所述根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息，包括：设置迭代次数v初值为1、所有类地物的丰度信息图像tjv初值为空集；利用所述光谱特征及所述约束向量定义确定单目标分类器为：根据所述单目标分类器计算得到第k类地物的丰度信息图像为tjv＝tjvtkv；(5)其中，为单目标分类器，为rj的逆矩阵，tkv为第k类地物第v次迭代的丰度信息图像；k＝k+1；判断k值是否大于p，若否，则继续采用公式(3)计算第k类地物的丰度信息图像；若是，单目标分类结束。进一步地，所述根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息，包括：设置迭代次数v初值为1、所有类地物的丰度信息图像tjv初值为空集；利用所述光谱特征及所述约束向量确定所述多目标分类器为：根据所述多目标分类器计算所有类地物的丰度信息图像，其中，为多目标分类器，d为光谱特征，d＝{d1,..,dp}，cj为约束向量；计算得到所有类地物的丰度信息图像进一步地，所述利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行otus自动阈值分割得到分类的信息图像，包括：将分类得到的丰度值信息tjv利用高斯滤波，得到空间信息图像记为gjv；将分类得到的空间信息gjv进行otus自动阈值分割，得到分类结果信息图像记为bj,v。进一步地，所述根据相邻两次分类结果的相似性系数判断是否满足分类结束条件，包括：根据公式计算相邻两次分类结果的相似性系数，其中，ξ为相似性系数，bj,v为第v次分类结果，bj,v-1为第v-1次分类结果。本次发明利用目标约束检测原理设计多类别分类器，并将迭代空间信息融合进分类数据，从而逐步提高分类精度；利用扫描到的像元作为分类数据，通过自适应自相关矩阵对背景进行抑制，从而比全部像元进行背景抑制的效果更好，速度更快，从而实现实时的高光谱数据分类。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一简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。图1为本发明基于目标约束检测的高光谱实时分类方法流程图；图2为本发明基于单目标约束分类器原理的高光谱实时分类方法流程图；图3为本发明基于多目标约束分类器原理的高光谱实时分类方法流程图；图4为本发明中实验涉及到的purdue数据的示意图；图5为本发明中实验涉及到的purdue数据的真实图像；图6为本发明中当j＝25时，关于purdue数据的实时单目标约束分类结果图；图7为本发明中当j＝117时，关于purdue数据的实时单目标约束分类结果图；图8为本发明中当j＝17时，关于purdue数据的实时多目标约束分类结果图；图9为本发明中当j＝125时，关于purdue数据的实时多目标约束分类结果图；图10为本发明中最终purdue数据单目标约束分类结果图；图11为本发明中最终purdue数据多目标约束分类结果图。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为本发明基于目标约束检测的高光谱实时分类方法流程图，如图1所示，本实施例的方法可以包括：步骤101、根据目标地物的样本集的参数计算所述目标地物的光谱特征，所述样本集的参数包括：目标地物的样本数目、样本选取百分比以及选取样本像元的光谱特征；具体而言，待分类的高光谱数据的类别数目为p，设置类别号k＝1，目标地物的光谱特征记为d，初值设为空集；根据第k类目标地物的样本集计算该类地物的光谱特征，采用公式(1)进行计算，其中，dk为第k类目标地物的光谱特征，x为样本选取百分比，nk为第k类地物的样本数目，hk(l)为选取的第l个像元的光谱特征，k为类别号，1＜＝k＜＝p，其中p表示待分类的高光谱数据的类别总数；k＝k+1；判断k值是否大于p，若否，则继续采用公式(2)计算第k类目标地物的光谱特征向量；若是，则停止目标地物的光谱特征向量的计算。步骤102、对高光谱图像进行实时扫描，获得实时的待分类数据，本实施例的扫描方式为自上而下；具体而言，实时扫描次数初值j＝1；设置扫描方式自上而下，设置实时扫描行数为m；最终分类结果bf，初值设置为空集；设置迭代次数v＝1；进行第j次扫描，将扫描m行数据作为实时的分类数据ωj，其中rji∈ωj表示ωj中的一个像元，n为ωj中的所有像元数目。计算ωj的实时自相关矩阵rj，所述rj为：其中，rj为自相关矩阵，ωj表示实时的待分类数据，其中rji∈ωj表示ωj的一个样本像元，n为ωj中的所有的样本像元数目。步骤103、根据所述光谱特征采用单目标分类器或者多目标分类器获取所述待分类的像元集的实时分类丰度信息；具体而言，对于港普特征分类可采用单目标分类器或者多目标分类器，单目标进行分类的过程为：tjv表示所有类别目标地物的实时分类丰度信息，其初值设为空集；所述第k类目标地物分类器定义为：按照上述公式计算得到第k类地物的丰度信息图像其中，为单目标分类器，为rj的逆矩阵，tkv为第k类地物第v次迭代的丰度信息图像；k＝k+1；判断k值是否大于p，若否，则继续采用公式(3)计算第k类地物的丰度信息图像；若是，单目标分类结束。采用多目标分类器进行分类的过程为：利用所述光谱特征d及所述约束向量cj，定义目标地物分类器所述分类器为：按照上述公式计算得到所有类地物的丰度信息图像步骤104、利用高斯滤波提取所述实时分类丰度信息的空间特征，并将所述空间特征进行otus自动阈值分割得到分类的信息图像；具体而言，将分类得到的丰度值信息tjv利用高斯滤波，得到空间信息图像记为gjv；将分类得到的空间信息gjv进行otus自动阈值分割，得到分类结果信息图像记为bj,v；利用otsu阈值方法，将得到的过滤结果进行二值化，即得到该次分类结果。步骤105、根据所述分割得到的分类信息图像计算相邻两次分类结果的相似性系数，判断所述相似性系数是否满足分类结束条件，若满足，则本次扫描分类结束，再次对高光谱图像进行下一次实时扫描；若不满足，则将所述分类信息图像与所述待分类数据融合，对融合之后的数据进行迭代分类。具体而言，v＝v+1；当v>＝2时，计算bj,v和bj-1,v的根据相邻两次分类结果的相似性系数，所述相似性系数的定义为当ξ＞0.99时，ωj数据的分类结束，bf＝bfbj,v，跳到步骤8；当当ξ≤0.99时，将上一步得到的分类结果信息融合进分类数据，ωj＝ωjbj,v，跳到步骤4；实时扫描结束，分类结束；否则j＝j+1；跳到步骤3。进一步地，所述利用高斯滤波提取所述实时分类丰度信息的空间特征，包括：采用公式对分类结果进行卷积计算得到分类后的地物空间特征，其中，sk,i为分类结果所述σ是高斯滤波的标准偏差，r是高斯滤波的过滤半径；c.利用otsu阈值方法，计算sk,i的二值图像sk,i记为bk,i。进一步地，所述则将所述分类后的信息图像与所述待分类数据相融合作后对本次扫描的图像进行再次分类，包括：采用将空间信息图像反馈融合进hj中，得到hj＝[hj；sk,1……sk,p]；具体而言，采用将空间信息图像反馈融合进hj中，得到hj＝[hj；sk,1……sk,p]；本实施例样本高光谱图像数据来源于purdue大学的美国印第安纳州indianpine实验区的高光谱数据，含有220个波段，如图4所示。图像数据大小含有145×145个像素，其真实图像如图5所示，共有16类地物作为分类的目标，分别是：1、alfalfa；2、corn-nortill；3、corn-mintill；4、corn；5、grass-pasture；6、grass-trees；7、oats；8、hay-windrowed；9、grass-pasture-mowed；10、soybean-notill；11、soybean-mintiall；12、soybean-clean；13、wheat；14、woods；15、bidg-grass-trees-drives；16、stone-steel-towers。参数设置包括：每次实时行数δ＝5，重叠行数值高斯滤波的标准差为1.0，卷积核大小为5×5，迭代停止阈值ξ＝0.99，选取样本比例x＝100％。首先进行第一次扫描，然后利用公式(1)分别计算16种目标地物的光谱特征值，分别记作d1至d16；根据公式(3)计算已扫描数据的样本自相关矩阵r。根据公式(2)定义的单目标地物分类器分别对扫描的实时数据进行目标检测，得到扫描数据中每个目标地物多检测结果；根据公式(4)分别对目标检测的结进行滤波，得到其空间信息；当j＝21时的单目标分类器的分类结果如图6所示，j＝117时的单目标分类器的分类结果如图7所示。根据公式(3)定义的多目标地物分类器一次性对扫描的实时数据进行目标检测；根据公式(4)对目标检测的结进行滤波，得到其空间信息；利用otsu阈值方法，将过滤过的进行二值化，得到该次分类结果；判断ξ是否大于0.99，如果成立，继续进行下一次扫描，然后重复上述分类步骤，如果不成立，则进行迭代分类，即先将空间信息图像反馈融合进现有的分类数据中，再重复上述分类步骤。当j＝17时的多目标约束分类率结果示意图如图8所示，当j＝125时的多目标约束分类结果示意图如图9所示。最终得到的单目标约束器实时分类流程如图2所示，结果如图10所示。多目标约束器实时分类流程如图3所示，结果如图11所示。为了比较cem实时分类结果与非实时分类结果，计算了每一类目标的分类精度poa值，表1为具体的poa结果值比较。为了进一步验证本发明提出的实时分类算法的性能，计算了不同采用比例x下的分类精度值，具体的结果值如表2所示，表1为purdue’s图像实时与非实时分类结果的poa值比较表。表2为实时purdue图像不同采样比例下的oa比较表。表1classpd％cemcemrlcmvrlcmv193.4810010095.65293.3810010096.01396.0210010096.99497.4710010098.73592.7510010089.44696.5899.7399.7397.12796.43100100100899.1610010098.7891001001001001092.7010010093.931196.2199.9299.9294.701296.2910010095.451399.0210010098.541493.8399.9299.9293.521592.4910010090.671697.8510010098.92poa95.1399.9599.9595.09precisio99.8110010099.93time(s)37.6624.2907.14319.850表2oa10％20％30％40％50％60％70％80％90％100％cemr22.0539.3153.0765.3875.6683.3090.1894.2097.8299.95lcmvr22.8139.4654.3366.2975.4382.4989.9794.3397.9899.95通过表1和表2，可以看出本发明所提出多实时分类算法的分类精度要高于非实时的分类结果，且多目标约束分类器的运行速度要高于单目标约束分类器。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。当前第1页12