耦合空谱特征的多尺度超像素高光谱遥感图像分类方法

本发明涉及遥感图像处理技术领域，尤其涉及一种耦合空谱特征的多尺度超像素高光谱遥感图像分类方法。

背景技术：

遥感影像由于其较高的时效性，一直作为土地利用分类、医学图像处理、目标检测识别等信息采集、更新的主要数据源，其中高光谱遥感影像更是凭借其丰富的图像光谱信息，能够显著提高不同物类的区别与识别度，而深受广大研究人员的青睐。高光谱遥感影像不仅包含地物空间信息，还包含了丰富的地物光谱信息，高光谱图像分类方法的探索对于区分地物、实时掌握区域地物信息具有重要意义。现有高光谱遥感影像分类研究采用单一尺度下的超像素方法进行图像分割处理，无法确定最佳超像素个数，较易忽视图像细节信息，且单一核矩阵无法表征多特征信息导致分类精度降低。

目前，用于高光谱遥感影像分类的算法包括决策树、支持向量机(supportvectormachines，svm)、深度学习等，高光谱遥感影像与一般遥感影像相比，在包含地物空间特征的同时，也包含了大量的细微光谱特征，每幅高光谱遥感影像均含有大量的像素级特征，如果使用传统的逐像素方法提取特征，将会使噪声的影响扩大，并且在进行特征提取时往往忽略相似特征聚类的重要性，进而导致图像分类精度的降低。超像素是一种图像特征聚类方法，它能够将图像中特征相似的像素点划分成小区域，进而将像素级影像抽象为区域级的高维数据。

目前超像素方法已被应用到多个领域，例如：rajalakshmic等人基于超像素完成移动目标检测；liulijun等人基于超像素完成医学图像分割；kisangkim等人基于超像素实现室内空间识别；等等。将超像素分割方法运用到hsi分类或目标检测，可以提取更加有效的样本空间特征，进而提升分类效果或目标检测效率。上述方法表明基于超像素的改进方法可有效提高目标分类精度，但是将超像素分割应用到hsi分类中仍然存在以下缺陷：(1)初始超像素个数的不确定，较易导致提取的图像特征不够精细与全面，如果提取的特征包含较多干扰信息，或者丢失关键信息，都将会对分类精度产生较大的影响。(2)涉及超像素的分类方法大多针对单一核函数进行分类研究，较易忽视核函数融合对分类精度带来的正向影响。

技术实现要素：

针对现有的高光谱遥感影像分类方法存在的分类精度较低的问题，，本发明提出一种耦合空谱特征的多尺度超像素高光谱遥感图像分类方法，可有效提高高光谱遥感影像分类精度。

本发明提供的耦合空谱特征的多尺度超像素高光谱遥感图像分类方法，包括：

步骤1：将高光谱遥感图像数据集分为训练集和测试集，使用主成分分析法pca对训练集进行降维处理，得到有效的光谱波段；

步骤2：在不同尺度下，分别使用基于熵率的超像素分割算法ers对有效的光谱波段进行超像素分割处理；

步骤3：通过rbf核函数计算任意两个超像素之间的相似性，进而得到训练集的空间光谱核矩阵kpp；通过多项式核函数计算训练集中任意两个像素之间的相似性，进而得到训练集的原始光谱核矩阵kyp；

步骤4：将所述空间光谱核矩阵kpp与所述原始光谱核矩阵kyp进行融合得到多尺度超像素空间光谱合成核矩阵，然后训练svm分类器模型；

步骤5：使用训练好的svm分类器模型对测试集进行分类，输出得到对应的地物分类图像。

进一步地，所述步骤1具体为：

步骤1.1：设定训练集共有n个像素{x1,x2…xn}，像素xi的标签值为yi，计算得到训练集中任意两个像素xi,xj之间的协方差cov(xi,xj)，进而得到训练集的协方差矩阵cn×n；

步骤1.2：计算得到协方差矩阵cn×n的特征值λ＝{λ1,λ2,λ3…λn}与特征向量e＝{ξ1,ξ2,ξ3…ξn}；然后在e中选取与特征值较大的前p个特征对应的p个列向量构造得到模式矩阵ep＝[ξ1,ξ2,ξ3…ξp]；

步骤1.3：对训练集中各像素进行去中心化处理得到中间矩阵则降维处理后的图像矩阵为[ep^t×q^t]^t；t表示转置。

进一步地，所述步骤2具体为：

步骤2.1：在有效的光谱波段上构造图g＝(v，e)，并设定超像素分割的目标函数：

其中，v是与训练集中的像素对应的顶点集合，e是与相邻像素之间的相似度对应的边缘集合，h(a)表示熵率，b(a)表示平衡项，a表示边缘集，λ≥0是平衡项的权重；

步骤2.2：通过所述目标函数计算每个像素顶点与其邻近像素间边的函数值；

步骤2.3：将函数值最大的边删除，使所删除的边上的两像素同属一个超像素；

步骤2.4：重复执行步骤2.2和步骤2.3，直至超像素个数达到设定的超像素数值l。

进一步地，所述步骤3具体为：

步骤3.1：遍历训练集中各个超像素位置，采用rbf核函数k()计算不同尺度下任意两个超像素si与sj间的相似性<φ(si),φ(sj)>，进而得到由所有的超像素间相似性值所组成的空间光谱核矩阵kpp；其中：

其中，表示超像素si＝{xi1,xi2,xi3…xik}中像素集合的光谱均值，xie表示超像素si中的第e个像素；表示超像素sj＝{xj1,xj2,xj3…xjk}中像素集合的光谱均值，xje表示超像素sj中的第e个像素；k为超像素si、sj中的像素总数；m表示设定的尺度个数；s表示尺度编号；δ表示宽度参数；

步骤3.2：采用多项式核函数计算训练集中任意两个像素xi,xj之间的相似性<φ(xi),φ(xj)>，进而得到由所有的像素间相似性值所组成的原始光谱核矩阵kyp；其中：

其中，d表示多项式函数的阶数，d为正整数；li＝(li1,li2,…,lic)表示像素xi在c个波段下的光谱值，lif表示像素xi在第f个波段下的光谱值；表示像素xi在c个波段下的光谱均值；lj＝(lj1,lj2,…,ljc)表示像素xj在c个波段下的光谱值，ljf表示像素xj在第f个波段下的光谱值；表示像素xj在c个波段下的光谱均值。

进一步地，所述步骤4具体为：

步骤4.1：将所述空间光谱核矩阵kpp与所述原始光谱核矩阵kyp通过权值分配方式进行融合得到多尺度超像素空间光谱合成核矩阵kms-rpsk：

kms-rpsk＝μkpp+(1-μ)kyp

其中，μ为权值平衡参数；

步骤4.2：将训练集中的像素xi与其标签值yi组成一个数据对，进而得到svm分类器的训练样本集s＝{(x1,y1),(x2,y2),…,(xn,yn)}；n表示训练集中的像素个数；

步骤4.3：将多尺度超像素空间光谱合成核矩阵作为svm分类器的核函数，采用训练样本集s训练得到svm分类器模型。

本发明的有益效果：

1.针对高光谱影像具有的高维光谱特征信息，本发明提出了ms-rpsk模型，可有效解决图像特征提取不精细、初始超像素个数不精确的问题，能够显著提升hsi分类精度，精确得掌握土地资源利用现状信息，对未来国土空间规划的编制与实施具有重要意义。

2.本发明在融合空间光谱信息和原始光谱信息时，通过权值分配的方式进行融合，通过给定不同的权值来测试获得更优的分类模型；由ms-rpsk模型获得的该区域分类预测图在空间层面上更加聚集，能够很好的将小区域地物准确分类；由ms-rpsk模型获得的该区域分类预测图更能区分光谱特征相似的地物，以及大面积周边散存的地物。

3.与现有的基于单一核函数的高光谱遥感图像分类方法相比，经本发明融合得到的高光谱遥感图像分类方法将物体的空间特征与光谱特征相结合，充分利用到了地物空间自相关的特性，提高了his的分类精度。

附图说明

图1为本发明实施例提供的耦合空谱特征的多尺度超像素高光谱遥感图像分类方法的流程示意图；

图2为本发明实施例提供的耦合空谱特征的多尺度超像素高光谱遥感图像分类方法的原理框架图；

图3为本发明实施例提供的数据集地物类别及样本标注图：a(1)-a(3)表示立体显示图像；b(1)-b(3)表示实际地物图像；c(1)-c(3)表示样本标记模板；

图4为本发明实施例提供的测试集分类结果图：(4-1)表示在paviauniversity数据集上分类的结果；(4-2)表示在paviacenter数据集上分类的结果；(4-3)表示在washingtondcmall数据集上分类的结果；

图5为本发明实施例提供的数据集预测分类结果图：(5-1)表示在paviauniversity数据集上分类的结果；(5-2)表示在paviacenter数据集上分类的结果；(5-3)表示在washingtondcmall数据集上分类的结果；

图6为本发明实施例提供的各模型相对误差结果图：(a)表示在paviauniversity数据集上的相对误差结果图；(b)表示在paviacenter数据集上的相对误差结果图；(c)表示在washingtondcmall数据集上的相对误差结果图。

具体实施方式

为使本发明的目的、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。

结合图1和图2所示，本发明实施例提供一种耦合空谱特征的多尺度超像素高光谱遥感图像分类方法(简称ms-rpsk方法)，包括以下步骤：

s101：将高光谱遥感图像数据集分为训练集和测试集，使用主成分分析法pca对训练集进行降维处理，得到有效的光谱波段；

s102：在不同尺度下，分别使用基于熵率的超像素分割算法ers对有效的光谱波段进行超像素分割处理；

s103：通过rbf核函数计算任意两个超像素之间的相似性，进而得到训练集的空间光谱核矩阵kpp；通过多项式核函数计算训练集中任意两个像素之间的相似性，进而得到训练集的原始光谱核矩阵kyp；

s104：将所述空间光谱核矩阵kpp与所述原始光谱核矩阵kyp进行融合得到多尺度超像素空间光谱合成核矩阵，然后训练svm分类器模型；

s105：使用训练好的svm分类器模型对测试集进行分类，输出得到对应的地物分类图像。

作为一种可实施方式，所述步骤s101具体包括：

s1011：设定训练集共有n个像素{x1,x2…xn}，像素xi的标签值为yi(某一像素的标签值用于指示该像素的地物类别)，计算得到训练集中任意两个像素xi,xj之间的协方差cov(xi,xj)，进而得到训练集的协方差矩阵cn×n；

具体地，首先计算得到像素均值为然后计算得到不同像素xi,xj之间的协方差最后得到训练集的协方差矩阵

s1012：计算得到协方差矩阵cn×n的特征值λ＝{λ1,λ2,λ3…λn}与特征向量e＝{ξ1,ξ2,ξ3…ξn}；然后在e中选取与特征值较大的前p个特征对应的p个列向量构造得到模式矩阵ep＝[ξ1,ξ2,ξ3…ξp]；

s1013：对训练集中各像素进行去中心化处理得到中间矩阵则降维处理后的图像矩阵为[ep^t×q^t]^t；t表示转置。

作为一种可实施方式，所述步骤s102具体为：

s1021：在有效的光谱波段上(即在前p个pca成分上)构造图g＝(v，e)，并设定超像素分割的目标函数：

其中，v是与训练集中的像素对应的顶点集合，e是与相邻像素之间的相似度对应的边缘集合，h(a)表示熵率，b(a)表示平衡项，a表示边缘集，λ≥0是平衡项的权重；b(a)主要用于促进簇具有相似的大小和减少不平衡的超像素的数量；

s1022：通过所述目标函数计算每个像素顶点与其邻近像素间边的函数值；

s1023：将函数值最大的边删除，使所删除的边上的两像素同属一个超像素；

s1024：重复执行步骤s1022和步骤s1023，直至超像素个数达到设定的超像素数值l。

作为一种可实施方式，所述步骤s103具体为：

s1031：遍历训练集中各个超像素位置，采用rbf核函数k()计算不同尺度下任意两个超像素si与sj间的相似性<φ(si),φ(sj)>，进而得到由所有的超像素间相似性值所组成的空间光谱核矩阵kpp；其中：

其中，表示超像素si＝{xi1,xi2,xi3…xik}中像素集合的光谱均值，xie表示超像素si中的第e个像素；表示超像素sj＝{xj1,xj2,xj3…xjk}中像素集合的光谱均值，xje表示超像素sj中的第e个像素；k为超像素si、sj中的像素总数；m表示设定的尺度个数；s表示尺度编号；δ表示宽度参数，δ对分类精度会产生较大的影响。

具体地，rbf核函数的计算公式为：k(f1,f2)＝exp(-||f1-f2||/2δ²)；由此可以计算得到在某一尺度下超像素si与sj间的相似性<φ(si),φ(sj)>^*：

进而，可以计算得到不同尺度下任意两个超像素si与sj间的相似性<φ(si),φ(sj)>：

进而，可以得到空间光谱核矩阵kpp，如下：

s1032：采用多项式核函数计算训练集中任意两个像素xi,xj之间的相似性<φ(xi),φ(xj)>，进而得到由所有的像素间相似性值所组成的原始光谱核矩阵kyp；其中：

其中，d表示多项式函数的阶数，d为正整数；li＝(li1,li2,…,lic)表示像素xi在c个波段下的光谱值，lif表示像素xi在第f个波段下的光谱值；表示像素xi在c个波段下的光谱均值；lj＝(lj1,lj2,…,ljc)表示像素xj在c个波段下的光谱值，ljf表示像素xj在第f个波段下的光谱值；表示像素xj在c个波段下的光谱均值。

具体地，得到的原始光谱核矩阵kyp，如下：

作为一种可实施方式，所述步骤s104具体为：

s1041：将所述空间光谱核矩阵kpp与所述原始光谱核矩阵kyp通过权值分配方式进行融合得到多尺度超像素空间光谱合成核矩阵kms-rpsk：

kms-rpsk＝μkpp+(1-μ)kyp

其中，μ为权值平衡参数；

s1042：将训练集中的像素xi与其标签值yi组成一个数据对，进而得到svm分类器的训练样本集s＝{(x1,y1),(x2,y2),…,(xn,yn)}；n表示训练集中的像素个数；

s1043：将多尺度超像素空间光谱合成核矩阵作为svm分类器的核函数，采用训练样本集s训练得到svm分类器模型。

下面结合图3至图6所示，通过实验来具体说明本发明的有效性及实用性。

本实验数据处理部分在matlabr2018a平台上，网络模型的训练使用支持向量机算法，计算环境为amdryzen4800hcpu2.90ghz，内存16g的pc机。实验中对比算法包括：多尺度超像素空间光谱合成核(ms-sssk)方法、单一尺度下超像素空间光谱合成核(ss-sssk)方法、结合分水岭分割的合成核(wscsvm)方法、原始空间光谱核(ssk)方法以及分段波长合成核(ck)方法。

为了验证本发明的有效性及实用性，对德国的机载反射光学光谱成像仪(reflectiveopticsspectrographicimagingsystem)拍摄的数据进行图像分类实验，具体实验如下：

rosis-3是可采集610×340像素大小的图像，115个光谱波段(0.43-0.86m),同时空间分辨率达到1.3m。为了定量地评估融合的结果，本发明对该数据进行了模拟仿真实验：首先，采用pca提取his的第一主成分，在400、800、1600和3200四个尺度下将第一主成分通过ers算法进行超像素分割，并在每个尺度下，采用rbf核函数计算任意超像素间的相似性，代表两个超像素内所有像素之间的相似性，形成核矩阵。随后将所有尺度下的核矩阵累加并求均值，形成最终的ms-ssk核矩阵。sk核矩阵由如下方式获得：针对hsi中的任一像素点，将该像素点在所有波段下的像素执行求均值运算，并通过rbf核函数计算出任意像素均值间的相似性，形成sk核矩阵。随后通过权值将ms-ssk核矩阵和sk核矩阵结合，形成ms-sssk实现hsi分类。最后，将给定的高光谱图像数据集当作参考图像，使其与其他分类方法进行对比，计算得到相应的定量评估的性能指标。

本发明使用paviauniversity、paviacenter和washingtondcmall三个hsi数据集验证本发明ms-rpsk方法的有效性及可行性，并通过7折交叉验证方法验证分类模型性能。实验过程中各参数的最佳取值通过网格搜索方法获得，其中rbf核函数参数值g为4.5639，惩罚因子c为16.9873，多项式核函数最高项次数d设置为3。利用上述的现有图像分类方法和本发明的图像分类方法对该数据进行对比分析，得到的结果如图4所示。其中图4中(4-1)是在paviauniversity数据集上分类的结果；图4中(4-2)是在paviacenter数据集上分类的结果；图4中(4-3)是在washingtondcmall数据集上分类的结果；图3是原始高光谱图像。从图3显示的结果可看到，paviauniversity数据集中裸土和草地较为聚集，碎石和砖块较为分散，并且碎石和砖块相距较近，当碎石面积较大时，极易将砖块划分为碎石；研究区中的树木在空间格局上不够集聚且散布整个区域，并且树木分布于沥青路面周边，因此分类时极易将沥青路面误划为树木。对比图4中(4-1)，采用ms-rpsk方法得到的沥青路面、碎石和砖块的分类精度提升幅度较大，误差较小，有较高的his分类精度。paviacenter数据集中草地、裸土和树木小面积区域较多，分布范围较广，并且草地和树木的光谱信息较为相似，因此分类时较易将二者混淆，此外裸土和草地相距较近，当裸土面积较大时，极易将草地划分为裸土；研究区中的沥青在空间格局上分布较为聚集，并且砖块分布于沥青周边，因此分类时极易将砖块误划为沥青。从图4中(4-2)的分类结果中可以发现，ms-rpsk方法在灰色、棕色区域的红点明显少于其他分类方法，采用ms-rpsk方法得到的砖块和瓷砖的分类精度提升幅度较大，这表明ms-rpsk的分类精度相比其他方法的确得到提高了。由图4中(4-3)可以看出，数据集中阴影所占面积小且布局分散，当住宅面积较大时，极易将住宅与阴影分为一类；研究区中的树林与草地在空间格局上不够集聚且散布整个区域，并且二者具有较为相似的光谱特征，因此树林与草地在分类时易产生混淆；高速公路在整个区域中所占面积较大，并且与草地、树林、住宅等像元毗邻，因此分类时易被误划入上述地类。从图4(c)中的分类结果中可以发现，ms-rpsk分类得到的住宅和阴影的分类精度提升幅度较大。

在测试集上使用训练完成的模型对原始图像进行分类，预测三个数据集全区域的分类结果如图5中(5-1)、图5中(5-2)、图5中(5-3)所示，从图5中(5-1)和图5中(5-2)中方框标注区域可知，由ms-rpsk模型获得的该区域分类预测图在空间层面上更加聚集，能够很好的将小区域地物准确分类；从图5中(5-3)中方框标注区域可知，由ms-rpsk模型获得的该区域分类预测图更能区分光谱特征相似的地物，以及大面积周边散存的地物，例如：相距较近的草地和树林，住宅周边的阴影，等等。

同时，本发明探讨了上述6类方法在不同规模样本集上的分类精度变化情况，将paviauniversity数据集的训练样本个数分别设置为200、400、600、800和1000，将paviacenter和washingtondcmall数据集的训练样本个数分别设置为200、400、600和800，在样本集中随机挑选上述设定数值的样本，用来训练分类模型，剩余样本作为测试集验证模型性能，针对不同规模测试集各模型的相对误差如下图6所示，从图6中可以看出，三个数据集的样本量分别从200递增到800时，各模型的分类误差都在不断下降。当样本数目为200时，ms-rpsk模型分类的相对误差在8～9.5％内，此时该模型的分类误差最大，但是低于其他五种模型的分类误差；随着样本数目的递增，分类精度差距逐渐缩小至0.3～1.3％。该结果证明ms-rpsk模型的空间光谱合成核方法能够在核空间中学习样本的相似性特征，进而融合图像多维特征，以获得较为精细充分的图像信息，在训练样本集规模较小时，依然可以获得较为理想的hsi分类精度。

表1给出了本发明方法和对比方法的性能指标情况。本实验采用了如下的性能指标：各类地物的分类精度和测试机总体分类精度(overallclassificationaccuracy,oa)

在表1中，黑体的数字表示每项指标中最好的值，每项指标中次优的值用下划线的数字进行表示。从图像分类的各项客观评价指标来看，本发明所提方法的各种指标都优于其他方法。

表1不同方法对数据集进行图像分类定量评价结果

通过上述实验结果表明，本发明的方法利用耦合超像素多尺度合成核的方法能很好的提升高光谱遥感图像的分类精度，使用该模型获得区域的分类预测图在空间层面上更加聚集，能够很好的将小区域地物准确分类，而且更能区分光谱特征相似的地物，以及大面积周边散存的地物；同时在训练样本集规模较小时，依然可以获得较为理想的hsi分类精度。

最后应说明的是：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精神和范围。