一种基于核协同表达的高光谱图像分类方法
【技术领域】
[0001 ]本发明属于遥感影像处理技术领域，主要涉及土地覆盖分类技术，具体涉及一种 基于核协同表达的高光谱图像分类方法。
【背景技术】
[0002] 高光谱遥感是一类高维信息获取技术，在获取地表空间物体图像的同时，得到每 个地物的连续且非常窄的光谱信息，即将图像维与光谱维信息融合为一体，它富含地球表 面的空间、辐射和光谱信息。与宽波段遥感相比，高光谱数据能有效地捕捉地物光谱特征， 大幅度提高了地物精细信息表达能力和识别能力。地物分类是高光谱遥感的重要应用方 式，对理解地物空间分布规律具有重要作用。
[0003] 高分辨率遥感影像能够提供大量的地表特征，充分体现在地物内部分异明显、纹 理增多、细节丰富和边缘突出方面。地物空间分布复杂，同类物体呈现出很大的光谱异质 性，具体表现为类内方差变大、类间方差减小、不同地物的光谱相互重叠，使得传统的光谱 分类方法不能得到满意的结果。因而高分辨率遥感中的高光谱遥感数据在有助于完成更加 细致的遥感地物分类的同时，其波段增多也会使得信息产生冗余并增加数据处理的复杂 性。如何优化光谱特征空间，进行光谱选择，即如何针对特定对象选择包括该对象主要特征 光谱的子集，并且该子集能在含多种目标对象的组合中具备最大限度区别于其他对象的能 力显得尤为重要。
[0004] 从技术层面来讲，现有的高光谱图像分类方法的研究主要还是集中在光谱空间、 特征空间，对图像空间的相关性的研究并未足够深入。而且大多侧重遥感图像地物特征提 取及特征空间分类的研究中也未对可以提高分类精度的特征选择等问题做深入研究和探 讨。
【发明内容】
[0005] 本发明发主要目的是提供一种基于核协同表达的高光谱图像分类方法。
[0006] 不同于传统的高光谱分类方法，本发明的具体创新点在于采用一种可操作性强的 波段选择策略进行特征选取，并在选择出的不同特征组的基础上分别进行局部二值模式 (Local Binary Pattern, LBP)空间特征提取，而后进行核协同表达分类（Kernal collaborative representation based classification，KCRC)。最终将各组特征对应的 分类结果以残差级融合策略进行融合并获取最终的高精度分类结果。
[0007] 本发明的技术方案具体来说，主要包括如下技术内容：
[0008] 1、进行光谱自相关性分析以提取相关性高的波段作为后续操作特征组。光谱图像 的每个波段图像的像素值，是相同区域地物对各个波段光的反射强度值，相邻波地物反射 率是相近的，由此产生了一定的相关性;不同波段的图像涉及的地面目标相同，它们具有相 同的空间拓扑结构。光谱波段间的这种相关性随着光谱分辨率的提高加大。因此，进行光谱 自相关分析并选择合适特征组的可操作性在高光谱数据中是具备的。
[0009] 2、在光谱自相关分析的结果中抽选出合适数据作为特征组进行后续分类。
[0010] 3、利用局部二值模式LBP算子提取各个特征层的纹理特征，结合原光谱特征组合 成一个多特征的高维特征空间。
[0011] 4、采用核协同表达分类器(KCRC)对步骤3形成的特征数据集进行分类，且产生的 分类结果的数目对应与步骤2中挑选的特征组的数目相同。
[0012] 5、将各不同波段特征的分类结果进行融合，产生最终分类结果。融合方法根据特 定情况选择，待选方案有:决策级融合，残差级融合，特征级融合，最终采用残差级融合。最 后通过分类结果计算最终的分类精度。
[0013] 与现有技术相比，本发明具有如下优点：
[0014] 不同于传统的分类方法，本发明的具体创新点在于分析光谱自相关性后择取自相 关性强的波段取均值并分别作为后续特征数据。自相关性高而互相关性低的各个子簇，保 证了所选择波段的信息总量不会过少，各子簇波谱求取均值作为该谱类最终特征，在一定 程度又确保特定地物类型在该波段组合与其他地物有较好可分性，使得不同波段组合的特 征能反应像素的不同特性。通过残差融合综合各子簇，保证对多样地物的可分性。除此之 外，本发明结合LBP算子提取数据的纹理特征，LBP算子具有旋转不变性和灰度不变性等显 著优点，并且计算简单，进一步增加了待分类特征的鲁棒性。最后使用采用核协同表达分类 器(KCRC)进行分类，较传统的稀疏方式有更好的计算效率，而且可以对非线性空间数据进 行分类，应用范围更为广阔，应用性能更为优异。经过多组测试序列实验，本发明可以获取 的分类精度可达92%以上。
[0015] 本发明的流程图如图1所示，实施流程如下：
[0016] 步骤1、将高光谱数据输入到计算机，首先对输入数据进行预处理，重新调整数据 格式，将原输入三维数据阵列调整为二维数据阵，以方便后续光谱自相关性分析。假设XI表 示一个像素向量，1 = 1，2，···，?，表示不同的像素点，图像的各波段反射率均值m为：
[0017] m = IT1 Σ?=ι Χι ( 1 )
[0018] 协方差矩阵δ为：
[0019] δ = (L - 1)-1 Σ?=ι(^； - m)(Xl - mf (2)
[0020] 相关系数矩阵R与协方差矩阵δ相关，R中元素为： (3)
[0022] 其中，是协方差矩阵的元素，和是第i个波段和第j个波段的方差，(^描述 了波段i和波段j的相关性。
[0023] 步骤2、如前所述，高光谱数据光谱波段多，波段间非常窄且波段连续，由步骤1中 所进行的波段相关性分析可见，许多光谱波段间具有较高的相关性。对于如此高相关性的 高光谱数据，其样本的样本协方差矩阵接近奇异，一旦涉及到其逆计算的一些操作将具有 高度不稳定性。另外，高光谱波段多，波段相关性高，亦会使监督分类需要的训练样本数目 大大增多，一旦给定训练样本数目不足，则易致使从训练样本得到的参数不可靠。
[0024]在本步骤中，充分考虑到降低光谱波段数目可能带来的分类优化效果，对高光谱 数据进行光谱波段的合理择选，即通过步骤1中计算得出的相关系数矩阵R选取特征波段组 成新的特征数据集。具体实施中的做法是选取互相关性高的五个波段子集，并对每个波段 子集中的数据求取光谱维均值，形成五组不同的特征集合。这种实施方式可以在短时间内 找到高光谱数据波段中优异的特征组。首先，选择出自相关性高而互相关性低的各个子簇， 保证了所选择波段的信息总量不会过少。各子簇波谱求取均值作为该谱类最终特征，在一 定程度确保特定地物类型在该波段组合与其他地物有较好可分性。最终通过所有组别波谱 特征对多种地物类别甄别效应的折衷达到良好效果。
[0025] 步骤3、将步骤2中获取的各个特征集依次进行局部二值模式(LBP)空间特征提取， 即利用LBP算子提取各个特征层的纹理特征。
[0026] 图像纹理分析在计算机视觉、遥感等领域有着非常广泛的应用前景，目前还没有 一种公认的纹理定义方法，对于图像处理而言，纹理一般是指由大量或多或少相似的纹理 元或模式组成的一种结构，即组成纹理的基元和基元之间的相互关系，这二者构成了纹理 的两个基本特征。根据纹理的基本特征，目前出现了许多纹理分析的方法，基本上可以分为 结构法和统计法两类。基于结构的方法主要考虑纹理基元之间的相互关系和排列规则，对 于非常规则的纹理描述较好，但对于自然纹理图像则很难取得满意的效果。基于统计的方 法主要考虑纹理的粗糙度、明暗对比等特征，用于描述灰度空间的随机分布特征，是自然纹 理