本發(fā)明涉及基于空間反饋特征的高光譜圖像分類方法,尤其涉及一種基于空間特征迭代的高光譜圖像分類方法。
背景技術(shù)：
：高光譜圖像具有高光譜分辨率的特點(diǎn)，可以探測到多光譜圖像無法探測到的地物類別，在環(huán)境監(jiān)測、軍事領(lǐng)域、林業(yè)等領(lǐng)域應(yīng)用越來越廣泛。高光譜圖像分類的目標(biāo)是對高光譜圖像中的每個(gè)像元進(jìn)行分類標(biāo)注，高光譜圖像的高光譜分辨率和高空間分辨率，使得在地物類別分類方面有巨大的優(yōu)勢，但是地物光譜信息的精確性也使得干擾、背景部分在高光譜分類中有一定的影響；同時(shí)由于高光譜數(shù)據(jù)具有高維數(shù)據(jù)量大及小樣本訓(xùn)練的特點(diǎn)，也給高光譜圖像分類帶來挑戰(zhàn)。近年來，基于支持向量機(jī)的高光譜圖像分類方法得到了一定程度的進(jìn)展，針對高光譜圖像中包含的空間信息，建立了集成SVMs與馬爾可夫隨機(jī)場的分類方法。但是這類方法一方面對支持向量比較敏感，對部分地物類別的分類效果會很差；另一方面利用核函數(shù)將數(shù)據(jù)轉(zhuǎn)換到高維空間進(jìn)行分類，當(dāng)數(shù)據(jù)樣本變大時(shí)也造成內(nèi)存消耗大、計(jì)算量大等問題。目前，基于譜間-空間特征的高光譜圖像分類方法成為當(dāng)前的研究熱點(diǎn)，這類方法通過引入空間信息特征輔助光譜特征提高高光譜圖像分類的精度，然而該種方法對于空間特征的使用方法，是首先通過形態(tài)學(xué)、濾波等方法提取圖像的邊緣、形狀紋理等空間特征，再利用支持向量機(jī)等進(jìn)行一對一，或者一對多的分類；一方面缺乏對圖像空間特征的有效利用，另一方面也缺少對于譜間信息與空間信息的融合。技術(shù)實(shí)現(xiàn)要素：根據(jù)現(xiàn)有技術(shù)存在的問題，本發(fā)明公開了一種基于空間特征迭代的高光譜圖像分類方法，其特征在于：采用如下步驟：S1：已知高光譜圖像像元的信號源信息，根據(jù)高光譜樣本分類的標(biāo)簽，計(jì)算出每種地物類別的光譜簽名di，并根據(jù)分類的類別數(shù)目p生成待分類目標(biāo)端元的光譜簽名矩陣D1＝[d1,d2,...dp]；S2：把地物目標(biāo)D的正交子空間投影最大的像元定義為背景端元，計(jì)算出高光譜圖像的背景端元光譜簽名U＝{u}；S3：根據(jù)類別數(shù)目p和背景端元q的數(shù)目,q＝1，設(shè)置約束矩陣C，利用約束向量矩陣C來同時(shí)約束地物目標(biāo)D和高光譜圖像的背景端元U,從而將地物目標(biāo)與背景部分進(jìn)行區(qū)分；S3：設(shè)置迭代次數(shù)k的初值為1，利用地物目標(biāo)D、高光譜圖像的背景端元U、約束矩陣C及圖像自相關(guān)逆矩陣R-1定義一個(gè)能同時(shí)進(jìn)行多類別分類的分類器Tk，并提取所有類別目標(biāo)的初始分類結(jié)果{Tk(i)}；S4：提取每種類別目標(biāo)分類結(jié)果的空間特征{Tk(iG)}，并把空間特征{Tk(iG)}反饋疊加到待分類的高光譜圖像中，將空間特征與光譜特征進(jìn)行融合；S5：利用自適應(yīng)閾值將分類器結(jié)果進(jìn)行地物目標(biāo)和背景部分的分類，并設(shè)定迭代停止條件；S6：如果迭代條件滿足，k＝k+1，更新地物目標(biāo)Dk、背景部分Uk，并跳到步驟S3繼續(xù)進(jìn)行分類，直到達(dá)到迭代停止條件，分類結(jié)束。S1中：設(shè)已知高光譜圖像像元的信號源包括地物目標(biāo)D、背景部分U和干擾信號I,已知高光譜數(shù)據(jù)中的每種地物樣本為Hm(i)，m為地物類號1≤m≤p，1≤i≤Nm，Nm為m類地物的學(xué)習(xí)樣本數(shù)目；根據(jù)高光譜樣本分類的標(biāo)簽，按照以下公式進(jìn)行待分類地物目標(biāo)dm的計(jì)算：根據(jù)分類的類別數(shù)目p，生成待分類目標(biāo)端元的光譜簽名矩陣D1＝[d1,d2,...dp]，其中di(1≤m≤p)為第i個(gè)類別的光譜簽名,1/λ為提取的學(xué)習(xí)樣本比例。S2中：地物目標(biāo)D的正交子空間投影最大的像元定義為背景端元，按照以下公式檢測出高光譜圖像的背景端元光譜簽名U＝{u}；其中為D的正交補(bǔ)矩陣，其計(jì)算公式如下：I為單位陣(3)S3中：根據(jù)p和q的數(shù)目，設(shè)置約束矩陣C:C(p+q)×p＝[C1p×p,C2p×q]T(4)其中C1p×p＝[c1,c2,..cp]是以1為對角線的對角陣，C2p×q為p×q大小的0矩陣，其列向量ci用于約束第i個(gè)地物目標(biāo)，1≤i≤q，利用約束向量矩陣C來同時(shí)約束D和U,能同時(shí)將地物目標(biāo)與背景部分進(jìn)行區(qū)分，具體的約束矩陣C的轉(zhuǎn)置矩陣如下；根據(jù)和及約束矩陣C(p+q)×p，定義同時(shí)對p個(gè)目標(biāo)進(jìn)行分類的多類別分類器Tk，Tk＝wTr(6)其中其中R為高光譜圖像的樣本光譜自相關(guān)矩陣，其定義如下：其中r＝[r1r2...rn]，利用逆矩陣R-1把高光譜圖像的樣本光譜進(jìn)行壓抑，對于每種地物的分類結(jié)果Tk(i)(1≤i≤p)的計(jì)算如下：Tk(i)＝wTr(9)其中w＝R-1[DmUm]([DmUm]TR-1[DmUm])Ci(10)Ci為約束矩陣C的第i列向量，利用分類器提取當(dāng)前高光譜圖像的分類結(jié)果Tk(i)。S4中：提取分類結(jié)果Tk(i)對應(yīng)的空間特征Tk(i)(1≤i≤p)其中σ是高斯濾波的標(biāo)準(zhǔn)偏差，r是高斯濾波的過濾半徑；將得到的空間特征圖像Tk(i)(1≤i≤p)反饋疊加到當(dāng)前的高光譜數(shù)據(jù)上，使波段數(shù)目變?yōu)長＝L+p，其中L為當(dāng)前高光譜圖像的波段數(shù)目。S5中：設(shè)定迭代停止條件如下：其中|S|是集合S的大小，Sk和Sk-1表示第k次迭代的閾值分類結(jié)果；判斷停止條件(12)是否成立，如果成立，按照以下公式更新地物目標(biāo)Dk、背景部分Uk；返回至S3中繼續(xù)利用多類別分類器對當(dāng)前高光譜圖像進(jìn)行分類；當(dāng)判斷停止條件(12)不成立時(shí)，分類結(jié)束，將最終分類結(jié)果Tk(iG)(1≤i≤p)采用不同的顏色進(jìn)行標(biāo)注顯示。本發(fā)明提供的一種基于空間特征迭代的高光譜圖像分類方法，通過樣本數(shù)據(jù)計(jì)算出地物類別及背景的光譜簽名，利用約束矩陣對地物目標(biāo)進(jìn)行約束，并采用最小化背景干擾的方式進(jìn)行地物目標(biāo)的檢測，通過這種檢測的手段達(dá)到分類的目的，接著利用閾值設(shè)定，對檢測結(jié)果進(jìn)行分類，方法中通過融合光譜特征與迭代空間特征，逐步提高分類精度。附圖說明為了更清楚地說明本申請實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請中記載的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1.為本發(fā)明中高光譜圖像分類方法的技術(shù)流程圖；圖2.為實(shí)施例中待分類的高光譜源圖像；圖3.為實(shí)施例中的待分類目標(biāo)的光譜簽名曲線圖4.為實(shí)施例圖2中的背景端元檢測結(jié)果圖5.為實(shí)施例中圖4的背景端元的光譜簽名曲線圖6.為實(shí)施例中每種地物目標(biāo)的第一次分類結(jié)果；圖7.為實(shí)施例中每種地物目標(biāo)第一次提取到的的空間特征結(jié)果圖；圖8.為實(shí)施例中迭代之后的每種地物類別的分類結(jié)果圖；圖9.為實(shí)施例中Groundtruth提供的每種地物目標(biāo)的分類結(jié)果圖；圖10.為實(shí)施例中迭代之后的每種地物目標(biāo)的顯示顏色圖。具體實(shí)施方式為使本發(fā)明的技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚完整的描述：如圖1所示的一種基于空間特征迭代的高光譜圖像分類方法，具體采用如下步驟：已知高光譜圖像數(shù)據(jù)r＝(r1,r2,...rn)T，其中n是高光譜圖像的像元數(shù)目，ri(1≤i≤n)表示高光譜圖像的第i個(gè)像元，ri＝(ri1,ri2,...riL)，其中L表示高光譜圖像的波段數(shù)目。本發(fā)明的具體實(shí)現(xiàn)步驟如下：A.假設(shè)已知高光譜圖像像元的信號源包括地物目標(biāo)D、背景部分U和干擾信號I,已知高光譜數(shù)據(jù)中的每種地物樣本為Hm(i)，m為地物類號1≤m≤p，1≤i≤Nm，Nm為m類地物的學(xué)習(xí)樣本數(shù)目。根據(jù)高光譜樣本分類的標(biāo)簽，按照以下公式進(jìn)行待分類地物目標(biāo)dk的計(jì)算：根據(jù)分類的類別數(shù)目p，生成待分類目標(biāo)端元的光譜簽名矩陣D1＝[d1,d2,...dp]，其中di(1≤m≤p)為第i個(gè)類別的光譜簽名,1/λ為提取的學(xué)習(xí)樣本比例；B.地物目標(biāo)D的正交子空間投影最大的像元即可以看做背景端元。按照以下公式檢測出高光譜圖像的背景端元U＝{u}；其中為D的正交補(bǔ)矩陣，其計(jì)算公式如下：I為單位陣(3)C.根據(jù)p和q＝1的數(shù)目，設(shè)置約束矩陣C:C(p+q)×p＝[C1p×p,C2p×q]T(4)其中C1p×p＝[c1,c2,..cp]是以1為對角線的對角陣，C2p×q為p×q大小的0矩陣，其列向量ci用于約束第i個(gè)1≤i≤q地物目標(biāo)。利用約束向量矩陣C來同時(shí)約束D和U,能同時(shí)將地物目標(biāo)與背景部分進(jìn)行區(qū)分，具體的約束矩陣C如下；D.根據(jù)和及約束矩陣C(p+q)×p，定義提取p個(gè)目標(biāo)的分類器Tk，Tk＝wTr(6)其中其中R為高光譜圖像的樣本光譜自相關(guān)矩陣，其定義如下：其中r＝[r1r2...rn]。利用逆矩陣R-1把高光譜圖像的樣本光譜進(jìn)行壓抑，因?yàn)槊恳活惖匚锬繕?biāo)的數(shù)目遠(yuǎn)少于整體樣本數(shù)目，所以的作用實(shí)際上等于消除了每一類非地物目標(biāo)的統(tǒng)計(jì)信號。具體對于每種地物的分類結(jié)果Tk(i)(1≤i≤p)的計(jì)算如下：Tk(i)＝wTr(9)其中w＝R-1[DmUm]([DmUm]TR-1[DmUm])Ci(10)Ci為約束矩陣C的第i列向量。E.利用分類器提取當(dāng)前高光譜圖像的分類結(jié)果Tk(i)；F.提取步驟F中分類結(jié)果對應(yīng)的空間特征Tk(i)(1≤i≤p)：其中σ是高斯濾波的標(biāo)準(zhǔn)偏差，r是高斯濾波的過濾半徑。高光譜圖像分類之后的結(jié)果往往存在很大的噪聲，掩蓋了其真實(shí)的空間特征，經(jīng)過高斯濾波之后，分類結(jié)果中的噪聲部分被過濾掉，代表高光譜地物目標(biāo)的空間特征被保留了下來。G.利用自適應(yīng)閾值方法將高光譜圖像地物目標(biāo)和背景部分進(jìn)行分類。背景和目標(biāo)之間的類間方差越大，說明兩者的差別越大，按照最大類間方差法設(shè)置閾值，按照分類結(jié)果圖的灰度特性，將圖像分成背景和目標(biāo)部分，分別代表高光譜數(shù)據(jù)的背景和地物目標(biāo)。I.將得到的空間特征Tk(i)(1≤i≤p)反饋疊加到當(dāng)前的高光譜數(shù)據(jù)上，使波段數(shù)目變?yōu)長＝L+p，其中L為當(dāng)前高光譜圖像的波段數(shù)目。添加了Tk(iG)之后，高光譜圖像中除了光譜特征之外，還疊加了代表類別位置、形狀的空間特征，有助于提高下一次的分類精度。J.設(shè)定迭代停止條件如下：其中|S|是集合S的大小，Sk和Sk-1表示第k次迭代的閾值分類結(jié)果。判斷停止條件(12)是否成立，如果成立，按照以下公式更新地物目標(biāo)Dk、背景部分Uk；k＝k+1接著執(zhí)行步驟E；K.將最終分類結(jié)果Tk(i)(1≤i≤p)采用不同的顏色進(jìn)行標(biāo)注顯示。實(shí)施例本發(fā)明實(shí)施的基于空間反饋迭代特征的高光譜圖像分類方法的具體步驟如下：A.樣本數(shù)據(jù)來源：樣本高光譜圖像數(shù)據(jù)取自Purdue大學(xué)提供的美國印第安納州IndianPine實(shí)驗(yàn)區(qū)的高光譜數(shù)據(jù)，含有220個(gè)波段，如圖2所示。圖像數(shù)據(jù)大小含有145×145個(gè)像素，共有16類地物作為分類的目標(biāo)。B.樣本數(shù)據(jù)的學(xué)習(xí)：對上述IndianPine實(shí)驗(yàn)區(qū)的16類地物均采用其5％的樣本按照公式(1)進(jìn)行樣本學(xué)習(xí)，具體16類地物學(xué)習(xí)的像元數(shù)目如表1所示。表1將計(jì)算得到的16個(gè)類別的光譜簽名組成分類矩陣D1＝[d1,d2,...d16]，其中di(1≤i≤16)為第i個(gè)地物的光譜簽名，具體的16類地物的光譜曲線圖如圖3所示。C.按照公式(2)和(3)所述的正交子空間投影算法進(jìn)行計(jì)算，檢測出IndianPine實(shí)驗(yàn)區(qū)1個(gè)背景端元u：圖2的背景端元檢測結(jié)果如圖4所示，接下來生成背景端元的光譜簽名矩陣U1＝[u]，具體的背景端元的光譜曲線圖如圖5所示。D.根據(jù)分類地物和背景端元的數(shù)目，按照公式(4)和(5)，設(shè)置約束矩陣C:C17×16，其列向量ci用于約束第i個(gè)地物類別；利用約束向量矩陣C來同時(shí)約束D和U,能同時(shí)將Purdue數(shù)據(jù)中的地物目標(biāo)與背景部分進(jìn)行分類；E.設(shè)置k＝1,根據(jù)Dk和Uk及約束矩陣C，按照公式(6)、(7)和(8)定義的多類別分類器Tk(i)(1≤i≤p)計(jì)算地物目標(biāo)的分類結(jié)果。按照公式(9)和(10)計(jì)算出Purdue數(shù)據(jù)的第一次分類結(jié)果T1(i)，i從1到16的目標(biāo)類別分類顯示結(jié)果如圖6所示。F.設(shè)置σ＝0.5,r＝5,按照公式(11)計(jì)算Indianpine實(shí)驗(yàn)區(qū)的高光譜圖像的分類結(jié)果圖的空間信息Tk(i)(1≤i≤p)。第一次提取到的空間特征為T1(iG)，i從1到16的空間特征顯示結(jié)果如圖7所示。從圖中可以看出，Purdue數(shù)據(jù)的空間特征被提取出來，代表了16類地物的空間位置和形狀。H.將提取的高光譜空間特征Tk(i)(1≤i≤p)反饋疊加到Indianpine實(shí)驗(yàn)區(qū)數(shù)據(jù)上，使波段數(shù)目變?yōu)閘＝l+16，其中l(wèi)為當(dāng)前圖像的波段數(shù)目。疊加了空間特征的Purdue數(shù)據(jù)融合了光譜信號統(tǒng)計(jì)特征和空間特征兩者的優(yōu)勢，可以在利用統(tǒng)計(jì)信號處理的方法時(shí)，通過空間特征的位置和形狀，提高數(shù)據(jù)的分類能力。J.按照最大類間方差法計(jì)算各地物類別閾值level值，具體如表2所示，按照分類結(jié)果圖的灰度值Ig，計(jì)算Ig*level，從而將圖像分成背景和目標(biāo)部分兩部分，分別代表IndianPine實(shí)驗(yàn)區(qū)的背景和地物目標(biāo)。I.設(shè)置ε＝0.99，按照公式(12)判斷停止條件，如果成立，按照公式(13)更新16類地物目標(biāo)矩陣Dk和背景矩陣Uk；接著執(zhí)行步驟E；當(dāng)k的值為12時(shí)，ε的值為0.9910，不滿足公式(10)，迭代停止。K.按照最大類間方差法計(jì)算16類地物的閾值，具體如表2所示，將Indianpine實(shí)驗(yàn)區(qū)圖像分成背景和16類目標(biāo)部分。表2類號12345678閾值level0.38620.44310.42750.42750.2000.42350.36670.4451類號910111213141516閾值level0.32750.44710.46670.41960.43140.44710.42940.4098實(shí)驗(yàn)結(jié)果分析：一方面將分類結(jié)果的16個(gè)地物分類結(jié)果進(jìn)行標(biāo)注，具體的結(jié)果按照不同的地物類別顯示如圖8所示，Purdue數(shù)據(jù)提供的Groundtruth圖像按照類別1到16的地物分類結(jié)果顯示如圖9所示。通過以上基于反饋空間迭代的分類方法所提取IndianPine實(shí)驗(yàn)區(qū)分類結(jié)果與Groundtruth圖像標(biāo)注的結(jié)果比較如圖10所示。其中左圖為采用本次發(fā)明的分類結(jié)果圖，而右圖為IndianPine實(shí)驗(yàn)區(qū)數(shù)據(jù)提供的Groundtruth圖像，兩者均采用相同的彩色圖進(jìn)行顯示。從比較結(jié)果圖可以定性的看出來本次發(fā)明提供的分類方法有較好的分類效果。為了進(jìn)一步定量的評價(jià)本次發(fā)明所提出的分類方法，采用常用的分類比較評價(jià)指標(biāo)：總精度(OverallAccuracy,OA)進(jìn)行評價(jià),計(jì)算公式如下。計(jì)算得到的Indianpine實(shí)驗(yàn)區(qū)的總分類精度值為94.96％。其中p為地物類別數(shù),Si為分類結(jié)果中第i類地物的樣本數(shù)目，Ni為Groundtruth結(jié)果途中第i類地物的樣本數(shù)目。同時(shí)計(jì)算出了每種地物目標(biāo)類別的分類精度，計(jì)算公式如下，具體的數(shù)值如表3所示。從該表可以看出，本次發(fā)明提供的基于反饋空間特征迭代的高光譜圖像分類方法對目標(biāo)類別均具有較高的分類精度。表3以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3