CN102930293B - 一种面向对象的高光谱特征处理方法 - Google Patents
一种面向对象的高光谱特征处理方法 Download PDFInfo
- Publication number
- CN102930293B CN102930293B CN201210398887.5A CN201210398887A CN102930293B CN 102930293 B CN102930293 B CN 102930293B CN 201210398887 A CN201210398887 A CN 201210398887A CN 102930293 B CN102930293 B CN 102930293B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- collection
- sample
- feature
- spectral signature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 96
- 230000003595 spectral effect Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 16
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 230000019552 anatomical structure morphogenesis Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种面向对象的高光谱遥感图像光谱特征处理方法,包括:步骤S1:采集样本光谱;步骤S2:光谱特征分类学习:提取输入样本的光谱特征并进行训练,得到训练样本分类结果;步骤S3:根据训练样本分类的结果,选取其中最优的光谱特征组成特征集;步骤S4:将最优光谱特征、特征匹配算法加入到光谱特征库中。本发明可用于在航空、航天高光谱遥感图像上建立光谱特征库,并以此为基础进行高光谱遥感图像分类、解混、目标检测与识别等处理。该光谱特征库最大特点是增加了光谱的描述信息,即在光谱数据的基础上,加入了对象的光谱特征与匹配算法。
Description
技术领域
本发明涉及一种高光谱遥感图像光谱特征处理方法,可用于在航空、航天高光谱遥感图像上建立光谱特征库,并以此为基础进行高光谱遥感图像分类、解混、目标检测与识别等处理。
背景技术
高光谱遥感是一门新兴的学科,是当前遥感技术的前沿。随着空间分辨率和光谱分辨率的逐渐提升,已经成为人们获取信息的重要手段,在军事侦察、环境监测、资源调查、土地利用和城市规划等领域中发挥越来越重要的作用。高光谱波段众多、信息量大,可以反映地物的材质信息,因此增加了目标对象的描述信息。在高光谱信息处理任务中,一般都要以目标对象的光谱库为基础,光谱库中存储目标对象的光谱信息,以通过待判别像元的光谱与库中的光谱进行匹配来完成地物分类、解混、目标检测与识别等工作,因此,光谱库在高光谱信息处理中占据着重要地位。但由于受光源、大气环境、传感器等因素影响,地物的光谱常常有较大的改变,简单依靠光谱匹配已经不能满足后续处理的要求。面对地物光谱的多样性与不确定性,如何构建一种适应目标检测与识别任务的光谱特征库,并在该库的基础上,有效地完成检测与识别任务,成为人们关心和研究的热点问题,也是具有高度挑战性的难点问题。
目前,国际上已经建立起了一些光谱数据库,例如JPL、JHU、IGCP-264、ASTER等,这些光谱库中保存地物光谱的反射率文件,可提供数据浏览、数据更新、波谱显示与比较等功能,但其本质还是光谱数据库。而分类与检测任务中,需要在光谱数据上提取特征,如二值编码、光谱角等特征。随着光谱特征研究的不断深入,地物的光谱的描述特征也层出不穷,传统的方式是提取统一的单一特征完成匹配。而实际中,不同目标的有效特征不尽相同,同一特征的提取与匹配方法也不尽相同,这不仅需要通过学习的方式确定最优的特征,而且也需要将光谱数据库扩展为光谱特征库,即将有效描述该类目标的特征及其匹配方法一同加入特征库中,目标检测所需的光谱库,不应仅仅是简单的数据和曲线的集合,同时还应包括针对目标对象所提取的特征,以及利用这种特征的匹配方法。
发明内容
实现为了克服现有光谱库中仅储存光谱数据而对目标对象的光谱描述不全面,不能够很好地解决高光谱分类、检测与识别任务,本发明目的是提出一种高光谱特征处理方法,基于该方法能够构建光谱特征库,在保存目标对象的光谱数据之外,还保存该目标对象的光谱特征及其匹配方法。
本发明的面向对象的高光谱特征处理方法包括步骤:步骤S1:采集样本光谱;步骤S2:光谱特征分类学习:提取输入样本的光谱特征并进行训练,得到训练样本分类结果;步骤S3:根据训练样本分类的结果,选取其中最优的光谱特征组成特征集;步骤S4:将最优光谱特征、特征匹配算法加入到光谱特征库中。
其中,步骤S2进一步包括:步骤S21:对光谱样本集中的光谱样本分别提取m种不同的特征,分成训练样本集与测试样本集;步骤S22:对训练样本集针对不同的特征采用不同的特征匹配算法进行训练;步骤S23:对测试样本集进行分类;步骤S24,针对训练样本集和测试样本集共得到m个分类结果。
其中,步骤S3进一步包括:步骤S31:根据m个分类结果,对m个特征依分类精度由高到低进行排序;步骤S32:选择前k个特征作为选择特征,组成特征集,同时将这k个特征对应的特征匹配算法组成特征算法集。
其中,将光谱特征信息按照对象的类别加入到光谱特征库中。光谱特征信息包括对象描述、光谱特征集和特征匹配算法集。对象描述包括该对象的名称、类别、物理属性。多种对象的光谱特征信息构建成为光谱特征库。
其中步骤S1进一步包括:步骤S11,获取高光谱遥感图像上对象的光谱;步骤S12,从所述光谱中选择样本光谱,得到光谱样本集。
其中,步骤S11进一步包括:如果高光谱遥感图像的空间分辨率低或目标对象较小而导致像元较少时,为了消除直接在高光谱图像上选取带来的误差,则将高光谱遥感图像与高分辨率可见光遥感图像进行配准。
其中,步骤S12进一步包括:选取对象的光谱,获得目标对象的较纯像元进而得到样本光谱,之后判断该样本光谱是否为纯光谱,如果是则加入光谱样本集,如果不是则通过背景样本光谱进行解混,得到较纯光谱样本集。利用本发明的方法能够建立一种包含目标对象的光谱特征与特征匹配算法的高光谱遥感图像光谱特征库,将传统的高光谱遥感图像光谱数据库拓展为光谱特征库,同时,针对高光谱分类、检测与识别任务中,不同对象的特征与匹配算法难以统一的情况,提出了面向对象的特征描述。
附图说明
图1为本发明面向对象的高光谱特征处理方法的流程图。
图2为本发明样本光谱采集流程图。
图3为本发明光谱特征学习流程图。
图4为本发明光谱特征选择流程图。
图5为本发明光谱特征信息组成结构图。
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明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行,也可将方法做成嵌入式芯片以硬件的形式来体现。
本发明的基本原理是利用高分辨率可见光遥感图像与高光谱遥感图像混合像元分解的方法采集高光谱遥感图像中目标对象较纯像元的光谱样本,并对这些样本提取多种特征,之后采用多种特征匹配方法进行特征学习,然后分类测试,并依据分类的结果选择最优的若干特征形成特征集,最后将特征集和匹配算法集一同加入光谱特征库。
图1为本发明面向对象的高光谱特征库构建方法的流程图。
如图1所示,首先在步骤S1采集样本光谱,在高光谱遥感图像上获得目标对象的较纯像元,较纯像元主要是指由多种地物组成的混合像元,其中某种地物占据主导成分,实际中没有真正意义上的纯像元,获取的像元主要是混合像元,因此较纯像元是相对较纯像元,混合地物中某种地物占绝对主导成分可以致其它地物的影响忽略不计,进而能够得到较为纯净的目标对象(目标对象主要指一些感兴趣的目标,如飞机、坦克等移动目标以及机场跑道等建筑物)的光谱样本,也就是进行样本光谱的采集,接着在步骤S2,对这些样本光谱提取不同的特征,相应地采用不同的匹配算法进行训练,然后进行分类测试,再根据分类结果选择特征,选取其中最优的光谱特征组成特征集,最后在步骤S4,将这些特征与对应的特征匹配算法作为该对象的特征描述,加入光谱特征库。
图2为本发明样本光谱采集流程图。本发明中的样本光谱采集是以如下方式实现的,首先在步骤S11,获取高光谱遥感图像上对象的光谱,但有时由于高光谱遥感图像的空间分辨率低或目标对象较小,导致像元较少时,为了消除直接在高光谱图像上选取带来的误差,需要将高光谱遥感图像与高分辨率可见光遥感图像进行配准,然后在步骤S12选取对象的光谱,可采用人工选取的方式获得目标对象的较纯像元进而得到样本光谱,之后判断提取的光谱(一般来说可以采用人工的方式判断,如果目标比较大的话,目标的中间区域光谱为较为纯净光谱,如果目标比较小,目标边缘为混合光谱,需要通过混合像元的方式获得较为纯净像元)是否为纯光谱(与较为纯净光谱同意),如果是则加入光谱样本集,如果不是则执行步骤S13,还需要通过背景样本光谱进行解混,最后得到较纯光谱(与较为纯净像元同意)样本集。
图3为本发明光谱特征学习流程图。本发明中的光谱特征学习是以如下方式实现的,首先对光谱样本集中的光谱样本分别提取m种不同的特征,然后采用随机抽取的方法按一定的比例(如10%)抽出一定数量光谱样本集组成训练样本集,余下的作为测试样本集,接着对训练集分别进行训练,在训练的过程中,每种特征采用不同的且针对该特征的匹配算法,之后采用测试样本集对提取的光谱特征的目标对象类别进行分类,这样得到m个分类结果,例如采用SVM训练特征集,得到分类模型,然后通过测试样本集分类结果判断特征的区分能力。图4为本发明光谱特征选择流程。本发明中的光谱特征选择是以如下方式实现的,首先根据m个分类结果,对m个特征按照分类精度(对同一目标,分类精度高,特征的区分能力越强)由高到低进行排序,然后选择前k个特征作为选择特征,组成特征集,同时将这k个特征对应的特征匹配算法组成特征算法集。
图5为本发明光谱特征信息组成结构示意图。光谱特征信息包括:对象描述,主要是指该对象的材质特性;光谱特征集,光谱特征集指通过特征选择后,选择区分能力强的各种特征组合;以及特征匹配算法集,特征匹配算法是指对象与对象之间,某种特征的比较算法,而特征匹配算法集是指每种特征比较算法的集合。其中对象描述包括该对象的名称、类别、物理属性等信息。光谱特征集与特征匹配算法集则为光谱选择步骤的输出结果。
本发明的光谱信息入库,就是将图5描述的光谱特征信息按照对象的类别加入到光谱特征库中。多种对象的光谱特征信息最终构建成为光谱特征库。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种高光谱特征处理方法,其特征在于,该方法包括步骤:
步骤S1:采集样本光谱,得到光谱样本集;
步骤S2:对输入的样本光谱提取特征并进行训练,得到训练样本分类结果;
步骤S3:根据训练样本分类的结果,选取其中最优的光谱特征组成特征集;
步骤S4:将所述特征集中最优的光谱特征以及所述最优的光谱特征对应的特征匹配算法加入到光谱特征库中;
其中,所述步骤S2进一步包括:
步骤S21:对光谱样本集中的光谱样本分别提取m种不同的特征,并将所述光谱样本集随机分成训练样本集与测试样本集;
步骤S22:对训练样本集针对不同的特征采用不同的特征匹配算法进行训练;
步骤S23:对测试样本集进行分类;
步骤S24,针对训练样本集和测试样本集共得到m个分类结果;所述步骤S3进一步包括:
步骤S31:根据m个分类结果,对m个特征依分类精度由高到低进行排序;
步骤S32:选择前k个特征作为选择的最优的光谱特征,组成特征集,同时将这k个最优的光谱特征对应的特征匹配算法组成特征算法集。
2.如权利要求1所述的方法,其特征在于,步骤S1进一步包括:
步骤S11,获取高光谱遥感图像上对象的光谱;
步骤S12,从所述光谱中选择样本光谱,得到光谱样本集。
3.如权利要求2所述的方法,其特征在于,步骤S11进一步包括:如果高光谱遥感图像的空间分辨率低或目标对象较小而导致像元较少时,为了消除直接在高光谱图像上选取带来的误差,则将高光谱遥感图像与高分辨率可见光遥感图像进行配准。
4.如权利要求2所述的方法,其特征在于,步骤S12进一步包括:选取对象的光谱,获得目标对象的像元进而得到样本光谱,之后判断该样本光谱是否为纯光谱,如果是则加入光谱样本集,如果不是则通过背景样本光谱进行解混,得到光谱样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210398887.5A CN102930293B (zh) | 2012-10-19 | 2012-10-19 | 一种面向对象的高光谱特征处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210398887.5A CN102930293B (zh) | 2012-10-19 | 2012-10-19 | 一种面向对象的高光谱特征处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930293A CN102930293A (zh) | 2013-02-13 |
CN102930293B true CN102930293B (zh) | 2015-07-15 |
Family
ID=47645090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210398887.5A Active CN102930293B (zh) | 2012-10-19 | 2012-10-19 | 一种面向对象的高光谱特征处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930293B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103442225B (zh) * | 2013-07-26 | 2016-05-25 | 清华大学 | 基于数据库在线学习更新的有限速率下遥感图像传输系统 |
CN110399929B (zh) | 2017-11-01 | 2023-04-28 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置以及计算机可读存储介质 |
CN109708754A (zh) * | 2018-11-11 | 2019-05-03 | 上海卫星工程研究所 | 针对点目标的高光谱探测系统及方法 |
CN113902717B (zh) * | 2021-10-13 | 2022-04-26 | 自然资源部国土卫星遥感应用中心 | 一种基于光谱库的星载高光谱农田裸土目标识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788664A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 面向土地退化响应单元的高光谱土地退化信息提取方法 |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7263213B2 (en) * | 2003-12-11 | 2007-08-28 | Lumidigm, Inc. | Methods and systems for estimation of personal characteristics from biometric measurements |
-
2012
- 2012-10-19 CN CN201210398887.5A patent/CN102930293B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788664A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 面向土地退化响应单元的高光谱土地退化信息提取方法 |
CN101930547A (zh) * | 2010-06-24 | 2010-12-29 | 北京师范大学 | 一种基于面向对象的无监督分类的遥感影像自动分类方法 |
CN102012528A (zh) * | 2010-11-23 | 2011-04-13 | 北京理工大学 | 一种稀疏植被地区的高光谱遥感油气勘探方法 |
CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102930293A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800671B (zh) | 面向目标解译的多源遥感信息知识图谱构建方法和系统 | |
Cazzato et al. | A survey of computer vision methods for 2d object detection from unmanned aerial vehicles | |
CN102930293B (zh) | 一种面向对象的高光谱特征处理方法 | |
CN113221625B (zh) | 一种利用深度学习的局部特征对齐行人重识别方法 | |
Ye et al. | Real-time object detection network in UAV-vision based on CNN and transformer | |
CN111507296A (zh) | 基于无人机遥感与深度学习的违章建筑智能化提取方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
Arun et al. | Effective and efficient multi-crop pest detection based on deep learning object detection models | |
Jiang et al. | A novel framework for remote sensing image scene classification | |
CN104820711A (zh) | 复杂场景下对人形目标的视频检索方法 | |
Onim et al. | Traffic surveillance using vehicle license plate detection and recognition in bangladesh | |
Ji et al. | Validation of global airport spatial locations from open databases using deep learning for runway detection | |
Chen et al. | Research and implementation of robot path planning based on computer image recognition technology | |
Zhang et al. | A review on the construction of business intelligence system based on unstructured image data | |
Cheng et al. | OpenMPR: Recognize places using multimodal data for people with visual impairments | |
CN112509009A (zh) | 一种基于自然语言信息辅助的目标追踪方法 | |
Kerdegari et al. | Urban scene segmentation using semi-supervised GAN | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
Khekare et al. | Real time object detection with speech recognition using tensorflow lite | |
Ma et al. | LA-YOLO: an effective detection model for multi-UAV under low altitude background | |
Liang et al. | Cross-layer triple-branch parallel fusion network for small object detection in uav images | |
Guefrachi et al. | Leveraging 3D LiDAR Sensors to Enable Enhanced Urban Safety and Public Health: Pedestrian Monitoring and Abnormal Activity Detection | |
Singh et al. | A review on AI techniques applied on tree detection in UAV and remotely sensed imagery | |
Gao et al. | Research on multitask model of object detection and road segmentation in unstructured road scenes | |
Sakaguchi et al. | Convolutional neural network based sensor fusion for forward looking ground penetrating radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |