CN103500343A - 基于mnf变换结合扩展属性滤波的高光谱影像分类方法 - Google Patents

Abstract

本发明公开一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，包括：步骤1，对高光谱遥感影像进行最小噪声分离变换；步骤2，选择MNF分量数目，并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目；步骤3，对每一个MNF分量执行扩展属性滤波剖面；步骤4，将每一个MNF分量的影像属性开剖面、属性闭剖面及分量本身堆叠成起来，然后采用K型-SVM进行分类，得到最终的高光谱分类图像。该方法通过MNF在降噪的同时，能够有效地降低高光谱数据的维数。在此基础上，将降维后的光谱信息和EAP滤波所得的纹理信息组合，再利用K-type SVM降低计算代价同时又和RBF核具有相似的性能的特点，从而提高了高光谱遥感影像的分类精度。

Description

基于MNF变换结合扩展属性滤波的高光谱影像分类方法

技术领域

本发明涉及一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，属于遥感影像处理技术领域。

背景技术

高光谱图像可将反映目标的光谱信息与反映目标空间和几何关系的图像信息有机地结合在一起，目前在国民经济的各个领域都得到了广泛的应用。

目前常用的高光谱图像分类算法可分为监督和非监督算法。传统的监督分类方法包括光谱角填图法、平行六面体方法、最大似然法、最小距离法、马氏距离法；传统的非监督分类方法包括IsoData方法、K-Means方法等。除了以上传统方法，还有新的分类方法，如神经网络、决策树、SVM和专家系统等。

传统的高光谱图像的分类主要是基于光谱信息，而很少考虑空间信息。另外，随着成像技术的发展，获取的高光谱图像具有越来越高的空间分辨率，从图像的空域信息中可以提取出对分类处理有帮助的信息。将空域信息引入到高光谱分类并综合运用谱域特征有助于在应用中提升分类器的性能。普遍使用的融合空间信息及光谱信息的高光谱图像的分类方法包括马尔可夫随机场、形态学指针和形态学滤波。然而这些方法使用固定的窗口得到空间信息，导致了尺寸比例的选择问题。另一个分类方法是将空间信息集成到多核学习方法中，该方法也存在尺寸比例的选择问题，同时该方法的计算成本非常高。再有一种融合空间信息的方法是将逐像素的分类结果和划分聚类(Partitional Clustering)得到的分割的结果融合起来，但这种方法的结果是不稳健的。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法。该方法通过MNF在降噪的同时，能够有效地降低高光谱数据的维数。在此基础上，将降维后的光谱信息和EAP滤波所得的纹理信息组合，再利用K-type SVM降低计算代价同时又和RBF核具有相似的性能的特点，从而提高了高光谱遥感影像的分类精度。

技术方案：一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，包括下述步骤：

步骤1，对高光谱遥感影像进行最小噪声分离（Minimum Noise Fraction，MNF）变换。

步骤2，选择MNF分量数目，并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目。

步骤3，对每一个MNF分量执行扩展属性滤波剖面（Extended AttributeProfile，EAP）。

EAP＝{AP(MNF₁),AP(MNF₂),...,AP(MNF_c)}，其中c是保留的MNF分量数目。

步骤4将MNF分量及其扩展属性滤波剖面堆叠组合，然后采用K型-SVM进行分类，得到最终的高光谱分类图像。

有益效果：与现有技术相比，本发明提供的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，具有如下优点：

（1）采用EAP提取高光谱图像的纹理特征，其滤波窗口尺寸的选择不是固定的，而是自适应变化的。

（2）K型-SVM中K型核函数避免了RBF核函数复杂的指数运算，同时具有多项式核函数计算量小和RBF核函数逼近精度高与泛化能力强的优点。

（3）分类过程中融合了光谱特征和纹理特征两类特征，高光谱分类的精度进一步提高。

附图说明

图1为本发明实施例的方法流程图；

图2(a)为本发明实施例采用的ROSIS高光谱图像三个波段合成的示意图，(b)为ROSIS高光谱图像训练区图像；(c)为ROSIS高光谱图像测试图像；

图3为本发明实施例中ROSIS高光谱图像MNF变换前22个分量所对应的特征值示意图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，具体实施步骤如下：

步骤1，对高光谱遥感影像进行最小噪声分离变换。

步骤1.1设高光谱图像X有p个波段，X＝[x₁,x₂,...,x_p]^T，MNF变换是一种线性变换：

$Z_i=a_i^{T}X,i=\mathrm{1,2},...,p$

Z_i的噪声比例在所有正交于Z_j(j＝1,2,...,i)的成分中最大，a_i为矩阵Σ^-1Σ_N的特征向量，Σ和Σ_N分别为X及其所包含的噪声的协方差矩阵。

步骤2，选择MNF分量数目，并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目。

步骤2.1对矩阵Σ^-1Σ_N的特征值设定阈值t₁，同时设定两个相邻的特征值差的阈值t₂，特征值大于t₁，且相邻特征值差大于t₂时，选择的MNF变换分量个数为保留的MNF分量。

步骤3，对每一个MNF分量执行扩展属性滤波剖面。

EAP＝{AP(MNF₁),AP(MNF₂),...,AP(MNF_c)}，其中c是保留的MNF分量数目。

步骤3.1对每一个MNF变换分量图像MNF_j(j＝1,2,...,N)，设其灰度级为L+1，其层级定义为X_l(MNF_j)＝{p∈MNF_j|MNF_j(p)≥l}，对图像MNF_j在每一灰度级上进行二值化，得到一系列二值图像X_l(MNF_j)。

步骤3.2对每一个二值图像，其属性开变换定义为：

${\mathrm{\Γ}}_T\left[X\right]=\left\{\begin{array}{cc}X,& T\left(X\right)>\mathrm{\λ}\\ \mathrm{\φ},& T\left(X\right)\≤\mathrm{\λ}\end{array}\right.$

${\mathrm{\Γ}}^T\left(I\right)=\underset{x\∈I}{\mathrm{\∪}}{\mathrm{\Γ}}_T\left[{\mathrm{\Γ}}_x\left(I\right)\right]$

每一个MNF变换分量图像MNF_j的属性开变换为：

(γ^T(MNF_j))(p)＝max{k:p∈Γ^T[X_l(MNF_j)]}

步骤3.3每一个MNF变换分量图像MNF_j的属性闭变换为：

其中Ψ^T(I)＝(Γ^T(I^c))^c为二值图像的属性闭变换。

步骤3.4对于MNFj上的每一个像素点p，根据不同的属性门限T_λ做属性开变换和属性闭变换，就得到了p点处的属性开剖面Π((γ^T(MNF_j))(p))和属性闭剖面

$\mathrm{\Π}\left(\left({\mathrm{\γ}}^T\left({\mathrm{MNF}}_j\right)\right)\left(p\right)\right)=\{{{\mathrm{\Π}}_{\mathrm{\γ}}}^{T_{\mathrm{\λ}}}:{{\mathrm{\Π}}_{\mathrm{\γ}}}^{T_{\mathrm{\λ}}}=\left({\mathrm{\γ}}^{T_{\mathrm{\λ}}}\left(\mathrm{MN}{F}_j\right)\right)\left(p\right)\},\∀\mathrm{\λ}\∈[\mathrm{0,1},...,n]$

步骤4，将每一个MNF分量的影像属性开剖面、属性闭剖面及分量本身堆叠成起来，然后采用K型-SVM进行分类，得到最终的高光谱分类图像。

步骤4.1训练K型-SVM，获取相应的分类模型。

K型-SVM中的K型核函数定义如下：

$K(x_i,x_j)=\underset{t=1}{\overset{n}{\mathrm{\Π}}}\frac{1}{1+k^2{(x_i^t-x_j^t)}^2}$

其中k＞0反映了K型核函数的宽度。

训练过程中，参数k及惩罚系数C的优化值通过5-叠交叉验证获取，搜索方法采用基于网格的方法。

步骤4.2用训练好的K-型SVM对高光谱影像进行分类。

本发明的效果可通过以下实验结果与分析进一步说明：

本发明的实验数据为ROSIS高光谱数据（如图2所示），位于意大利的Pavia大学校区，图像大小为610×340，光谱范围是从0.43到0.86μm，总共有115个波段。由于有些波段受噪声影响，因此去除了12个波段，还剩下103个光谱波段。该幅高光谱影像包括的地物种类有：树、沥青、柏油路、碎石路、金属片、阴影、砖块、草坪、土壤。

在遥感软件ENVI4.8下，执行MNF前向变换，前22个分量的特征值如图3所示。选择波段特征值大于1.9，相邻波段特征值间的差大于0.19的约束条件，共选择前9个MNF分量。

采用基于面积属性的扩展分形属性滤波来提取高光谱影像的纹理信息，属性开操作和属性闭操作的门限值选择为：T^λ＝[100 500 1000 5000]。对每一个MNF分量，其属性剖面共有4个属性开操作的影像、4个属性闭操作的影像，对于9个MNF分量共有72个属性开操作图像和72个属性闭操作图像。将9个MNF分量和所对应的所有属性剖面影像一起输入K-型SVM进行分类。

为了更进一步验证本发明的有效性，将本发明分类方法与仅利用光谱信息结合SVM的分类方法（spec）、先进行PCA变换再结合扩展分形滤波的分类方法（EMP-PCA）进行了对比。分类性能用平均分类精度和Kappa系数两个指标来衡量。平均分类精度和Kappa系数这两个指标越接近于1，表明分类器的性能越好。分类结果如表1所示。由表1可见，本发明所提的分类方法性能优于其他两种分类方法，这表明本发明所提的分类方法是有效的。

表1

分类方法	spec	EMP-PCA	本发明方法
				平均分类精度	87.10%	82.50%	93.68%
Kappa系数	0.73	0.71	0.90

Claims (5)

1.一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，其特征在于，包括：

步骤1，对高光谱遥感影像进行最小噪声分离变换；

步骤2，选择MNF分量数目，并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目；

步骤3，对每一个MNF分量执行扩展属性滤波剖面；

步骤4，将每一个MNF分量的影像属性开剖面、属性闭剖面及分量本身堆叠成起来，然后采用K型-SVM进行分类，得到最终的高光谱分类图像。

2.如权利要求1所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，其特征在于：

设高光谱图像X有p个波段，X＝[x₁,x₂,...,x_p]^T，MNF变换是一种线性变换：

$Z_i=a_i^{T}X,i=\mathrm{1,2},...,p$

Z_i的噪声比例在所有正交于Z_j(j＝1,2,...,i)的成分中最大，a_i为矩阵Σ^-1Σ_N的特征向量，Σ和Σ_N分别为X及其所包含的噪声的协方差矩阵。

3.如权利要求2所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，其特征在于：步骤2中，对矩阵Σ^-1Σ_N的特征值设定阈值t₁，同时设定两个相邻的特征值差的阈值t₂，特征值大于t₁，且相邻特征值差大于t₂时，选择的MNF变换分量个数为保留的MNF分量。

4.如权利要求3所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，其特征在于，步骤3具体为以下步骤：

步骤3.1对每一个MNF变换分量图像MNF_j(_j＝1,2,...,N)，设其灰度级为L+1，其层级定义为X_l(MNF_j)＝{p∈MNF_j|MNF_j(p)≥l}，对图像MNF_j在每一灰度级上进行二值化，得到一系列二值图像X_l(MNF_j)；

步骤3.2对每一个二值图像，其属性开变换定义为：

${\mathrm{\Γ}}_T\left[X\right]=\left\{\begin{array}{cc}X,& T\left(X\right)>\mathrm{\λ}\\ \mathrm{\φ},& T\left(X\right)\≤\mathrm{\λ}\end{array}\right.$

${\mathrm{\Γ}}^T\left(I\right)=\underset{x\∈I}{\mathrm{\∪}}{\mathrm{\Γ}}_T\left[{\mathrm{\Γ}}_x\left(I\right)\right]$

每一个MNF变换分量图像MNF_j的属性开变换为：

(γ^T(MNF_j))(p)＝max{k:p∈Γ^T[X_l(MNF_j)]}

步骤3.3每一个MNF变换分量图像MNF_j的属性闭变换为：

其中Ψ^T(I)＝(Γ^T(I^c))^c为二值图像的属性闭变换；

步骤3.4对于MNFj上的每一个像素点p，根据不同的属性门限T_λ做属性开变换和属性闭变换，就得到了p点处的属性开剖面Π((γ^T(MNF_j))(p))和属性闭剖面

$\mathrm{\Π}\left(\left({\mathrm{\γ}}^T\left({\mathrm{MNF}}_j\right)\right)\left(p\right)\right)=\{{{\mathrm{\Π}}_{\mathrm{\γ}}}^{T_{\mathrm{\λ}}}:{{\mathrm{\Π}}_{\mathrm{\γ}}}^{T_{\mathrm{\λ}}}=\left({\mathrm{\γ}}^{T_{\mathrm{\λ}}}\left(\mathrm{MN}{F}_j\right)\right)\left(p\right)\},\∀\mathrm{\λ}\∈[\mathrm{0,1},...,n]$

5.如权利要求4所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法，其特征在于，K型-SVM中的K型核函数定义如下：

$K(x_i,x_j)=\underset{t=1}{\overset{n}{\mathrm{\Π}}}\frac{1}{1+k^2{(x_i^t-x_j^t)}^2}$

其中k＞0反映了K型核函数的宽度；训练过程中，参数k及惩罚系数C的优化值通过5-叠交叉验证获取，搜索方法采用基于网格的方法；用训练好的K-型SVM对高光谱影像进行分类。

Images