CN104820840B - 基于字典和波段重组的最近邻高光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于字典和波段重组的最近邻高光谱图像分类方法，实现步骤有：用高光谱图像的空间信息，对每一像素点进行L‑邻域均值化处理；按每波段像素点均值大小波段重组并n‑等分为子波段；随机抽取部分像素构成字典，其它像素构成测试样本集合，按子波段将字典与测试样本集合分割为n个子字典与子测试样本集合并对照相应的子字典作最近邻判别，得n幅初始分类图；进行n‑KNN判别，得最终结果图。本发明解决了分类精度不高，分类效果不好及普通空‑谱结合法时间复杂度高，空‑谱信息结合不紧密的问题，引入波段重组与分割，进行多波段多字典判别，利用空‑谱结合的方法进行分类，在较短时间内，获得了较高精度的分类图。精度高，时间复杂度低。

Description

基于字典和波段重组的最近邻高光谱图像分类方法

技术领域

本发明属于光谱数据分类技术领域，主要涉及高光谱遥感数据分类，具体是一种基于字典和波段重组的空-谱结合的最近邻高光谱图像快速分类方法。可用于地图制图、海洋遥感、植被调查、大气研究、农业遥感、环境监测等领域。

背景技术

高光谱遥感技术自从20世纪80年代以来，得到了快速发展。高光谱以其丰富的波段信息记录了地物目标的连续光谱特征，具备了能够进行更多种类地物目标识别和更高精度地进行目标分类的可能性。但是，高光谱图像较高的光谱维数和光谱分辨率为地物分类带来巨大机遇的同时，也带来了急剧膨胀的数据量。这样不但给数据的存储和传输带来巨大的困难，同时也加剧了数据处理过程的复杂性，降低了数据处理的效率，其过多冗余特征的存在也严重影响了传统高光谱分类方法精度的提高。

高光谱图像的信息主要包含在光谱特征与空间特征中，因此高光谱分类的方法也就分为两大类：基于光谱特征的分类方法和基于地物空间特征的分类方法。早期的高光谱分类方法分别从以上两个方面对高光谱图像进行分类，如经典的支撑矢量机(SupportVector Machine，SVM)，是属于光谱特征的分类方法。而基于地物空间特征的分类方法有K-均值聚类(Kmeans)，模糊c-均值聚类(Fuzzy C-means，FCM)等。但是受到分类方法本身的局限性，这些传统的分类方法的性能在原有基础上很难进一步提高。因此，出现了空间信息-光谱信息结合，简称空-谱结合的分类思路，是将空间信息和光谱信息作为互补，有效地提高了分类的精度。空-谱结合的分类方法主要有两种思路：一是先提取空间特征，然后将其与光谱特征相结合进行高光谱图像分类；二是采用光谱信息进行高光谱图像分类，然后利用空间邻域信息继续对分类结果进行修正。

在诸多高光谱分类方法中，稀疏表示作为近几年机器视觉研究的热点，也被成功应用于高光谱图像分类中，并表现出良好的性能。Yi Chen等人于2011年提出的SOMP算法，成功将稀疏表示与空间信息相结合，提出了基于稀疏表示的高光谱图像空谱域分类方法，Jiayi Li等人于2014年提出的NJCRC-LAD算法，则利用了块分组的思想，将空间区域相关性大的像素划在一个像素块中，也得到了很好的分类效果。但是以上分类方法复杂度均较高，并且直接对初始图像进行分类处理，忽视了初始图像像素点光谱信息之间的联系。在当前主流的稀疏表示分类方法中，普遍使用了稀疏表示分类器(Sparse Representationsclassifier，SRC)，但是SRC的时间复杂度较高。而在高光谱初始图像中，存在一定数量被噪声污染的像素，在未进行预处理的情况下，这些像素对分类精度具有很强的破坏性，并且，当前主流的高光谱图像稀疏表示分类方法均采用高光谱图像的整体波段进行字典构造，但是不同的地物目标在不同的波段中反映出的特性不同，如果采用整体波段进行字典构造，就没有利用到不同地物目标在不同波段中的特性不同这一特征。

发明内容

本发明的目的是为了解决目前单一分类器对高光谱图像分类精度不高，分类效果不好；而普通空-谱结合方法时间复杂度较高，空-谱信息结合不紧密的技术问题而提出的一种低时间复杂度、高精度的基于字典和波段重组的最近邻高光谱图像分类方法，具体包含有如下步骤：

步骤1读取高光谱遥感数据图像。

步骤2利用高光谱图像的空间邻域信息，对高光谱图像的每一个像素点取其L个最近邻的像素点，进行L-邻域均值化处理，从而得到预处理后的高光谱图像。

步骤3将预处理后的高光谱图像按照每一波段像素点均值的大小，进行波段重新排列，并按照重新排列后的波段对整体波段进行平均n-分割，形成n个子波段。

步骤4随机抽取一部分像素点作为训练样本以构成字典，另一部分像素点构成测试样本集合，并按照平均n-分割后的子波段构成n个子字典和n个子测试样本集合。

步骤5对n个子测试样本集合分别对照相应的子字典进行最近邻法(NearestNeighborhood，NN)判别，得到n幅初始分类图。

步骤6对n幅初始分类图，对于每幅图像中相同位置的单个像素点，分别都取其K个最近邻像素点，综合起来进行K近邻(K Nearest Neighborhood，KNN)判别，我们将其命名为n-KNN(n-K nearest neighborhood)判别。从而得到最后的结果图。

本发明在较低的时间复杂度的情况下，在利用光谱信息进行分类之前，首先利用其空间信息对光谱信息进行预处理，有效地增加了光谱信息的准确度，并在随后的分类过程中继续利用空间信息对分类结果进行修正，从而增加了图像的分类精度。

本发明的实现还在于：在步骤2中，对高光谱图像中每一个像素点进行L-邻域均值化处理，具体是：

设高光谱图像共有N个波段，高光谱图像中某一像素点为x_i＝{x_i,1,...,x_i,N}，以x_i为中心，取与它相邻的L个邻域像素点{x₁,...,x_L}，其中x₁＝{x_1,1,...,x_1,N}∈R^N，R^N为N维特征空间，x₂＝{x_2,1,...,x_2,N}∈R^N，以此类推，对所有的L+1个像素点{x_i,x₁,...,x_L}做L-均值化处理，令

将x′_i代替x_i作为待分类的像素点。

该步骤在进行高光谱图像分类之前，首先将高光谱图像进行均值化预处理，从而有效地抑制了噪声对分类精度的影响，增加了图像的一致性，对后续分类提供了更有价值的像素点信息。

本发明的实现还在于：在步骤3中，第i波段的高光谱图像中共有m个像素点{x_i,1,...,x_i,m}，令

对所有波段都进行上述均值处理，得到{x₁,...,x_N}，对{x₁,...,x_N}进行从小到大重组，得到高光谱图像均值序列，接下来按照这个序列对高光谱波段进行重新排列，并且将整体光谱段做n-平均分割，形成n个子光谱段。

该步骤通过对高光谱图像的波段进行重组并分割，使不同类别的地物目标之间的光谱信息距离加大，从而有效地提升分类精度。

本发明的实现还在于：在步骤6中，将n幅分类结果图进行n-KNN判别，取单个待分类像素点的邻域，需要判别的点为x，其在第一幅初始分类图中位置相对应的点标记为x₁，在第二幅初始分类图中位置相对应的点标记为x₂，以此类推。在第一幅初始分类图中，x₁的邻域内其余像素点分别记为{x_1,1,x_1,2,...,x_1,K}，以此类推，假设划定邻域内的像素点共有C类分类结果，令

通过公式

判别x所属的类别。

该步骤将多个子分类的结果进行综合判别，增大了有效分类像素点的数量与所占的比重，从而提高了分类精度。

本发明与现有技术相比具有以下优点：

1.在进行高光谱图像处理前，先对高光谱图像进行L-邻域均值化处理，增加了波段之间的相关系数。波段之间的相关系数增加，增加了图像像素的一致性，并且能够降低噪声对高光谱数据的影响，为后续分类工作提供误差更小的数据。

2.对波段进行重组并进行分组，重组与分组后的不同类别地物之间光谱信息间距加大，增加了不同类别地物的区分度，并且增加了分类精度高的像素点的数量和所占的比重，从而提高了总体的分类精度。

3.在多个子分类结果的基础上，进行n-KNN判别，实现了空-谱结合的分类手段，并且增加了有效分类的像素点的个数和所占比重，分类效果好，且时间复杂度较低。

附图说明

图1是本发明的实现图像分类的流程图；

图2是本发明L-邻域均值化处理前的波段图与相关系数图、处理后的波段图与相关系数图；

图3是本发明波段重组前的波段图和波段重组后的波段图；

图4是本发明对n-KNN判别方法示意图；

图5是本发明与SVM，SP，OMP，SOMP，NJCRC-LAD方法的分类效果图；

图6是本发明采用部分步骤与本发明完整步骤对图像分类效果的比较图。

具体实施方式

下面结合附图与实验用具体高光谱数据，对本发明中的技术方案进行详细说明。

随着遥感设备在二十世纪八十年代以来不断的发展，光谱遥感技术也得到了长足性的发展。光谱遥感技术从最初的多光谱遥感延伸到了高光谱遥感，所获得的图像分辨率更高，波段数更多，已经应用到矿物探测、农业监视、森林防火、城市变迁、灾后重建等诸多领域。但是，随着获得的高光谱遥感图像分辨率与波段数的增加，也给现有的高光谱图像分类技术带来巨大的挑战。怎样实现高精度、低时间复杂度的高光谱图像分类，成为了高光谱图像分类领域面临的巨大挑战。本发明就是在此领域内做出的一种高精度、低时间复杂度的高光谱图像分类方法。

实施例1

本发明是一种基于字典和波段重组的空-谱结合的最近邻高光谱图像快速分类方法，参见图1，包括有以下步骤：

步骤1读取高光谱遥感数据图像，高光谱遥感数据图像简称高光谱图像。

步骤2对读取的高光谱图像首先进行预处理，利用该高光谱图像的空间邻域信息，对高光谱图像的每一个像素点取其L个最近邻的像素点，进行L-邻域均值化处理，得到预处理后的高光谱图像。在高光谱初始图像中，存在一定数量被噪声污染的像素，在未进行预处理的情况下，这些像素对分类精度具有很强的破坏性，因此在进行分类之前，本发明利用高光谱图像的空间信息，对噪声像素点进行了处理。

步骤3波段重组，将预处理后的高光谱图像按照每一波段全部像素点均值的大小，进行波段重新排列，在重组之后，按照重新排列后的波段对整体波段按照波段数进行平均n-分割，构成n个子波段。不同的地物目标在不同的波段中反映出的特性不同，如果采用整体波段进行字典构造，就没有利用到不同地物目标在不同波段中的特性不同这一特征。因此，本发明对波段进行分组，从而提取出更详细的地物光谱特性。

步骤4构成字典与测试样本集合，随机抽取预处理后的高光谱图像中的一部分像素点作为训练样本以构成字典，另一部分像素点构成测试样本集合，并按照分割后的子波段构成n个子字典与n个子测试样本集合。

步骤5最近邻判别，对n个子测试样本集合分别对照相应的子字典进行最近邻法(Nearest Neighborhood，NN)判别，得到n幅高光谱图像的初始分类图。

步骤6使用n-KNN判别法获得最终分类结果，对n幅初始分类图，对于每幅图像中相同位置的单个像素点，分别都取其K个最近邻像素点，总共n×K个像素点综合起来进行K近邻(K Nearest Neighborhood，KNN)判别，将其命名为n-KNN(n-K nearest neighborhood)判别，得到高光谱图像最后的分类结果图。

本发明在进行高光谱图像处理前，先对高光谱图像进行L-邻域均值化处理，增加了波段之间的相关系数。波段之间的相关系数增加，增加了图像像素的一致性，并且能够降低噪声对高光谱数据的影响，为后续分类工作提供误差更小的数据。

实施例2

基于字典和波段重组的空-谱结合的最近邻高光谱图像快速分类方法同实施例1，步骤2中，对高光谱图像中每一个像素点进行L-邻域均值化处理，本发明中使用到的高光谱数据为AVIRIS数据集中的Indian Pines高光谱图像，共含有200个波段，具体是：

设高光谱图像共有N个波段，在本发明所作的实验中，N＝200。高光谱图像中某一像素点为x_i＝{x_i,1,...,x_i,N}，以x_i为中心，取与它相邻的L个邻域像素点{x₁,...,x_L}，在本发明所作的实验中，L＝24。其中x₁＝{x_1,1,...,x_1,N}∈R^N，R^N为N维特征空间，x₂＝{x_2,1,...,x_2,N}∈R^N，以此类推，对以x_i为中心的5×5邻域内所有的L+1＝25个像素点做24-均值化处理，令

将x′_i代替x_i作为待分类的像素点。参见图2，图2(a)为为L-邻域均值化处理前的波段图，其中横坐标为波段数，纵坐标为像素点在某一波段处的光谱信息值。图2(c)为L-邻域处理后的波段图，由图2(a)与图2(c)进行对比，经过L-均值化处理后，同一类的像素点明显地向中心收缩，像素点光谱曲线更为平滑，受到噪声影响导致的边缘毛刺现象得到抑制，从而使那些易错分点得到补正。同时，图2(b)为L-邻域处理前的相关系数图，图2(d)为L-邻域处理后的相关系数图，由图2(b)与图2(d)进行对比，由相关系数矩阵可以看出，波段之间的相关系数增加，增加了同一类别地物中像素的一致性，为后续正确的分类打下良好的基础。

实施例3

基于字典和波段重组的最近邻高光谱图像分类方法同实施例1-2，步骤3中，第i波段(i∈[1,200])的高光谱图像中有m个像素点{x_i,1,...,x_i,m}，令

对所有波段都进行上述均值处理，得到{x₁,...,x_N},N＝200，对{x₁,...,x_N}进行从小到大排序，得到高光谱图像均值序列，接下来按照这个序列对高光谱波段进行重新排列，并对重组后的N个波段按照顺序进行n等分，构成n个子波段。在本发明中，对Indian图像进行3等分，即n＝3。第一子波段为波段重组后的第1～66波段，第二子波段为第67～133波段，第三子波段为第134～200波段。

在步骤5中，令子字典D＝[x₁,x₂,...,x_d]在维特征空间内，并且其类别标签为ω_i∈{1,2,...,C}。C为类别数。设d为字典中原子的数目，d_l作为第l类别中原子的数目，

通常使用欧氏距离，这样字典原子x_i与测试样本y之间的距离就可以表示为

r(x_i,y)为x_i与y之间的欧氏距离。接下来判断与y距离最小的字典原子x_i属于字典中哪一类，就将样本y归于哪一类，

由于NN算法是计算字典原子和测试样本之间的欧氏距离，因此NN算法的时间复杂度和字典原子与测试样本的维数有很大关系，维数越高，NN算法所占用的时间就越长，在本发明中，虽然需要进行n次NN算法，但是由于每一次进行NN算法时，字典原子和测试样本的维数仅为原本的1/n，因此与不采用波段分割时NN算法在时间复杂度上相差不大。

参见图3，图3(a)为同一类别像素点光谱信息波段排序前的波段图，图3(b)为同一类别像素点光谱信息波段排序后的波段图，由图3(a)与图3(b)进行对比，可以看出排序后，地物的光谱信息变平滑，不同类别地物之间光谱信息间距加大。图3(c)为不同类别像素点光谱信息波段排序前的波段图，图3(d)为不同类别像素点光谱信息波段排序后的波段图，由图3(c)与图3(d)进行对比，减少了不同类别地物像素点在同一光谱位置的交叉点、相同值点，增加了不同类别地物的区分度，为后续的n等分波段时，将具有类似光谱信息值的数据分在一类，使其分类精度增加打下基础。

实施例4

基于字典和波段重组的最近邻高光谱图像分类方法同实施例1-3，步骤6中，将n幅分类结果图进行n-KNN判别，见图4，图4为n-KNN判别方法示意图。取单个待分类像素点的邻域。在本发明中，K＝48，因此取单个待分类像素点的9×9邻域，共48个邻域像素点。需要判别的点为x，其在第一幅初始分类图中位置相对应的点标记为x₁，在第二幅初始分类图中位置相对应的点标记为x₂，以此类推。在第一幅初始分类图中，x₁的9×9邻域内其余像素点分别记为{x_1,1,x_1,2,...,x_1,48}，以此类推，假设划定邻域内的像素点共有C类分类结果，令

通过公式

判别x所属的类别。

本发明首先采用L-均值化处理对高光谱图像进行预处理，为后续分类打好基础，接下来进行波段重组，地物光谱信息变平滑，并且结合光谱分组，将整体光谱分为n段子光谱段，使得子光谱段内不同像素点之间的光谱值差异增加，增加了分类精度的同时，为后续n-KNN判别提供更多的样本，最终提高了整体的分类精度。

最终结果，参见图5，图5为本发明与对比方法在地物类别分类精度方面的对比图。其中图5(a)为实际地物类别分类图，图5(g)为本发明分类效果图，较图5(b)是用SVM进行分类的效果图，图5(c)使用SP进行分类的效果图，图5(d)使用OMP进行分类的效果图，图5(e)使用SOMP进行分类的效果图，图5(f)使用NJCRC-LAD进行分类的效果图，用图5(g)与上述效果图进行对比，图5(b)，图5(c)与图5(d)中，均存在大量的离散误分点，在图5(e)和图5(f)中，存在区域性误分，相对而言，本发明的图像分类效果最好，同时本方法时间复杂度较低。

实施例5

基于字典和波段重组的最近邻高光谱图像分类方法同实施例1-4，下面将本发明整体执行完一次分类流程的全过程叙述如下：

1.读取高光谱遥感数据。

本发明中使用到的高光谱数据为AVIRIS数据集中的Indian Pines高光谱图像，共含有200个波段。

2.对高光谱图像中每一个像素点进行L-邻域均值化处理。

设高光谱图像中某一像素点为x_i＝{x_i,1,...,x_i,N},N＝200。以x_i为中心，取x_i的L-邻域中的像素点{x₁,...,x_L}，其中x₁＝{x_1,1,...,x_1,N}∈R^N，x₂＝{x_2,1,...,x_2,N}∈R^N，以此类推。对这里的共计L+1个像素点{x_i,x₁,...,x_L}做L-均值化处理，令

将x′_i代替x_i作为待分类的像素点。

由图2可以看出，经过L-均值化处理后，同一类的像素点明显地向中心收缩，像素点光谱曲线更为平滑，受到噪声影响导致的边缘毛刺现象得到抑制，从而使那些易错分点得到补正。同时，由相关系数矩阵可以看出，波段之间的相关系数增加，增加了图像像素的一致性，为后续正确的分类打下良好的基础。

3.设第i波段图像中包含m个像素点{x_1,1,...,x_1,m}，令再将X₁～X₂₀₀进行重新排序，，将相应的波段也进行相同的排序。由图3可以看出，排序后，地物的光谱信息变平滑，不同类别地物之间光谱信息间距加大，增加了不同类别地物的区分度，而后续的将重组后的波段进行n-等分，使得具有类似光谱信息值的数据分在一类，为后续的分类精度的增加打下基础，在本发明中，对Indian图像进行3等分，即n＝3。第一子波段为1～66波段，第二子波段为67～133波段，第三子波段为134～200波段。

由于高光谱不同的地物在不同的波段具有不同的分辨率，因此采取子波段分别进行分类，这样在每一个子波段内，都会有一部分类别的地物分类效果较好。这样在最后的统计中，这一部分分类效果较好的地物的正确分类的类标数目将会占据较大比重，从而提高分类精度。

4.随机在每一类中取10％的像素点作为训练样本集，也称为字典D。其余像素点作为测试样本集T，并按照n-等分后的子波段，将字典D与测试样本集T分割为n个子字典与n个子测试样本集。

5.分别对不同的子波段进行最近邻分类。

最近邻分类(NN：Neatest Neighborhood)可以看做是基于字典的稀疏表示监督分类方法。稀疏表示公式为

x＝Dα (7)

其中x为测试样本，D为冗余字典，α为稀疏向量。

当稀疏向量α的稀疏度为1，即稀疏向量中只有一个元素不为零时，稀疏表示方法就成为最近邻分类。NN分类器是将单个测试样本与字典中的全体原子进行比较，与测试样本最接近的那一个原子所对应的类别就为测试样本的类别。具体来说，令字典D＝[x₁,...,x_d]在维特征空间内，并且其类别标签为ω_i∈{1,2,...,C}。C为类别数，在本实验中C＝16，代表Indian图像由16类地物组成。设d为字典中原子的数目，d_l作为第l类别中原子的数目，

通常使用欧氏距离，这样字典原子x_i与测试样本y之间的距离就可以表示为

r(x_i,y)为x_i与y之间的欧氏距离。接下来判断与y距离最小的字典原子x_i属于字典中哪一类，就将样本y归于哪一类。

由于NN算法是计算字典原子和测试样本之间的欧氏距离，因此NN算法的时间复杂度和字典原子与测试样本的维数有很大关系。维数越高，NN算法所占用的时间就越长。在本发明中，虽然需要进行n次NN算法，但是由于每一次进行NN算法时，字典原子和测试样本的维数仅为原本的1/n，因此与不采用波段分割时NN算法在时间复杂度上相差不大。

6.将n幅分类结果图进行n-KNN判别，见图4。在本实验中，Indain高光谱图像中n＝3。我们取邻域，在本发明中，K＝48，因此取单个待分类像素点的9×9邻域，共48个邻域像素点。令需要判别的点为x，其在第一幅初始分类图中位置相对应的点标记为x₁，在第一幅初始分类图中位置相对应的点标记为x₂，以此类推。在第一幅初始分类图中，x₁的邻域内其余像素点分别记为{x_1,1,x_1,2,...,x_1,48}，以此类推。假设划定邻域内的像素点共有C类分类结果，令

通过公式

判别x所属的类别。

实施例6

基于字典和波段重组的最近邻高光谱图像分类方法同实施例1-5，本发明的效果可以通过以下仿真实验进一步说明：

仿真实验

1.仿真条件

实验环境为：CPU:Intel Core I3 M370,基本频率2.4GHz，内存4G，MATLAB 2013。

2.仿真内容：

本发明中使用到的高光谱数据为AVIRIS数据集中的Indian Pines高光谱图像。AVIRIS传感器获得的数据包含220个波段，光谱长度从0.2μm到2.4μm。数据集移除了20个水面吸收波段，共有200个波段。该图像的空间分辨率为单像素20×20m²，共有145×145个像素。它包含16个真实地面类别，大部分都是不同种类的农作物。

在实验中，L-均值化处理参数取24邻域，波段分组数目n＝3，最近邻K取48邻域。我们在每一类中随机选取10％的样本作为字典。表1表示了所有16类中样本点的个数与所选取字典原子的个数。

表1 Indian Pines16类各自的字典原子数目与测试样本数目

使用本发明和现有的两种分类方法对以上数据集进行分类对比。这两种方法分别为Yi Chen等人于2011年在GRS上发表的SOMP方法与Jiayi Li等人于2014年在GRS上发表的NJCRC-LAD方法。以上两种算法均采用基于字典的稀疏表示分类方法，并且在算法中加入了空间信息。两种算法都为空-谱结合的高光谱分类方法。

另外，本发明也与一些经典高光谱图像分类方法，如SVM，SP，OMP算法进行了对比，以上三种方法均未使用高光谱空间信息。

评价指标：

1.整体精度(overall accuracy，OA)将正确分类的像素点的个数除以总的像素个数，称为整体精度OA，其值在0～100％之间，越大越好；

2.平均精度(average accuracy，AA)将每类正确分类的像素点个数除以这一类的总的像素数，得到这一类的正确分类精度，然后求所有类别的精度的平均值称为平均精度AA，其值在0～100％之间，越大越好；

3.计算Kappa系数(Kappa Coefficient)：Kappa系数是定义在混淆矩阵X上的一个评价指标，综合考虑混淆矩阵对角线上的元素和偏离对角线的元素，更客观地反映了算法的分类性能。其公式如下：

式中，P0为观测一致率，即分类图与标记图上类型一致的部分；Pc＝Rn×Sn为期望一致率，即两次检验结果由于偶然机会所造成的一致率。Kappa计算结果为-1～1，但通常Kappa是落在0～1间，越大越好。

实验结果：

本发明与对比方法均随机取10％样本作为字典原子，每种算法运行10次取平均值。

从表2中可以看出，关于三个评价指标OA，AA，Kappa，对于前三个经典分类方法来说，由于没有考虑空间信息，因此分类精度比后三种分类方法差10％～15％左右。

在本发明与SOMP和NJCRC-LAD方法的比较中可以看出，本发明在OA，AA，Kappa三种评价指标上均比SOMP和NJCRC-LAD分类精度高。从单类分类的精度结果来看，本发明在大部分类别中，都有着最高的分类精度，即使不是最高精度，也与最高精度相差很小。

从图5中也可以直观地看出，图5为本发明与对比方法在地物类别分类精度方面的对比图。其中图5(a)为实际地物类别分类图，图5(g)为本发明分类效果图，较图5(b)是用SVM进行分类的效果图，图5(c)使用SP进行分类的效果图，图5(d)使用OMP进行分类的效果图，图5(e)使用SOMP进行分类的效果图，图5(f)使用NJCRC-LAD进行分类的效果图，用图5(g)与上述效果图进行对比，图5(b)，图5(c)与图5(d)中，均存在大量的离散误分点，在图5(e)和图5(f)中，存在区域性误分，相对而言，本发明的图像分类效果最好。

表2 本发明与SVM，SP，OMP，SOMP，NJCRC-LAD方法的比较

接下来为了说明本发明各部分的效果，分别进行只采用最近邻算法NN、L-均值化与最近邻结合、L-均值化与最近邻与n-KNN结合、最后加入波段重新排列的完整方法的对比效果。

表3 采用本发明部分步骤进行分类与采用本发明完整步骤分类的精度比较

表4 本发明与对比方法消耗时间对比

方法	SVM	OMP	SOMP	NJCRC-LAD	本发明
						耗时(秒)	5638	621	1841	5426	71

由表3与图6中可以看出，图6(a)为仅仅使用NN算法，图6(b)为L-均值化与最近邻结合，图6(c)为L-均值化与最近邻与n-KNN结合，图6(d)为完整发明；仅仅使用NN最近邻算法时，分类精度最低，只有72.13％。在使用L-邻域均值化，第一次加入空间信息后，分类精度提高到了90.93％。在使用n-KNN，第二次加入空间信息后，分类精度提高到了97.72％。最后，加入波段重新排列的完整算法的分类精度达到了98.21％。这说明，本发明的每一步都是有效的，并且能够很好地结合起来，进行精确地高光谱图像分类。在L-均值化与最近邻与KNN结合时，需要64.56秒，而本发明完整算法也只需要71.23秒。

由表4可以看出，本发明与传统稀疏表示分类算法相比，在时间复杂度上有了很大的降低，并且分类精度高，分类所需时间和效率优势明显。

因此，本发明在具有较低时间复杂度的情况下，同时具有良好的分类效果。

综上所述，本发明解决了目前单一分类器对高光谱图像分类精度不高，分类效果不好；而普通空-谱结合方法时间复杂度较高，空-谱信息结合不紧密的技术问题，是一种低时间复杂度、高精度的空-谱结合分类方法，包含如下步骤：(1)读取高光谱图像数据。(2)利用高光谱图像的空间邻域信息，对高光谱图像的每一个像素点都进行L-邻域均值化处理，从而得到预处理后的高光谱图像。(3)将预处理后的高光谱图像按照每一波段像素点均值的大小，进行波段重新排列，并将重组后的波段进行n-等分。(4)随机抽取一部分训练样本构成字典，另一部分像素点构成测试样本集合，并按照n-等分后的波段，将字典与测试样本集合分割为n个子字典与n个子测试样本集合。(5)对n个子测试样本集合分别对照相应的子字典进行最近邻法判别，得到n幅初始分类图。(6)对n幅初始分类图综合进行n-KNN判别，得到最后的结果图。本发明引入波段重组与分割，进行多波段多字典稀疏判别，最后利用空-谱结合的方法进行分类，在较低时间复杂度的前提下，能够得到较高精度的分类图。

Claims (3)

1.一种基于字典和波段重组的最近邻高光谱图像分类方法，其特征在于，包括有以下步骤：

步骤1读取高光谱遥感数据图像；

步骤2对读取的高光谱图像首先进行预处理，利用该高光谱图像的空间邻域信息，对高光谱图像的每一个像素点取其L个最近邻的像素点，进行L-邻域均值化处理，得到预处理后的高光谱图像；

步骤3波段重组，将预处理后的高光谱图像按照每一波段全部像素点均值的大小，进行波段重新排列，在重组之后，按照重新排列后的波段对整体波段进行n-分割，构成n个子波段；

具体为：

第i波段的高光谱图像中有m个像素点{x_i,1,...,x_i,m}，令

对所有波段都进行上述均值处理，得到{x₁,...,x_N}，对{x₁,...,x_N}进行从小到大排序，得到高光谱图像均值序列，接下来按照这个序列对高光谱波段进行重新排列，并对重组后的N个波段按照顺序进行n等分，构成n个子波段；

步骤4构成字典与测试样本集合，随机抽取预处理后的高光谱图像中的一部分像素点作为训练样本以构成字典，另一部分像素点构成测试样本集合，并按照分割后的子波段形成n个子字典与n个子测试样本集合；

步骤5最近邻判别，对n个子测试样本集合分别对照相应的子字典进行最近邻法判别，得到n幅初始分类图；

步骤6使用n-KNN判别法获得最终分类结果，对n幅初始分类图，对于每幅图像中相同位置的单个像素点，分别都取其K个最近邻像素点，总共n×K个像素点综合起来进行K近邻判别，将其命名为n-KNN判别，得到高光谱图像最后的分类结果图。

2.根据权利要求1中所述的基于字典和波段重组的最近邻高光谱图像分类方法，其特征在于，步骤2中，对高光谱图像中每一个像素点进行L-邻域均值化处理，具体是：

设高光谱图像共有N个波段，高光谱图像中某一像素点为x_i＝{x_i,1,...,x_i,N}，以x_i为中心，取与它相邻的L个邻域像素点{x₁,...,x_L}，其中x₁＝{x_1,1,...,x_1,N}∈R^N，R^N为N维特征空间，x₂＝{x_2,1,...,x_2,N}∈R^N，以此类推，对所有的L+1个像素点{x_i,x₁,...,x_L}做L-均值化处理，令

将x′_i代替x_i作为待分类的像素点。

3.根据权利要求1中所述的基于字典和波段重组的最近邻高光谱图像分类方法，其特征在于，步骤6中，将n幅分类结果图进行n-KNN判别，取单个待分类像素点的邻域，需要判别的点为x，其在第一幅初始分类图中位置相对应的点标记为x₁，在第二幅初始分类图中位置相对应的点标记为x₂，以此类推， 在第一幅初始分类图中，x₁的邻域内其余像素点分别记为{x_1,1,x_1,2,...,x_1,K}，以此类推，假设n个邻域内的所有像素点共有C类分类结果，令

通过公式

判别x所属的类别。