CN105654098A - 一种高光谱遥感图像的分类方法及其系统 - Google Patents

Abstract

本发明提供了一种高光谱遥感图像的分类方法，包括：生成多个平行于光谱方向的三维Gabor滤波器；将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得三维Gabor相位特征，并对每一个像素的三维Gabor相位特征进行象限位编码；以及使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。本发明还提供一种高光谱遥感图像的分类系统。本发明提供的技术方案是基于三维Gabor相位特征编码，在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集，不仅提升了分类精度，而且降低了算法的时间和空间复杂度。

Description

一种高光谱遥感图像的分类方法及其系统

技术领域

本发明涉及图像处理领域，尤其涉及一种高光谱遥感图像的分类方法及其系统。

背景技术

目前，高光谱数据的高光谱维度与有限的训练样本之间的巨大差异是高光谱遥感图像分类问题的重要挑战。由于噪声的干扰以及“同谱异物”现象(即不同地物的光谱特征具有较高的相似性)的普遍存在，传统的基于地物间光谱特征差异的分类方法难以获得令人满意的精度。同时，特征提取及波段选择技术被用于降低高光谱数据的光谱维度，减轻了由于“Hughes现象”(即给定固定数量的训练样本，其预测能力随着维度的增加而减小)引起的高光谱图像分类精度降低的问题。然而，维数降低的同时也造成了有效信息的丢失，不可避免的损失了分类精度。

发明内容

有鉴于此，本发明的目的在于提供一种高光谱遥感图像的分类方法及其系统，旨在解决现有技术中分类精度不高的问题。

本发明提出一种高光谱遥感图像的分类方法，所述分类方法包括：

生成多个平行于光谱方向的三维Gabor滤波器；

将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征；对每一个像素的三维Gabor相位特征进行象限位编码；以及

使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

优选的，所述多个三维Gabor滤波器的数量为4个。

优选的，所述生成多个三维Gabor滤波器的步骤具体包括：

选择平行于光谱方向的Gabor滤波器作为候选滤波器；

设置所述候选滤波器的频率和方向，然后根据预设公式生成多个三维Gabor滤波器。

优选的，所述对每一个像素的三维Gabor相位特征进行象限位编码的步骤具体包括：

针对每一个像素，根据三维Gabor相位中实部所在象限的位置对实部进行0/1编码，如在第一/第四象限，则编码为1，否则编码为0；

针对每一个像素，根据三维Gabor相位中虚部所在象限的位置对虚部进行0/1编码，如在第一/第二象限，则编码为1，否则编码为0。

优选的，所述使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类的步骤具体包括：

计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度；

根据最近邻准则，如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小，则将该测试样本t划分为第p类，其中，所述测试样本t为高光谱遥感图像。

另一方面，本发明还提供一种高光谱遥感图像的分类系统，所述系统包括：

生成模块，用于生成多个平行于光谱方向的三维Gabor滤波器；

编码模块，用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征，并对每一个像素的三维Gabor相位特征进行象限位编码；以及

分类模块，用于使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

优选的，所述多个三维Gabor滤波器的数量为4个。

优选的，所述生成模块包括：

选择子模块，用于选择平行于光谱方向的Gabor滤波器作为候选滤波器；

设置子模块，用于设置所述候选滤波器的频率和方向，然后根据预设公式生成多个三维Gabor滤波器。

优选的，所述编码模块具体针对每一个像素，根据三维Gabor相位中实部所在象限的位置进行0/1编码，如在第一/第四象限，则编码为1，否则编码为0；根据三维Gabor相位中虚部所在象限的位置进行0/1编码，如在第一/第二象限，则编码为1，否则编码为0。

优选的，所述分类模块包括：

计算子模块，用于计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度；

归类子模块，用于根据最近邻准则，如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小，则将该测试样本t划分为第p类，其中，所述测试样本t为高光谱遥感图像。

本发明提供的技术方案是基于三维Gabor相位特征编码，在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集，不仅提升了分类精度，而且降低了算法的时间和空间复杂度。

附图说明

图1为本发明一实施方式中高光谱遥感图像的分类方法流程图；

图2为本发明一实施方式中图1所示的步骤S11的详细流程图；

图3为本发明一实施方式中三维Gabor特征的频率域关系的示意图；

图4为本发明一实施方式中针对每一个像素的编码策略示意图；

图5为本发明一实施方式中图1所示的步骤S13的详细流程图；

图6为本发明一实施方式中图1所示的具体实例流程图；

图7为本发明一实施方式中高光谱遥感图像的分类系统10的内部结构示意图；

图8为本发明一实施方式中图7所示的生成模块11的结构示意图；

图9为本发明一实施方式中图7所示的分类模块13的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明具体实施方式提供了一种高光谱遥感图像的分类方法，所述方法主要包括如下步骤：

S11、生成多个平行于光谱方向的三维Gabor滤波器；

S12、将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征；然后对每一个像素的三维Gabor相位特征进行象限位编码；以及

S13、使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

本发明提供的一种高光谱遥感图像的分类方法是基于三维Gabor相位特征编码，在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集，不仅提升了分类精度，而且降低了算法的时间和空间复杂度。

以下将对本发明所提供的一种高光谱遥感图像的分类方法进行详细说明。

请参阅图1，为本发明一实施方式中高光谱遥感图像的分类方法流程图。

在步骤S11中，生成多个平行于光谱方向的三维Gabor滤波器。

在本实施方式中，所述多个三维Gabor滤波器的数量为4个，当然，在其它实施方式中，所述多个三维Gabor滤波器的数量还可以根据实际需求进行调整，例如多个三维Gabor滤波器的数量可以设计为2个、3个、5个、6个、7个等等，在此不做限定。

在本实施方式中，生成多个三维Gabor滤波器的步骤S11具体包括S111—S112，如图2所示。

请参阅图2，为本发明一实施方式中图1所示的步骤S11的详细流程图。

在步骤S111中，选择平行于光谱方向的Gabor滤波器作为候选滤波器。

在本实施方式中，高光谱图像是由传感器在电磁波谱的可见光、近红外、中红外和热红外波段范围内，在不同波段成像获得的高光谱图像数据。因此，高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息，为地表物质的精细分类和识别提供了可能。

在步骤S112中，设置所述候选滤波器的频率和方向，然后根据预设公式生成多个三维Gabor滤波器。

在本实施方式中，以f_j表示频率，表示方向，则设置所述候选滤波器的频率f_j＝[0.5,0.25,0.125,0.0625]，设置方向θ＝π/2，然后根据预设公式生成4个三维Gabor滤波器，用于后续的三维Gabor特征提取；其中， 是滤波器与ω轴的夹角，θ是滤波器与μ-ν平面的夹角；(x,y,b)分别表示像素的x坐标、y坐标、光谱坐标；σ是高斯包络的宽度；由于方向参数θ＝π/2，根据图3可以看出，频率f所指的方向即为光谱方向。

在本实施方式中，由于Gabor滤波器的方向平行于光谱方向，同时仅选择了4个频率，最终得到4个三维Gabor滤波器，用{Ψ_i,i＝1,...,4}表示。

请继续参阅图1，在步骤S12中，将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征，并对每一个像素的三维Gabor相位特征进行象限位编码。

在本实施方式中，将高光谱遥感图像与所生成的4个三维Gabor滤波器进行卷积运算操作，以R表示所述高光谱遥感图像，G_i表示第i个三维Gabor特征，则取卷积运算表示为：4个三维Gabor特征表示为：{G_i,i＝1,...,4}。

在本实施方式中，对每一个像素的三维Gabor相位特征进行象限位编码，具体地，每一个像素的编码有实部编码和虚部编码组成，根据该像素的三维Gabor相位中实部所在象限的位置进行0/1编码，如在第一/第四象限，则编码为1，否则编码为0；根据该像素的三维Gabor相位中虚部所在象限的位置进行0/1编码，如在第一/第二象限，则编码为1，否则编码为0，即，对卷积操作后的结果进行如下操作的编码：

$F_i^{\mathrm{Re}}(x,y,b)=\left\{\begin{array}{cc}1& if\mathrm{Re}\left(G_i\right(x,y,b\left)\right)>0\\ 1& otherwise\end{array}\right.;$

$F_i^{Im}(x,y,b)=\left\{\begin{array}{cc}1& if\mathrm{Im}\left(G_i\right(x,y,b\left)\right)>0\\ 1& otherwise\end{array}\right.;$

Re(G_i(x,y,b))和Im(G_i(x,y,b))分别是Gabor特征的实部和虚部。

图4为本发明一实施方式中针对每一个像素的编码策略示意图。

在步骤S13中，使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

在本实施方式中，所述使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类的步骤S13具体包括S131—S132，如图5所示。

请参阅图5，为本发明一实施方式中图1所示的步骤S13的详细流程图。

在步骤S131中，计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度。

在本实施方式中，所述测试样本t为高光谱遥感图像。针对每一个测试样本t(假设其空间位置坐标为(x_tt，y_tt))和训练集合A，t与A中任意训练样本s(假设其空间位置坐标为(x_tr，y_tr))之间的相似性度量如下：

$D_0=\frac{\underset{i=0}{\overset{3}{\Σ}}\underset{b=1}{\overset{B}{\Σ}}(F_i^{\mathrm{Re}}(x_{tt},y_{tt},b)\⊕F_i^{\mathrm{Re}}(x_{tr},y_{tr},b)+F_i^{Im}(x_{tt},y_{tt},b)\⊕F_i^{Im}(x_{tr},y_{tr},b))}{8\×B}$

其中，⊕是异或运算，B是原始高光谱数据的光谱维度。显然，D₀的取值在0和1之间。对于最优匹配，汉明距离为零。

在步骤S132中，根据最近邻准则，如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小，则将该测试样本t划分为第p类，其中，所述测试样本t为高光谱遥感图像。

请参阅图6，为本发明一实施方式中图1所示的具体实例流程图。

如图7所示，本发明具体实施方式还提供一种高光谱遥感图像的分类系统10，主要包括：

生成模块11，用于生成多个平行于光谱方向的三维Gabor滤波器；

编码模块12，用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征，并对每一个像素的三维Gabor相位特征进行象限位编码；以及

分类模块13，用于使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

本发明提供的一种高光谱遥感图像的分类系统10，是基于三维Gabor相位特征编码，在大量的三维Gabor相位特征中选择出最具有鉴别能力的特征子集，不仅提升了分类精度，而且降低了算法的时间和空间复杂度。

请参阅图7，所示为本发明一实施方式中高光谱遥感图像的分类系统10的结构示意图。在本实施方式中，高光谱遥感图像的分类系统10主要包括生成模块11、编码模块12以及分类模块13。

生成模块11，用于生成多个平行于光谱方向的三维Gabor滤波器。

在本实施方式中，所述多个三维Gabor滤波器的数量为4个，当然，在其它实施方式中，所述多个三维Gabor滤波器的数量还可以根据实际需求进行调整，例如多个三维Gabor滤波器的数量可以设计为2个、3个、5个、6个、7个等等，在此不做限定。

在本实施方式中，生成模块11具体包括选择子模块111以及设置子模块112，如图8所示。

请参阅图8，所示为本发明一实施方式中图7所示的生成模块11的结构示意图。

选择子模块111，用于选择平行于光谱方向的Gabor滤波器作为候选滤波器。

在本实施例中，候选滤波器的选择方法详见前述步骤S111中的相关记载，在此不做重复描述。

设置子模块112，用于设置所述候选滤波器的频率和方向，然后根据预设公式生成多个三维Gabor滤波器。

在本实施例中，频率和方向的设置方法详见前述步骤S112中的相关记载，在此不做重复描述。

请继续参阅图7，编码模块12，用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征，并对每一个像素的三维Gabor相位特征进行象限位编码。

在本实施例中，编码模块12具体的编码方法详见前述步骤S12中的相关记载，在此不做重复描述。

请参阅图9，所示为本发明一实施方式中图7所示的分类模块13的结构示意图。

计算子模块131，用于计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度。

在本实施例中，具体的计算方法详见前述步骤S131中的相关记载，在此不做重复描述。

归类子模块132，用于根据最近邻准则，如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小，则将该测试样本t划分为第p类，其中，所述测试样本t为高光谱遥感图像。

在本实施例中，具体的归类方法详见前述步骤S132中的相关记载，在此不做重复描述。

值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高光谱遥感图像的分类方法，其特征在于，所述分类方法包括：

生成多个平行于光谱方向的三维Gabor滤波器；

将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征；

对每一个像素的三维Gabor相位特征进行象限位编码；以及

使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

2.如权利要求1所述的高光谱遥感图像的分类方法，其特征在于，所述多个三维Gabor滤波器的数量为4个。

3.如权利要求1所述的高光谱遥感图像的分类方法，其特征在于，所述生成多个三维Gabor滤波器的步骤具体包括：

选择平行于光谱方向的Gabor滤波器作为候选滤波器；

设置所述候选滤波器的频率和方向，然后根据预设公式生成多个三维Gabor滤波器。

4.如权利要求1所述的高光谱遥感图像的分类方法，其特征在于，所述对每一个像素的三维Gabor相位特征进行象限位编码的步骤具体包括：

针对每一个像素，根据三维Gabor相位中实部所在象限的位置对实部进行0/1编码，如在第一/第四象限，则编码为1，否则编码为0；

针对每一个像素，根据三维Gabor相位中虚部所在象限的位置对虚部进行0/1编码，如在第一/第二象限，则编码为1，否则编码为0。

5.如权利要求1所述的高光谱遥感图像的分类方法，其特征在于，所述使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类的步骤具体包括：

计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度；

根据最近邻准则，如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小，则将该测试样本t划分为第p类，其中，所述测试样本t为高光谱遥感图像。

6.一种高光谱遥感图像的分类系统，其特征在于，所述系统包括：

生成模块，用于生成多个平行于光谱方向的三维Gabor滤波器；

编码模块，用于将高光谱遥感图像与所生成的所述多个三维Gabor滤波器进行卷积运算，以得到三维Gabor相位特征，并对每一个像素的三维Gabor相位特征进行象限位编码；以及

分类模块，用于使用编码的特征通过正则化的汉明距离对所述高光谱遥感图像进行分类。

7.如权利要求6所述的高光谱遥感图像的分类系统，其特征在于，所述多个三维Gabor滤波器的数量为4个。

8.如权利要求6所述的高光谱遥感图像的分类系统，其特征在于，所述生成模块包括：

选择子模块，用于选择平行于光谱方向的Gabor滤波器作为候选滤波器；

设置子模块，用于设置所述候选滤波器的频率和方向，然后根据预设公式生成多个三维Gabor滤波器。

9.如权利要求6所述的高光谱遥感图像的分类系统，其特征在于，所述编码模块具体针对每一个像素，根据三维Gabor相位中实部所在象限的位置对实部进行0/1编码，如在第一/第四象限，则编码为1，否则编码为0；根据三维Gabor相位中虚部所在象限的位置对虚部进行0/1编码，如在第一/第二象限，则编码为1，否则编码为0。

10.如权利要求6所述的高光谱遥感图像的分类系统，其特征在于，所述分类模块包括：

计算子模块，用于计算每一个测试样本t和训练集合A中任意训练样本s之间的相似度；

归类子模块，用于根据最近邻准则，如果测试样本t与第p类训练集中的某一个训练样本之间的汉明距离最小，则将该测试样本t划分为第p类，其中，所述测试样本t为高光谱遥感图像。