CN105956607B - 一种改进的高光谱图像分类方法 - Google Patents
一种改进的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN105956607B CN105956607B CN201610257038.6A CN201610257038A CN105956607B CN 105956607 B CN105956607 B CN 105956607B CN 201610257038 A CN201610257038 A CN 201610257038A CN 105956607 B CN105956607 B CN 105956607B
- Authority
- CN
- China
- Prior art keywords
- neighbour
- pixel
- high spectrum
- spectrum image
- pixel point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种改进的高光谱图像分类方法。该方法包括如下步骤:(1)待分类高光谱图像中心像素点的空间近邻选择:采用基于分水岭分割区域选择策略或者最小生成树近邻选择策略获得优质空间近邻区域;(2)对优质空间近邻区域进行空间特征提取;(3)谱空联合模型预测:使用合成核方式融合空间特征和光谱特征,然后训练分类模型,预测高光谱图像测试集标签。本发明采用不同的空间近邻的选择方式,满足高光谱分类中对速度和精度不同的要求;此外,通过挖掘和利用空间信息,有效地解决了高光谱图像中存在的同物异谱、同谱异物问题,优质的空间近邻和特征信息增强了原光谱分类的鲁棒性,因此具有较高的使用价值。
Description
技术领域
本发明属于高光谱图像处理领域,特别涉及一种改进的高光谱图像分类方法。
背景技术
随着遥感硬件的不断发展,高光谱遥感图像处理技术得到飞速发展和广泛的应用,吸引了大量研究者关注。传统的遥感图像分类仅使用较少的波段光谱信息,而高光谱图像中包含着上百个波段光谱信息,对于分类的帮助更大,但经典的模式识别方法对其进行分类,错分现象较严重,效果并不理想。
高光谱图像中丰富的光谱信息也蕴含了诸多挑战与难题,如高维小样本分类,同物异谱,同谱异物现象等。高光谱图像样本标记需要对照实地考察或结合专家知识给出,导致标记代价昂贵,而且高光谱图像中每个像素点包含上百个波段,高维向量和极少标记样本无形中增加了高光谱图像的分类难度;同时图像中的地物点还可能因为密度、水份等原因导致不同地物有相似的光谱特征,或者相似光谱特征属于不同地物,单纯使用光谱信息将导致错分严重。
针对上述问题,研究者们发现空间信息的利用可以大大降低待分类像素点的错分概率,如何通过空间信息辅助原光谱信息分类成为人们研究的难点和重点。空间预处理方式是结合空间信息的一种途径,其通过预先提取空间特征,来辅助原来仅使用光谱信息的分类。一般提取空间特征方式为中心像素点固定结构选择出空间近邻计算得到,如方窗,这种方式需要人为规定窗口大小,如果待分类像素点位于边界区域,有较大可能混入不同地物像素点,导致空间特征较差。现有谱空联合分类的方法多注重于一种空间信息的利用,没有考虑结合不同的空间信息使用来改进空间信息的获取和空间特征提取。
发明内容
本发明为了解决高光谱图像中存在的同物异谱、同谱异物等技术问题,提出了一种改进的高光谱图像分类方法,可以针对实时响应和高精度不同需求的应用场景给出可靠的高光谱图像分类。
本发明采用的技术方案如下:
一种改进的高光谱图像分类方法,包括如下步骤:
步骤1,待分类高光谱图像中心像素点的空间近邻选择:采用基于分水岭分割区域选择策略或者最小生成树近邻选择策略获得优质空间近邻区域;
步骤2,对步骤1获得的优质空间近邻区域进行空间特征提取;
步骤3,谱空联合模型预测:使用合成核方式融合空间特征和光谱特征,然后训练分类模型,预测高光谱图像测试集标签。
所述步骤1中,采用基于分水岭分割区域选择策略获得优质空间近邻区域的具体过程为:
设高光谱图像I,对应分水岭分割图G,中心待分类像素为x0∈Rd,R为实数集,d表示高光谱波段数,像素点x0与其八近邻集合表示为Ω(x0)={x0,x1,...,x8},Gy表示分水岭分割图像素点y对应分水岭分割图的标识,分水岭分割选择的空间近邻为ΩG(x0)={x|x∈Gy,y∈Ω(x0)},即中心像素点对应的二阶近邻所在的分割标识区域,保证空间信息与光谱信息区分性较大,同时减少异类地物混入。
所述步骤1中,采用最小生成树近邻选择策略获得优质空间近邻区域的具体过程为:
设高光谱图像I,中心待分类像素为x0∈Rd,R为实数集,d表示高光谱波段数,表示像素点xi对应的二阶近邻,S(x0)表示中心像素点x0对应的MST空间近邻集合,表示集合S(x0)中边界像素点的二阶近邻并集,对于选择生成树传播过程中最小权值weight(x0,xj)对应像素点加入到集合S(x0),直到最小权值weight(x0,xj)大于阈值δ或大于给定近邻个数N,给出最终集合S(x0)。
所述步骤1最小生成树近邻选择策略的具体实现过程如下:
步骤11,初始化集合S(x0)={x0},集合其中表示空集;
步骤12,计算:其中xi∈S(x0),计算集合S(x0)中像素点光谱均值xmean;
对于所有计算:weight(xmean,xj)=SAM(xmean,xj)×G(xj),其中Gtemp(xj)表示像素点xj的梯度值,其使用Sobel算子别从0°、45°、90°和135°四个角度计算得到;
步骤13,选取最小权值weight(x0,xj)对应像素点xj,更新集合S(x0)=S(x0)∪xj,
步骤14,若最小权值weight(x0,xj)<δ或小于近邻个数N,则重复步骤12和13;
步骤15,输出高光谱图像I对应中心像素点的空间近邻集合S(x0)。
本发明提供了一种空间预处理方式下的高光谱图像分类方法,与现有技术相比,本发明具有以下有益效果:
(1)本发明的方法通过结合空间信息辅助分类,较好的降低了同物异谱、同谱异物现象带来的错分概率,提高了分类正确率,增强了分类鲁棒性;
(2)本发明通过挖掘和利用空间信息,选出中心像素点对应的优质空间近邻,保证对应中心像素点空间特征的强判别性,更好地表达了中心像素点空间信息,保证了空间信息的准确描述,显著改善了空间特征质量;
(3)本发明针对不同应用场景给出空间近邻选择策略来达到优质近邻选择的目的,从而满足高光谱分类中对速度和精度的不同要求,同时利用核方法有效融合了空间特征和光谱特征,改善分类结果,有效缓解了高维小样本问题,具备更高的使用价值。
附图说明
图1为本发明整体流程图。
图2为本发明中高光谱图像空间近邻选择子流程图。
图3为本发明中最小生成树空间近邻选择步骤子流程图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
如图1所示,本发明公开了一种用于高光谱图像处理的改进的高光谱图像分类方法,具体步骤如下:
步骤1,图像中心像素点空间近邻选择:空间预处理方式下谱空联合分类中的空间特征是最终优质分类的基础保证,空间特征取决于空间近邻选择,本发明着重通过挖掘和利用空间信息来获得能更好描述中心像素点的空间信息特征,并分别侧重效率和精度来满足实际需要,为步骤2做铺垫。
步骤2,提取中心像素点空间特征:通过步骤1,获得了中心像素点的优质空间近邻,通过对空间近邻计算其统计特征,这里将计算空间近邻的光谱均值作为空间特征,空间特征主要描述了中心像素点所在区域的类别信息,对分类帮助较大。
步骤3,谱空联合模型预测:通过步骤1,2得到对应中心像素点空间特征,使用核方法有效地融合空间特征和光谱特征,训练SVM模型,并采用该分类模型给出测试集合像素点可靠的类别标签。
需要说明的是,由于本发明的核心步骤是图像中心像素点的空间近邻选择方法,具体实施方式的描述主要侧重于步骤1,步骤2以及步骤3未提及的内容可采用现有技术实现。
1.如图2所示,高光谱图像中心像素点空间近邻选择具体步骤如下:
步骤11,依据不同的应用场景,在实时性要求较高应用下,采用步骤12对应近邻选择方式,快速分割并选择出对应中心像素点近邻区域,对于一些高精度应用场景,充分挖掘中心像素点与空间近邻关系,使用步骤13对应近邻选择方法,分类准确,效果优异。
步骤12,设高光谱图像I,对应分水岭分割图G,中心待分类像素为x0∈Rd,R为实数集,d表示高光谱波段数,像素点x0与其八近邻集合表示为Ω(x0)={x0,x1,...,x8},Gy表示分水岭分割图像素点y对应分水岭分割图的标识,分水岭分割选择的空间近邻为ΩG(x0)={x|x∈Gy,y∈Ω(x0)},即中心像素点对应的二阶近邻所在的分割标识区域,保证空间信息与光谱信息区分性较大,同时减少异类地物混入;
步骤13,设高光谱图像I,中心待分类像素为x0∈Rd,d表示高光谱波段数,表示像素点xi对应的二阶近邻,S(x0)表示中心像素点x0对应的MST空间近邻集合,表示集合S(x0)中边界像素点的二阶近邻并集,对于选择最小weight(x0,xj)加入到集合S(x0),直到weight(x0,xj)大于阈值δ或大于给定近邻个数N,给出最终S(x0);
步骤14,对应两种不同的空间近邻选择方式最终选择出对应高光谱图像的中心像素点空间近邻集合分别为ΩG(x0)={x|x∈Gy,y∈Ω(x0)}或者S(x0)。
如图3所示,步骤13中心像素点最小生成树空间近邻选择具体实施步骤包括:
步骤131,对应高光谱图像中心像素点x0其为输入,初始化集合S(x0)={x0},集合, 表示xi的二阶近邻;
步骤132,计算:其中xi∈S(x0)
计算:xmean(xmean表示集合S(x0)中像素点光谱均值);对于所有
计算:weight(xmean,xj)=SAM(xmean,xj)×G(xj),
其中
上式中Gtemp(xj)在表示像素点xj的梯度值,使用Sobel算子分别从0°,45°,90°,135°四个角度计算得到;
步骤133,选取最小weight(x0,xj)对应像素点xj,更新:S(x0)=S(x0)∪xj,
步骤134,若最小weight(x0,xj)<δ或小于近邻数要求N重复步骤132,133;
步骤135,输出对应中心像素点空间近邻集合S(x0)。
2.提取中心像素点空间特征:
通过上述步骤,获得了中心像素点的优质空间近邻,通过对空间近邻计算其统计特征,这里将计算的空间近邻的光谱均值作为空间特征,空间特征主要描述了中心像素点所在区域的类别信息,对分类帮助较大。
3.谱空联合模型预测:
通过步骤1,2得到对应中心像素点空间特征,使用合成核方式有效的融合空间特征和光谱特征,然后使用SVM模型训练,并采用该分类模型给出测试集合像素点可靠的类别标签。
本实施例的模型预测过程如下:
①对应测试集像素点xi、xj选择空间近邻,计算空间统计特征光谱特征表示为 使用合成核方式构造训练矩阵Ktrain:
并训练SVM分类器,其中μ表示为空间和光谱信息比重调节因子;
②对应训练集像素点xi,计算空间统计特征,并依据上式的方法计算测试集核矩阵Ktest;
③给出测试集合中像素点的可靠类别标签。
Claims (3)
1.一种改进的高光谱图像分类方法,其特征在于,包括如下步骤:
步骤1,待分类高光谱图像中心像素点的空间近邻选择:采用基于分水岭分割区域选择策略或者最小生成树近邻选择策略获得优质空间近邻区域;其中,采用最小生成树近邻选择策略获得优质空间近邻区域的具体过程为:
设高光谱图像I,中心待分类像素为x0∈Rd,R为实数集,d表示高光谱波段数,表示像素点xi对应的二阶近邻,S(x0)表示中心像素点x0对应的MST空间近邻集合,表示集合S(x0)中边界像素点的二阶近邻并集,对于选择生成树传播过程中最小权值weight(x0,xj)对应像素点加入到集合S(x0),直到最小权值weight(x0,xj)大于阈值δ或近邻个数 大于给定近邻个数N,给出最终集合S(x0);
步骤2,对步骤1获得的优质空间近邻区域进行空间特征提取;
步骤3,谱空联合模型预测:使用合成核方式融合空间特征和光谱特征,然后训练分类模型,预测高光谱图像测试集标签。
2.如权利要求1所述的一种改进的高光谱图像分类方法,其特征在于,所述步骤1中,采用基于分水岭分割区域选择策略获得优质空间近邻区域的具体过程为:
设高光谱图像I,对应分水岭分割图G,中心待分类像素为x0∈Rd,R为实数集,d表示高光谱波段数,像素点x0与其八近邻集合表示为Ω(x0)={x0,x1,...,x8},Gy表示分水岭分割图像素点y对应分水岭分割图的标识,分水岭分割选择的空间近邻为ΩG(x0)={x|x∈Gy,y∈Ω(x0)},即中心像素点对应的二阶近邻所在的分割标识区域,保证空间信息与光谱信息区分性较大,同时减少异类地物混入。
3.如权利要求1所述的一种改进的高光谱图像分类方法,其特征在于,所述步骤1最小生成树近邻选择策略的具体实现过程如下:
步骤11,初始化集合S(x0)={x0},集合其中表示空集;
步骤12,计算:其中xi∈S(x0),计算集合S(x0)中像素点光谱均值xmean;
对于所有计算:weight(xmean,xj)=SAM(xmean,xj)×G(xj),其中
Gtemp(xj)表示像素点xj的梯度值,其使用Sobel算子别从0°、45°、90°和135°四个角度计算得到;
步骤13,选取最小权值weight(x0,xj)对应像素点xj,更新集合S(x0)=S(x0)∪xj,
步骤14,若最小权值weight(x0,xj)<δ或近邻个数小于给定近邻个数N,则重复步骤12和13;
步骤15,输出高光谱图像I对应中心像素点的空间近邻集合S(x0)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610257038.6A CN105956607B (zh) | 2016-04-22 | 2016-04-22 | 一种改进的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610257038.6A CN105956607B (zh) | 2016-04-22 | 2016-04-22 | 一种改进的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956607A CN105956607A (zh) | 2016-09-21 |
CN105956607B true CN105956607B (zh) | 2019-05-28 |
Family
ID=56915598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610257038.6A Active CN105956607B (zh) | 2016-04-22 | 2016-04-22 | 一种改进的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956607B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815817B (zh) * | 2017-01-16 | 2019-06-14 | 南京师范大学 | 一种改进的高光谱图像去噪方法 |
CN107358249A (zh) * | 2017-06-07 | 2017-11-17 | 南京师范大学 | 基于标签一致性与Fisher判别字典学习的高光谱图像分类方法 |
CN108595596A (zh) * | 2018-04-19 | 2018-09-28 | 厦门启尚科技有限公司 | 一种图像相似度检索方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136145A (zh) * | 2011-04-27 | 2011-07-27 | 中国科学院遥感应用研究所 | 阈值约束最小生成树算法的区域合并方法 |
GB2478133A (en) * | 2010-02-25 | 2011-08-31 | Institue For Medical Informatics | A method of Image classification based on duct and nuclei parameters |
-
2016
- 2016-04-22 CN CN201610257038.6A patent/CN105956607B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2478133A (en) * | 2010-02-25 | 2011-08-31 | Institue For Medical Informatics | A method of Image classification based on duct and nuclei parameters |
CN102136145A (zh) * | 2011-04-27 | 2011-07-27 | 中国科学院遥感应用研究所 | 阈值约束最小生成树算法的区域合并方法 |
Non-Patent Citations (1)
Title |
---|
基于多核支持向量机的高分辨率遥感影像建筑物提取研究;尹文亭;《中国优秀硕士学位论文全文数据库》;20160215;正文第7-8,25,37,58页 |
Also Published As
Publication number | Publication date |
---|---|
CN105956607A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103247036B (zh) | 多曝光图像融合方法和装置 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
CN107862698B (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
CN104732506B (zh) | 一种基于人脸语义分析的人物照片颜色风格转换方法 | |
CN108280397B (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
Abdollahi et al. | Improving road semantic segmentation using generative adversarial network | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN111368712A (zh) | 一种基于深度学习的高光谱图像伪装目标检测方法 | |
CN108537824B (zh) | 基于交替反卷积与卷积的特征图增强的网络结构优化方法 | |
CN106096542B (zh) | 基于距离预测信息的图像视频场景识别方法 | |
CN109712145A (zh) | 一种图像抠图方法及系统 | |
CN103177446A (zh) | 基于邻域和非邻域平滑先验的图像前景精准提取方法 | |
CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN110765833A (zh) | 一种基于深度学习的人群密度估计方法 | |
CN110458165A (zh) | 一种引入注意力机制的自然场景文本检测方法 | |
CN109543632A (zh) | 一种基于浅层特征融合引导的深层网络行人检测方法 | |
US20150332117A1 (en) | Composition modeling for photo retrieval through geometric image segmentation | |
CN111738318A (zh) | 一种基于图神经网络的超大图像分类方法 | |
CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN105956607B (zh) | 一种改进的高光谱图像分类方法 | |
Weidmann et al. | A closer look at seagrass meadows: Semantic segmentation for visual coverage estimation | |
CN110909724A (zh) | 一种多目标图像的缩略图生成方法 | |
CN115131797A (zh) | 一种基于特征增强金字塔网络的场景文本检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |