CN106339674B - 基于边缘保持与图割模型的高光谱影像分类方法 - Google Patents

Abstract

本发明公开了一种基于边缘保持与图割模型的高光谱影像分类方法，包括以下步骤：S1、输入待分类的高光谱影像；S2、提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集；S3、选取监督分类的训练样本集；将剩余的参考数据样本作为测试样本集；S4、进行像素级图像分类操作，获得各对应类别的概率隶属分布图；S5、进行滤波处理，获得优化后的类别概率隶属分布图；S6、提取所有地面目标：采用图割模型对优化后的类别概率隶属分布图进行分割，获得各类别的分割结果；对各类别的分割结果采用合并准则和最大后验概率估计来获得最终的标签结果；S7、输出最终分类图。本发明提供了区域标签化的新策略，可有效提高高光谱影像分类精度。

Description

基于边缘保持与图割模型的高光谱影像分类方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于边缘保持与图割模型的高光谱影像分类方法。

背景技术

与多光谱遥感图像相比，高光谱遥感影像具有更加丰富的光谱和空间信息，这些信息能够准确反映不同地物类别之间的属性差异，并实现地物精确提取和识别，为更高精度的高光谱遥感影像分析与应用奠定良好基础。然而，高光谱影像维数高、波段相关性大、存在噪声以及独特的非线性特征等图像特征，给高光谱遥感影像分析与处理带来了巨大挑战。传统的高光谱遥感影像分类方法通常仅利用像元光谱特征来进行地物分类，而未考虑影像中所蕴含丰富的空间信息，如空间结构信息、像素位置和距离信息等。这些研究方法获得的分类精度已经到达瓶颈、难以继续提高。

与传统基于像素的高光谱影像分类方法相比较，在结合高光谱影像自身的光谱特征和空间信息(包括影像的纹理信息、空间结构信息、地物尺寸信息、地物轮廓信息、空间分布信息等)的基础上，联合光谱和空间信息的高光谱影像分类方法能够进一步提高影像的分类精度，获取包含同质区域更精确的影像分类图，满足制图生产的需要。联合光谱和空间信息进行高光谱遥感影像分类能够：有效减少分类图中呈椒盐分布的类别噪声；揭示像元空间结构和形状特征；识别相同地物类别在空间上不同土地利用类型中的差别。

近年来，基于分割的联合光谱和空间信息分类方法得到了较为广泛的重视，它的主要思想是是通过影像分割将输入影像分割成同质区域的集合，在此基础上，赋予各区域对应的信息类别标签。然而，如何有效地对高光谱影像进行非监督式的准确分割是一个根本问题，由于分割的目的是将影像分割成多个同质区域，而同质区域的度量又是与影像直接相关的，不同的度量方案可能导致过分割或欠分割的分割结果，从而使分类精度受到一定的限制。

发明内容

本发明要解决的技术问题在于针对现有技术中分类精度较低的缺陷，提供一种优化了类别的概率分布，能够减少同质区域内部和地物边界的划分错误，引入图割模型对概率隶属分布图进行地物目标提取，提高了分类精度的基于边缘保持与图割模型的高光谱影像分类方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于边缘保持与图割模型的高光谱影像分类方法，包括以下步骤：

S1、输入待分类的高光谱影像，并对影像数据进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；

S2、根据地面调查数据样本集中所有坐标位置，提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集；

S3、在得到的高光谱影像参考数据样本集中，依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集；将各信息类别中剩余的参考数据样本作为精度评价的测试样本集；

S4、采用基于概率的监督支持向量机分类器对待分类的高光谱影像进行像素级图像分类操作，获得各对应类别的概率隶属分布图；

S5、采用联合双边滤波对类别概率隶属分布图进行滤波处理，获得优化后的类别概率隶属分布图；

S6、提取所有地面目标：采用图割模型对优化后的类别概率隶属分布图进行分割，获得各类别的分割结果；对各类别的分割结果采用合并准则和最大后验概率估计来获得最终的标签结果；

S7、输出最终分类图。

进一步地，本发明的步骤S5中的类别概率优化的具体步骤为：

S51、初始化滤波窗口大小、高斯空间核的标准差和高斯相似核的标准差；

S52、以原始高光谱影像作为联合双边滤波器的引导图像，采用该滤波器对每个感兴趣类别的概率隶属分布图分别进行平滑，获得优化后的类别概率隶属分布图。

进一步地，本发明的步骤S6中的类别概率分割的具体步骤为：

S611、初始化类别概率阈值和光谱-空间权重调节因子；

S612、针对每个信息类别的概率分布，构建基于图割的能量方程；

S613、采用标准的最小割算法求解能量方程的全局最优解。

进一步地，本发明的步骤S6中的影像标签化的具体步骤为：

S621、对标签值唯一的像素赋予对应的类别标签；

S622、对其它像素采用最大后验概率准则赋予对应的类别标签。

进一步地，本发明的步骤S5中进行联合双边滤波的公式为：

其中，i,j为原始影像上的像素位置，||i-j||为邻域像素j和中心像元i的空间距离，Ω是以像素i为中心的窗口，定义窗口大小为(2n+1)²，n＝1,2,...,N，|I_i-I_j|衡量原始影像上两个像元矢量的相似性，采用光谱角距离SAM按照下列公式计算像元x_i和x_j的相似性：

和分别按照下面的公式计算获得高斯空间核和高斯相似核：

K_i为双边滤波器的归一化参数。

进一步地，本发明的步骤S612中的能量方程为：

E(α,p^k,I)＝U(α,p^k)+V(α,I)

其中，α为标签值α∈{0,1}，U(α,p^k)能量方程的区域项，其计算公式如下：

V(α,I)为能量函数边界项，其计算公式如下如下：

β＝(2<dis(Ι_i,Ι_j)>)-¹

其中，是邻域像素(i,j)的集合，采用8-邻域进行计算；dis(x_i,x_j)是两个像素矢量之间的距离度量。

进一步地，本发明的步骤S6中进行分割获得各类别的分割结果的方法具体为：

第一步，遍历分割结果图上每个像素，如果分割结果中对应像素位置的类别标签值最大值为1，且1的出现次数仅仅为1次，则该像素的类别标签为对应类别，否则为0；

第二步，对于那些类别标签为0的像素，使用滤波后最大后验概率估计来给出该像元的类别标签。

本发明产生的有益效果是：本发明的基于边缘保持与图割模型的高光谱影像分类方法，通过采用联合光谱和空间信息的高光谱影像分类方法，克服了传统高光谱影像分类方法仅利用光谱特征，未考虑影像空间信息的问题，充分利用了高光谱影像所蕴含丰富的光谱特征和空间信息，实现了高光谱影像的精细分类；

通过采用联合双边滤波来优化类别概率隶属分布图，克服了同质区域内部和地物边界上类别错分的缺点，使得本发明具有减少类别噪声和保持地物边界的优点；

通过采用图割模型对类别概率隶属分布图进行分割来获取所有地物目标，克服了算法过程中过分割和欠分割的缺点，使得本发明具有地物分类效果更准确的优点。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的基于边缘保持与图割模型的高光谱影像分类方法的流程图；

图2(a)是本发明实施例的基于边缘保持与图割模型的高光谱影像分类方法的分类结果对比图(a)；

图2(b)是本发明实施例的基于边缘保持与图割模型的高光谱影像分类方法的分类结果对比图(b)；

图2(c)是本发明实施例的基于边缘保持与图割模型的高光谱影像分类方法的分类结果对比图(c)；

图2(d)是本发明实施例的基于边缘保持与图割模型的高光谱影像分类方法的分类结果对比图(d)。

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用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的基于边缘保持与图割模型的高光谱影像分类方法，包括以下步骤：

S1、输入待分类的高光谱影像，并对影像数据进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；

S2、根据地面调查数据样本集中所有坐标位置，提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集；

S3、在得到的高光谱影像参考数据样本集中，依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集；将各信息类别中剩余的参考数据样本作为精度评价的测试样本集；

S4、采用基于概率的监督支持向量机分类器对待分类的高光谱影像进行像素级图像分类操作，获得各对应类别的概率隶属分布图；

S5、采用联合双边滤波对类别概率隶属分布图进行滤波处理，获得优化后的类别概率隶属分布图；

类别概率优化的具体步骤为：

S51、初始化滤波窗口大小、高斯空间核的标准差和高斯相似核的标准差；

S52、以原始高光谱影像作为联合双边滤波器的引导图像，采用该滤波器对每个感兴趣类别的概率隶属分布图分别进行平滑，获得优化后的类别概率隶属分布图。

S6、提取所有地面目标：采用图割模型对优化后的类别概率隶属分布图进行分割，获得各类别的分割结果；对各类别的分割结果采用合并准则和最大后验概率估计来获得最终的标签结果；

类别概率分割的具体步骤为：

S611、初始化类别概率阈值和光谱-空间权重调节因子；

S612、针对每个信息类别的概率分布，构建基于图割的能量方程；

S613、采用标准的最小割算法求解能量方程的全局最优解。

影像标签化的具体步骤为：

S621、对标签值唯一的像素赋予对应的类别标签；

S622、对其它像素采用最大后验概率准则赋予对应的类别标签。

S7、输出最终分类图。

在本发明的另一个具体实施例中，该方法的具体步骤为：

步骤1，输入数据。

在本实施例中，输入一幅待分类的ROSIS-03光学传感器获取的帕维亚大学University of Pavia的高光谱遥感影像与对应该影像的人工标记样本集。

步骤2，获得参考数据样本集：

依据地面调查数据所有样本的坐标位置，提取高光谱原始影像中对应坐标位置的像元构成参考数据样本集；

步骤3，确定训练样本与检验样本集：

在高光谱影像参考数据样本集中，依次为各感兴趣类别随机选取250个样本作为影像分类的训练样本集；将对应该类别的剩余样本作为影像分类的测试样本集；

步骤4，获取类别概率隶属分布图；

本实施例采用概率支持向量机监督分类器对高光谱影像进行分类来获得类别概率隶属分布图。设输入波段数为B的高光谱遥感影像由N个像元矢量I＝{I_i∈R^B,i＝1,2,...,N}组成，且影像中感兴趣的类别为W＝{w₁,w₂,...,w_K}，K为类别数。在SVM分类器中，首先选择高斯径向基函数为核函数，再将训练样本集输入分类器，并采取网格搜索法对参数C和γ进行寻优(C为惩罚因子、γ为核函数参数)；最后用训练好的分类器对数据进行分类，获得概率隶属分布图P＝{p^k,k＝1,2,...,K}，其中，

(5)类别概率优化；

第一步，初始化联合双边滤波窗口大小n、高斯空间核的标准差σ_s和高斯相似核的标准差σ_r；

第二步，以原始高光谱影像作为联合双边滤波器的引导图像，对每个感兴趣类别的概率隶属分布图分别进行平滑来获得优化后的类别概率隶属分布图为方便起见，概率隶属分布图中的类别序号被省略。联合双边滤波按照下列公式进行计算：

其中，i,j为原始影像上的像素位置，||i-j||为邻域像素j和中心像元i的空间距离，Ω是以像素i为中心的窗口，定义窗口大小为(2n+1)²，n＝1,2,...,N，|I_i-I_j|衡量原始影像上两个像元矢量的相似性，采用光谱角距离SAM按照下列公式计算像元x_i和x_j的相似性：

和分别按照下面的公式计算获得高斯空间核和高斯相似核：

K_i为双边滤波器的归一化参数。

步骤6，提取所有地物目标

第一步，初始化类别概率阈值μ和光谱-空间权重调节因子ω；

第二步，针对第k波段的概率分布p^k(k∈K)，建立类别w_k的Gibbs能量方程如下式所示：

E(α,p^k,I)＝U(α,p^k)+V(α,I)

其中，α为标签值α∈{0,1}，U(α,p^k)能量方程的区域项，其计算公式如下：

V(α,I)为能量函数边界项，其计算公式如下如下：

β＝(2〈dis(Ι_i,Ι_j)>)-¹

其中，是邻域像素(i,j)的集合，采用8-邻域进行计算；dis(x_i,x_j)是两个像素矢量之间的距离度量，按照上述像元矢量的光谱角度距离来计算获得。

第三步，采用标准的最小割算法求解能量方程的全局最优解。通过求解下列能量方程的全局最小值得到对应的类别w_k的分割结果：

最后，对地物分割结果进行标签，得到最终分类结果图。

第一步，遍历分割结果图上每个像素，如果分割结果中对应像素位置的类别标签值最大值为1，且1的出现次数仅仅为1次，则该像素的类别标签为对应类别，否则为0；

第二步，对于那些类别标签为0的像素，使用滤波后最大后验概率估计来给出该像元的类别标签。

步骤7，输出最终分类图。

如图2所示，结合实验示例图对本发明的效果做进一步说明。

1.仿真实验条件：

本实验的硬件测试平台是：处理器为Intel酷睿i7，主频为2.4GHz，内存16GB，软件平台为：Windows 8.1操作系统、Microsoft Visual Studio 2013、Matlab R2012a。本发明的输入图像是由ROSIS-03光学传感器获取的帕维亚大学影像数据集University ofPavia。影像的主要地表覆盖为城市中各种建筑材料。由于是航拍影像，其空间分辨率为1.3m，波长范围为0.43～0.86μm，共有103波段，其影像大小为610×340像素。影像中包含九种地物：Asphalt(柏油公路)、Meadows(草地)、Gravel(碎砾)、Trees(林地)、Metal sheets(金属板)、Bare soil(裸地)、Bitumen(柏油屋顶)、Bricks(砖块)、Shadows(阴影)。图像格式为img。

2.仿真内容：

本发明用到的三个现有技术对比分类方法分别如下，包括经典SVM分类器和两种常用的联合空间和光谱信息的高光谱影像分类方法，如下：

Melgani等人在“Classification of hyperspectral remote sensing imageswith support vector machines.IEEE Transactions on Geoscience and RemoteSensing.2004,42(8),1778-1790.”中提出的高光谱图像分类方法，简称支持向量机SVM分类方法。

Benediktsson等人在“Classification of Hyperspectral Data From UrbanAreas Based on Extended Morphological Profiles.IEEE Transaction on Geoscienceand Remote Sensing.2005,43(3),480-491.”中提出的基于扩展形态学剖面线的联合光谱和空间信息高光谱影像分类方法，简称EMP分类方法。

Mathieu等人在“A spatial–spectral kernel-based approach for theclassification of remote-sensing images.Pattern Recognition.2012,45(1),381-392.”中提出的基于空间-光谱核的联合光谱和空间信息高光谱影像空间影像分类方法，简称SS-Kernel分类方法。

实验过程中，针对不同分类方法获得的分类结果，根据地面真实参考数据来构建混淆矩阵，并通过计算总体分类精度OA、各个类别分类精度CA、平均分类精度AA和Kappa系数来对本发明方法的性能进行定量评价。

若类别数为n，则M是一个n×n的矩阵，其中M_ij表示分类数据类型中第i类和实测数据类型第j类中分类像素数目，则：

第一个评价指标是总精度(OA)，表示正确分类的样本占所有样本的比例，值越大，说明分类效果越好。其计算公式如下：

第二个评价指标是类别精度(CA)，表示每一类的分类精度，值越大，说明分类效果越好。其计算公式如下：

第三个评价指标是平均精度(AA)，表示每一类分类精度的平均值，值越大，说明分类效果越好。其计算公式如下：

第四个评价指标是卡帕系数(Kappa)，表示混淆矩阵中不同的权值，值越大，说明分类效果越好。其计算公式如下：

图2为仿真实验中本发明与现有技术对高光谱图像帕维亚大学University ofPavia的分类结果对比图。其中，图2(a)为直接采用SVM方法对高光谱遥感数据帕维亚大学University of Pavia获得的分类结果图；图2(b)为采用EMP方法对高光谱遥感数据帕维亚大学University of Pavia获得的分类结果图；图2(c)为采用SS-Kernel方法对高光谱遥感数据帕维亚大学University of Pavia获得的分类结果图；图2(d)为本发明方法对高光谱遥感数据帕维亚大学University of Pavia获得的分类结果图。

3.实验结果分析

表1为从客观评价指标上对附图2中各方法的分类结果进行评价。

表1各分类方法精度评价结果

综合表1和附图2可以看出，支撑向量机SVM分类结果存在较多的类别噪声。EMP和SS-Kernel分类方法都能够减少噪声，但难以完全消除同质区域错分的现象，尤其是草地和裸土地两个类别同质区域中的噪声，见图2(b)-(c)。本发明在视觉效果和定量分析方面均优于前三种现有技术分类方法，在地物边缘和同质区域都能达到理想的分类效果。由此可得，本发明对于联合光谱和空间信息的分类方法具有提升分类精度的效果。

以上仿真实验表明：本发明方法能够充分利用高光谱图像的光谱特征和空间信息，在图像边缘和同质区域都能取得很好的分类结果，能够解决现有技术方法中存在的忽略高光谱图像的空间信息、分类精度低等问题，是一种非常实用的高光谱图像分类方法。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，包括以下步骤：

S1、输入待分类的高光谱影像，并对影像数据进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；

S2、根据地面调查数据样本集中所有坐标位置，提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集；

S3、在得到的高光谱影像参考数据样本集中，依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集；将各信息类别中剩余的参考数据样本作为精度评价的测试样本集；

S4、采用基于概率的监督支持向量机分类器对待分类的高光谱影像进行像素级图像分类操作，获得各对应类别的概率隶属分布图；

S5、采用联合双边滤波对类别概率隶属分布图进行滤波处理，获得优化后的类别概率隶属分布图；

S6、提取所有地面目标：采用图割模型对优化后的类别概率隶属分布图进行分割，获得各类别的分割结果；对各类别的分割结果采用合并准则和最大后验概率估计来获得最终的标签结果；

S7、输出最终分类图。

2.根据权利要求1所述的基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，步骤S5中的类别概率优化的具体步骤为：

S51、初始化滤波窗口大小、高斯空间核的标准差和高斯相似核的标准差；

S52、以原始高光谱影像作为联合双边滤波器的引导图像，采用该滤波器对每个感兴趣类别的概率隶属分布图分别进行平滑，获得优化后的类别概率隶属分布图。

3.根据权利要求1所述的基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，步骤S6中的类别概率分割的具体步骤为：

S611、初始化类别概率阈值和光谱-空间权重调节因子；

S612、针对每个信息类别的概率分布，构建基于图割的能量方程；

S613、采用标准的最小割算法求解能量方程的全局最优解。

4.根据权利要求1所述的基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，步骤S6中的影像标签化的具体步骤为：

S621、对标签值唯一的像素赋予对应的类别标签；

S622、对其它像素采用最大后验概率准则赋予对应的类别标签。

5.根据权利要求1所述的基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，步骤S5中进行联合双边滤波的公式为：

其中，i,j为原始影像上的像素位置，||i-j||为邻域像素j和中心像元i的空间距离，Ω是以像素i为中心的窗口，定义窗口大小为(2n+1)²，n＝1,2,...,N，|I_i-I_j|衡量原始影像上两个像元矢量的相似性，采用光谱角距离SAM按照下列公式计算像元x_i和x_j的相似性：

和分别按照下面的公式计算获得高斯空间核和高斯相似核：

K_i为双边滤波器的归一化参数。

6.根据权利要求3所述的基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，步骤S612中的能量方程为：

E(α,p^k,I)＝U(α,p^k)+V(α,I)

其中，α为标签值α∈{0,1}，U(α,p^k)能量方程的区域项，其计算公式如下：

V(α,I)为能量函数边界项，其计算公式如下：

β＝(2<dis(Ι_i,Ι_j)〉)^-1

其中，是邻域像素(i,j)的集合，采用8-邻域进行计算；dis(x_i,x_j)是两个像素矢量之间的距离度量。

7.根据权利要求1所述的基于边缘保持与图割模型的高光谱影像分类方法，其特征在于，步骤S6中进行分割获得各类别的分割结果的方法具体为：

第一步，遍历分割结果图上每个像素，如果分割结果中对应像素位置的类别标签值最大值为1，且1的出现次数仅仅为1次，则该像素的类别标签为对应类别，否则为0；

第二步，对于那些类别标签为0的像素，使用滤波后最大后验概率估计来给出该像元的类别标签。