基于空谱特征保持全局几何结构的多时相高光谱图像分类
方法
技术领域
本发明涉及多时相高光谱图像分类方法。
背景技术
随着光学传感器和分光技术的发展,在多光谱遥感成像技术的基础上高光谱遥感成像技术得到快速的发展。高光谱成像技术综合了成像技术和光谱技术,能够同时记录待探测区域的空间结构信息和丰富的光谱信息,并且随着遥感技术的发展,如今可以提供大面积区域,具有空间上和时间上序列性,用于地物感知和监测的高光谱多时相图像数据。多时相高光谱图像使得多时相分析,多角度研究,精准的地物改变探测成为可能。然而为每一幅时相图都提供充足标签信息实现精确的分类是不现实的,尤其是这些图像的类别在空间上不一致的时候。因此我们常常只能依赖单个时相的地物真值图来处理多个时相的数据。
多时相的高光谱数据分类主要面临三个主要问题:1、波段数不断增多,导致信息的冗余和数据处理复杂度的增加;2、高光谱图像有标签样本获取十分不易,需要消耗大量的人力、物力而且耗时;3、多时相高光谱图像中可能会有光谱漂移的现象,导致来自不同时相的图像数据有不可靠的光谱相似性。
现有的基于流形学习的多时相分类方法主要采取保持局部几何结构的流形对准框架,如典型的半监督的流形对准方法,基于流形学习的多时相分类方法。这些都是保持数据局部几何结构的方法,但这种方法有时是不适用的,例如对高度折叠的数据,可能会带来错误的光谱近邻,影响分类效果。
发明内容
本发明的目的是为了解决高光谱多时相数据标签获取不易,图像存在明显光谱漂移的情况下,直接利用源时相的高光谱数据分类目标时相数据不可靠的问题,提出了基于空谱特征保持全局几何结构的多时相高光谱图像分类方法。
基于空谱特征保持全局几何结构的多时相高光谱图像分类方法具体过程为:
步骤一、输入源时相和目标时相中样本的光谱矩阵Xs与Xt和它们的空间坐标Z1、Z2,以及Xs各行相应类别标签向量Y;
步骤二、计算Xs,Xt的空谱距离选择最近的点作为需要匹配的数据对。
步骤三、计算Xs,Xt的测地距离矩阵Ds,s,Dt,t以及利用数据对计算两个图像的距离矩阵Ds,t,调整数据集的尺度,构建距离矩阵D。
步骤四、将Xs,D输入到保持全局几何结构的流形对准模型中,获得Xs、的在对准空间的映射矩阵α和β,从而得到投影fs和ft。
步骤五、利用fs和ft以及fs对应的标签Y,通过KNN分类模型分类,获得目标时相的分类标签。
本发明的有益效果为:
本发明利用一个有标签的时相高光谱图像来分类另一个无标签的时相高光谱图像,实现了对两幅明显存在光谱漂移的时相高光谱图像的分类。算法主要针对现在时相图像的获取越来越容易,对时相数据进行分析时,想要获得每一个时相图的标签需要耗费许多的人力,物力并且十分的耗时,并且在时相图存在明显光谱漂移的情况下,直接用一个实现时相上的标签来训练分类另一个时相的数据是不可靠的问题,本发明利用保持全局几何结构的对准框架,结合图像的空间和光谱信息来实现多时相高光谱的分类。
为了验证本发明所提出的方法的性能,针对一组EO-1卫星Hyperion高光谱数据进行了验证。Hyperion传感器能够获取400到2500nm宽10nm的224个波段,空间分辨率30m的图像,研究中去掉了噪声较多的波段,利用了剩余的198个波段,每幅图像一共包含7个相同的类。源图像取自2011年美国南达科他州布鲁金斯市的3月份的数据,目标图像为同一地理区域6月份的高光谱图像。实验结果验证了本发明提出的基于空谱特征的保持全局几何结构的流形对准算法的有效性。在如附表1所示的数据样本上,本发明的分类Kappa系数达到0.912,总体分类精度达到左右93.1。
附图说明
图1是本发明的实现流程示意图;
图2a是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市3月份时相数据假彩色合成图,大小为126x82;
图2b是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市3月份时相数据地物真实图,大小为126x82;
图3a是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市6月份时相数据假彩色合成图,大小为126x82;
图3b是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市6月份时相数据假地物真实图,大小为126x82;
图4a是是取样的6月份高光谱图像的真实标签图;
图4b是直接用3月份的数据标签来分类无标签的6月份目标图像的结果标签图;
图4c是用局部的对准方法,通过使用表1中的3月份有标签样本经过与表1中的6月份无标签的样本对准后分类6月份的数据的结果标签图;
图4d是利用本发明的方法,通过使用表1中的3月份有标签样本经过与表1中的6月份无标签的样本对准后分类6月份的数据的结果标签图;
图5是三种分类方法,分别是直接在原始空间中,经过保持局部几何结构的流形对准方法,本发明的基于空谱特征保持全局几何结构的流形对准方法,利用表1中的3月份有标签样本来分类表1中的6月份无标签的样本的kappa系数示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的基于空谱特征保持全局几何结构的多时相高光谱图像分类方法,具体过程为:
步骤一、输入源图像和目标图像中样本的光谱矩阵Xs、Xt和Xs、Xt的空间坐标Z1、Z2,以及Xs各行相应类别标签向量Y;
步骤二、计算Xs、Xt的空谱距离d,源图像中的每一类样本在目标图像中选择空谱距离最小的k个样本,作为需要匹配的数据对;
步骤三、计算Xs,Xt的测地距离矩阵Ds,s,Dt,t,以及利用数据对计算源图像和目标图像的距离矩阵Ds,t,调整Xs,Xt的尺度,用Ds,s、Dt,t、Ds,t构建距离矩阵D;
步骤四、将Xs、D输入到保持全局几何结构的流形对准模型中,获得Xs、在对准空间的线性映射矩阵α和β,从而得到投影fs和ft;
步骤五、利用fs和ft以及Xs各行相应类别标签向量Y,通过KNN分类模型对ft分类,获得目标时相的分类标签。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤二中计算Xs、Xt的空谱距离d,源图像中的每一类样本在目标图像中选择空谱距离最小的k个样本,作为需要匹配的数据对;具体过程为:
d=dspectral·dspatial
其中dspectral和dspatial分别表示源图像和目标图像在光谱上和空间上的高斯相似性度量,xs i表示源图像第i个样本,zs i表示源图像第i个样本的空间坐标,xt j表示目标图像第j个样本,zt j表示目标图像第j个样本的空间坐标,σspectral,σspatial分别表示光谱上和空间上的高斯权重参数;i、j取值范围正整数;
源图像的每一类样本在目标图像中选择与源图像空谱距离较小的k个样本作为匹配的数据对数据对共l个,l=C×k,源图像和目标图像中类别数是C个。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述类别数C为7,k取值为1-20。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中计算Xs,Xt的测地距离矩阵Ds,s,Dt,t,以及利用数据对计算源图像和目标图像的距离矩阵Ds,t,调整Xs,Xt的尺度,用Ds,s、Dt,t、Ds,t构建距离矩阵D;具体过程为:
步骤三一、计算源图像和目标图像各自的测地距离Ds,s,Dt,t;
步骤三二、将Xs和Xt调整到同样尺度的空间有Ds,s,ηDt,t,其中:
η=tr(Da TDa)/tr(Dbt TDbt)
式中,η为Xt的尺度因子,Da为一个l×l的矩阵,Da(i,j)是xs ai和xs aj的距离,xs ai为源图像匹配数据中的第ai个样本,xs aj为源图像匹配数据中的第aj个样本;Dbt为一个l×l的矩阵,Dbt(i,j)是xt bi和xt bj的距离,xt bi为目标图像匹配数据中的第bi个样本,xt bj为目标图像匹配数据中的第bj个样本;l=类别数×k;k是选取的近邻个数;为调整后的目标图像;
步骤三三、计算源图像和目标图像的距离矩阵Ds,t:
其中,aj为匹配数据中第aj个,共计C×k个;bj为匹配数据中第bj个,共计C×k个,C为类别数;为源图像匹配数据中的第aj个,为目标图像匹配数据中的第bj个样本;
aj,bj表示xs,xt中匹配的数据对下标,xs,xt中任一组匹配的数据对一共有l个,l=C×k;C是类别数,k是选取的近邻个数。
步骤三四、计算距离矩阵D,表示联合几何结构:
式中,Ds,t为源图像和目标图像的距离矩阵;
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中将Xs、D输入到保持全局几何结构的流形对准模型中,获得Xs、在对准空间的线性映射矩阵α和β,从而得到投影fs和ft;具体过程为:
步骤四一、构建原始数据混合矩阵Z,利用算子将距离转化为内积,表征数据几何结构;
将Xs,Xt,D输入到保持全局几何结构的对准模型中,模型定义如下:
其中S=D2,Si,j为S的第i行第j列,Di,j为D的第i行第j列,并且H=I-(1/m)eeT,I表示单位矩阵,e是全为1的向量,m是源图像和目标图像中样本的大小,α,β分别为源图像Xs和目标图像在共同空间的线性映射矩阵;q为调整映射函数尺度系数,为正整数;
步骤四三、假定γ=(αT,βT)T,其中γ的求取转化为如下特征值问题求解:
式中,T为转置;γ为线性映射矩阵;λ为求得的特征值;
步骤四四、利用α和β作为线性映射矩阵将源图像Xs和目标图像Xt投影到共同空间中,计算方法如下:
fs=αTXs
式中fs为Xs在对准空间得到的投影,ft为Xt在对准空间得到的投影。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤五中利用fs和ft以及Xs对应的标签Y,通过KNN分类模型分类,获得目标时相的分类标签;具体过程为:
将fs作为训练样本,将Y作为训练样本标签,将ft作为测试样本,利用KNN分类模型,获得测试样本标签Yt,将Yt作为目标时相的分类标签进行输出。
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例基于空谱特征保持全局几何结构的多时相高光谱图像分类方法具体是按照以下步骤制备的:
Hyperion传感器能够获取400到2500nm宽10nm的224个波段,空间分辨率30m的图像,研究中去掉了噪声较多的波段,利用了剩余的198个波段,每幅图像一共包含7个相同的类。实验所用数据是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市两幅不同时间的遥感图像,采集时间分别为11年3月份和11年6月份。数据包含198个波段,空间分辨率为30m,波段范围为400~2500nm,如图2a、图2b和图3a、图3b所示分别是该地区3月份和6月份时相数据假彩色合成图及地物真实图,图像的大小为126x82。取样的样本类别和个数如表1所示。其中3月份的为源图像,6月份的作为目标图像,利用3月份的数据的标签来分类6月份的数据。本发明的方法分别和直接在原始空间(即未利用流形对准方法)来分类,以及保持局部的几何结构的对准方法对比来证明方法的有效性。如图4a是取样的6月份时相图的标签图,图4b是直接用3月份的数据标签来分类6月份目标图像,图4c是用局部的对准方法的分类结果标签图,保持局部的流形对准方法假设每个时相图的局部几何结构类似,分别用源图像和目标图像的拉普拉斯图来表示各自的局部几何,同时使得两个时相离的近的点在对准后的空间中尽可能的靠近。图4c利用本发明方法来分类6月份的目标图像标签结果图。由图4a、4b、4c、4d的直观结果可以看出经过本算法对准后的分类图更接近与原始标签图。图5为三种算法分类的kappa系数,通过对比可以看到,我们提出的算法在所有条件下kappa系数都是最好的。因此实验验证了我们算法的有效性。表1是取样的3月和6月的样本类别和类别数示意图,每个时相的数据都包含相同的7类样本,分别是居民区、工业和商业用地、森林、水域、沙滩和石头、草地、裸土;
表1
编号 |
类别 |
3月 |
6月 |
1 |
居民区 |
165 |
166 |
2 |
工业和商业用地 |
303 |
153 |
3 |
森林 |
254 |
354 |
4 |
水域 |
141 |
190 |
5 |
沙滩和石头 |
68 |
68 |
6 |
草地 |
31 |
31 |
7 |
裸土 |
23 |
23 |
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。