CN107145831B - 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 - Google Patents

Abstract

本发明公开了基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，包括以下步骤：S1将待分类的高光谱影像输入样本获取单元；S2提取所述高光谱影像中对应坐标位置的像元，进而构成参考数据样本集；S3随机选取训练样本集；S4采用支持向量机分类器进行分类，获得高光谱影像的初始分类图，并根据初始分类图计算各类别的属性二值标签图；S5滤波，获得初始类别属性后验概率估计，并基于最大后验概率估计框架构建马尔科夫随机场模型；S6采用图割算法对构建的马尔科夫随机场模型进行能量最小化求解，得到最终类别属性后验概率估计；S7将最终类别属性后验概率估计进行处理，得到最终类别属性标签，输出最终分类图。本发明为高光谱遥感提供可靠信息来源。

Description

基于矢量概率扩散和马尔科夫随机场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，尤其涉及基于矢量概率扩散和马尔科夫随机场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，实现地物准确提取和识别，为更精确的高光谱遥感影像分析与行业应用奠定良好基础。然而，高光谱影像维数高、波段相关性大和包含噪声等不足，给高光谱遥感信息分析与处理带来了巨大挑战。基于光谱特征的影像分类方法仅依据地物光谱特征来判定像元的类别归属，并未利用影像的空间信息，因此，这类方法获得的分类精度难以更进一步地改善。

联合光谱和空间信息的影像分类方法在联合高光谱影像空间信息(主要包括纹理信息、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)和地物光谱特征的基础上，能够获得更精确的分类结果。但，所得到高光谱影像通常存在噪声干扰，且传统马尔科夫随机场模型并未考虑地物边界信息，因此容易造成“过平滑”的分类结果，难以有效提高分类精度。此外，由于地物目标的各种特征通常存在于多个尺度范围内，因此单一尺度的图像分割难以获得满足要求的同质区域。

发明内容

有鉴于此，本发明的实施例提供了一种优化了类别的属性后验概率估计，能够有效减少同质区域内部“椒盐噪声”和地物边界的划分错误，并通过能量函数最小化对类别属性后验概率估计分布图进行优化，提高了分类精度的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法。

本发明的实施例提供基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，包括以下步骤：

S1将待分类的高光谱影像输入样本获取单元；

S2将与待分类的高光谱影像相对应的地面调查数据样本集输入样本获取单元，并根据所述地面调查数据样本集中所有样本的坐标位置提取所述高光谱影像中对应坐标位置的像元，进而构成参考数据样本集；

S3参考数据样本集包括多个信息类别，依次为各信息类别随机选取一部分样本作为监督分类的训练样本集；

S4将各信息类别的训练样本集输入分类单元，在所述分类单元中采用支持向量机分类器进行分类，获得高光谱影像的初始分类图，并根据初始分类图计算各类别的属性二值标签图；

S5在处理单元中采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波，获得初始类别属性后验概率估计，并基于最大后验概率估计框架构建马尔科夫随机场模型；

S6采用图割算法对步骤S5构建的马尔科夫随机场模型进行能量最小化求解，得到最终类别属性后验概率估计；

S7将最终类别属性后验概率估计利用最大似然估计进行处理，得到最终类别属性标签，输出，即得到高光谱影像的最终分类图。

进一步的，所述步骤S3中，各信息类别随机选取10％的样本作为监督分类的训练样本集，余下的样本作为精度评价的测试样本集。

进一步，所述步骤S4中，将各信息类别的训练样本集采用支持向量机分类器进行分类的具体步骤为：

S4.1在各信息类别的训练样本集中选取已知的、有代表性的像元；

S4.2利用步骤S4.1选取的像元来估计支持向量机分类器中的最优惩罚因子和核函数参数；

S4.3利用步骤S4.2训练过的支持向量机分类器为高光谱影像中的每个像元赋予类别属性标签，即完成对高光谱影像的初始分类，获得高光谱影像的初始分类图。

进一步，所述步骤S4.2中，在支持向量机分类器中先选择高斯径向基函数为核函数，再将步骤S4.1选取的像元输入支持向量机分类器中，并采取网格搜索法对惩罚因子和核函数参数进行寻优，得到支持向量机分类器中的最优惩罚因子和核函数参数。

进一步，所述步骤S4中，属性二值标签图的计算公式为：

式中：i和j分别表示高光谱影像的类别和像元序号。

进一步，所述步骤S5中，采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波的的具体步骤为：

S5.1建立矢量概率扩散模型；

S5.2初始化矢量概率扩散模型的最大迭代次数和扩散尺度参数；

S5.3采用矢量概率扩散模型滤除属性二值标签图中的“椒盐噪声”,并保持边界不被损坏，获得初始类别属性后验概率估计。

进一步，所述步骤S5.1中，矢量概率扩散模型为：

式中：

β为扩散尺度参数，div为散度算子符号，t为扩散尺度参数。

进一步，所述步骤S5中，基于最大后验概率估计框架构建的马尔科夫随机场模型为：

式中：i,j分别表示两个相邻像元的序号，B_i(y_i)和R_i,j(y_i,y_j)分别表示能量函数的边界项和区域项，λ表示正则化参数；

能量函数的边界项的计算公式为：B_i(y_i)＝-ln(P(y_i|x_i))；

式中：

表示高光谱影像的像元；

能量函数的区域项采用伊辛模型，计算公式为：

R_i,j(y_i,y_j)＝1-δ(y_i,y_j)；

式中：δ(·)为克罗内克函数；

进一步，所述步骤S6中，采用图割算法对步骤S5构建的马尔科夫随机场模型进行能量最小化求解的具体步骤为：

S6.1初始化正则化参数；

S6.2采用标准的最小割算法求解能量方程的全局最优解，计算公式为：

式中：表示经过概率扩散处理的后验概率估计。

进一步，所述步骤S7中，在最终类别属性后验概率估计中每个像元的概率最大值所对应的类别属性值标签即为该像元的最终类别属性标签。

与现有技术相比，本发明具有以下有益效果：

(1)本发明的基于矢量概率扩散和马尔科夫随机场的高光谱影像分类方法，能够克服单纯基于光谱特征的影像分类方法的不足，充分利用高光谱影像丰富的光谱特征和空间信息，为高光谱遥感技术提供可靠的信息来源；

(2)本发明通过采用矢量概率扩散模型来获得初始类别属性后验概率估计图，抑制了同质区域内的“椒盐噪声”，保持了地物边界不被破坏，并克服了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，同时也具有地物分类精度更精确的优点。

附图说明

图1是本发明基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法的一流程图；

图2本发明基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法的一装置图；

图3是图1中步骤S4的一流程图；

图4是图1中步骤S5的一流程图；

图5是图1中步骤S6的一流程图；

图6是采用SVM方法获取的高光谱遥感数据Indian Pines分类图；

图7是采用EMP方法获取的高光谱遥感数据Indian Pines分类图；

图8是采用SS-Kernel方法获取的高光谱遥感数据Indian Pines分类图；

图9是本发明基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，获取的高光谱遥感数据Indian Pines分类图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图1和图2，本发明的实施例提供了基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，包括以下步骤：

S1将待分类的高光谱影像输入样本获取单元1；

S2将与待分类的高光谱影像相对应的地面调查数据样本集输入样本获取单元1，并根据所述地面调查数据样本集中所有样本的坐标位置提取所述高光谱影像中对应坐标位置的像元，进而构成参考数据样本集；

S3参考数据样本集包括多个信息类别，依次为各信息类别随机选取一部分样本作为监督分类的训练样本集；

优选地，各信息类别随机选取10％的样本作为监督分类的训练样本集，余下的样本作为精度评价的测试样本集。

请参考图3，S4将各信息类别的训练样本集输入分类单元2，在所述分类单元2中采用支持向量机分类器进行分类，获得高光谱影像的初始分类图，具体步骤为：

S4.1在各信息类别的训练样本集中选取已知的、有代表性的像元；

S4.2利用步骤S4.1选取的像元来估计支持向量机分类器中的最优惩罚因子和核函数参数；在支持向量机分类器中先选择高斯径向基函数为核函数，再将步骤S4.1选取的像元输入支持向量机分类器中，并采取网格搜索法对惩罚因子和核函数参数进行寻优，得到支持向量机分类器中的最优惩罚因子和核函数参数；

S4.3利用步骤S4.2训练过的支持向量机分类器为高光谱影像中的每个像元赋予类别属性标签，即完成对高光谱影像的初始分类，获得高光谱影像的初始分类图。

再根据初始分类图计算各类别的属性二值标签图；属性二值标签图的计算公式为：

式中：i和j分别表示高光谱影像的类别和像元序号。

表示高光谱影像，B表示该影像的波段数，x_j表示像元，N_j表示x_j的4-邻域，该高光谱影像上地物类别属性为Y＝{y_j∈Lⁿ,j＝1,2,...,n}，L＝{l₁,l₂,...,l_C}，C为总类别数，循环所有类别，对高光谱影像上每个像元均进行类别标签二值化处理，获得对应各类别的二值标签图为P＝{Pⁱ∈{0,1},i＝1,2,...,C}。

请参考图4，S5在处理单元3中采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波，具体步骤为：

S5.1建立矢量概率扩散模型；

S5.2初始化矢量概率扩散模型的最大迭代次数和扩散尺度参数；

矢量概率扩散模型为：

式中：

β为扩散尺度参数，div为散度算子符号，t为扩散尺度参数；

S5.3采用矢量概率扩散模型滤除属性二值标签图中的“椒盐噪声”,并保持边界不被损坏，获得初始类别属性后验概率估计，并基于最大后验概率估计框架构建马尔科夫随机场模型；

基于最大后验概率估计框架构建的马尔科夫随机场模型为：

式中：i,j分别表示两个相邻像元的序号，B_i(y_i)和R_i,j(y_i,y_j)分别表示能量函数的边界项和区域项，λ表示正则化参数；

能量函数的边界项的计算公式为：B_i(y_i)＝-ln(P(y_i|x_i))；

式中：

表示高光谱影像的像元；

能量函数的区域项采用伊辛模型，计算公式为：

R_i,j(y_i,y_j)＝1-δ(y_i,y_j)；

式中：δ(·)为克罗内克函数；

S6采用图割算法对步骤S5构建的马尔科夫随机场模型进行能量最小化求解，得到最终类别属性后验概率估计；

请参考图5，采用图割算法对步骤S5构建的马尔科夫随机场模型进行能量最小化求解的具体步骤为：

S6.1初始化正则化参数；

S6.2采用标准的最小割算法求解能量方程的全局最优解，计算公式为：

式中：

表示经过概率扩散处理的后验概率估计。

S7将最终类别属性后验概率估计利用最大似然估计进行处理，具体的，在最终类别属性后验概率估计中每个像元的概率最大值所对应的类别属性值标签即为该像元的最终类别属性标签，得到最终类别属性标签，输出，即得到高光谱影像的最终分类图。

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。

本发明输入的高光谱影像是由AVIRIS光学传感器获取的影像数据集IndianPines。

高光谱影像的主要地表覆盖为Indiana西北部农业种植区状况，其空间分辨率为20m，波长范围为0.4-2.5μm，共有185波段，其影像大小为145×145像素。影像中包含十六种地物：Alfalfa、Corn-notill、Corn-min till、Corn、Grass/pasture、Grass/trees、Grass/pasture-mowed、Hay-windrowed、Oats、Soybeans-no till、Soybeans-min till、Soybeans-clean till、Wheat、Woods、Bldg-Grass-Trees-Drives和Stone-steel towers。图像格式为img。

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C，则M是一个C×C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6-图9为仿真实验中本发明与现有技术对高光谱图像Indian Pines的分类结果对比图。其中，图6为直接采用SVM方法获取的高光谱遥感数据Indian Pines分类图；图7为采用EMP方法获取的高光谱遥感数据Indian Pines分类图；图8为采用SS-Kernel方法获取的高光谱遥感数据Indian Pines分类图；图9为本发明方法获取的高光谱遥感数据IndianPines分类图。

表1为从客观评价指标上对附图6-图9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6-图9可以看出，支持向量机SVM分类结果存在较多的类别“椒盐噪声”。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，尤其是图像左上角各个类别同质区域中的噪声仍旧存在于这两种方法的分类图中，见图7-图8。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。

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。

本发明的基于矢量概率扩散和马尔科夫随机场的高光谱影像分类方法，能够克服单纯基于光谱特征的影像分类方法的不足，充分利用高光谱影像丰富的光谱特征和空间信息，为高光谱遥感技术提供可靠的信息来源；本发明通过采用矢量概率扩散模型来获得初始类别属性后验概率估计图，抑制了同质区域内的“椒盐噪声”，保持了地物边界不被破坏，并克服了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，同时也具有地物分类精度更精确的优点。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，包括以下步骤：

S1将待分类的高光谱影像输入样本获取单元；

S2将与待分类的高光谱影像相对应的地面调查数据样本集输入样本获取单元，并根据所述地面调查数据样本集中所有样本的坐标位置提取所述高光谱影像中对应坐标位置的像元，进而构成参考数据样本集；

S3参考数据样本集包括多个信息类别，依次为各信息类别随机选取一部分样本作为监督分类的训练样本集；

S4将各信息类别的训练样本集输入分类单元，在所述分类单元中采用支持向量机分类器进行分类，获得高光谱影像的初始分类图，并根据初始分类图计算各类别的属性二值标签图；

S5在处理单元中采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波，获得初始类别属性后验概率估计，并基于最大后验概率估计框架构建马尔科夫随机场模型；

S6采用图割算法对步骤S5构建的马尔科夫随机场模型进行能量最小化求解，得到最终类别属性后验概率估计；其中：在初始化正则化参数后，采用标准的最小图割算法求解能量方程的全局最优解，计算公式为：

式中，

表示经过概率扩散处理的后验概率估计；其中：x_j表示像元，y_j表示高光谱影像的类别，λ表示正则化参数，α为像素的类别标签，N_j表示第j个像元的邻域，α-Expansion(.)表示基于图割的一种算法，其通过批量移动像元到标签为α的类来最小化能量函数，其同时考虑了标签为α的像元与其它所有类别像元N_j之间的关系；

S7将最终类别属性后验概率估计利用最大似然估计进行处理，得到最终类别属性标签，输出，即得到高光谱影像的最终分类图。

2.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S3中，各信息类别随机选取10％的样本作为监督分类的训练样本集，余下的样本作为精度评价的测试样本集。

3.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S4中，将各信息类别的训练样本集采用支持向量机分类器进行分类的具体步骤为：

S4.1在各信息类别的训练样本集中选取已知的、有代表性的像元；

S4.2利用步骤S4.1选取的像元来估计支持向量机分类器中的最优惩罚因子和核函数参数；

S4.3利用步骤S4.2训练过的支持向量机分类器为高光谱影像中的每个像元赋予类别属性标签，即完成对高光谱影像的初始分类，获得高光谱影像的初始分类图。

4.根据权利要求3所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S4.2中，在支持向量机分类器中先选择高斯径向基函数为核函数，再将步骤S4.1选取的像元输入支持向量机分类器中，并采取网格搜索法对惩罚因子和核函数参数进行寻优，得到支持向量机分类器中的最优惩罚因子和核函数参数。

5.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S4中，属性二值标签图的计算公式为：

式中：i和j分别表示高光谱影像的类别和像元序号；P_j为每个类别对应的属性标签值。

6.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S5中，采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波的具体步骤为：

S5.1建立矢量概率扩散模型；

S5.2初始化矢量概率扩散模型的最大迭代次数和扩散尺度参数；

S5.3采用矢量概率扩散模型滤除属性二值标签图中的“椒盐噪声”,并保持边界不被损坏，获得初始类别属性后验概率估计。

7.根据权利要求6所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S5.1中，矢量概率扩散模型为：

式中：

β为扩散尺度参数，div为散度算子符号，t为扩散尺度参数；C为总类别数；Pⁱ为每个类别对应的类别标签值。

8.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S5中，基于最大后验概率估计框架构建的马尔科夫随机场模型为：

式中：i,j分别表示两个相邻像元的序号，B_i(y_i)和R_i,j(y_i,y_j)分别表示能量函数的边界项和区域项，λ表示正则化参数；

能量函数的边界项的计算公式为：B_i(y_i)＝-ln(P(y_i|x_i))；

式中：

表示高光谱影像的像元；n表示像元总数；

能量函数的区域项采用伊辛模型，计算公式为：

R_i,j(y_i,y_j)＝1-δ(y_i,y_j)；

式中：δ(·)为克罗内克函数；

9.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S7中，在最终类别属性后验概率估计中每个像元的概率最大值所对应的类别属性值标签即为该像元的最终类别属性标签。

Images