CN107220677A - 一种分类准确的高光谱图像数据分类系统 - Google Patents
一种分类准确的高光谱图像数据分类系统 Download PDFInfo
- Publication number
- CN107220677A CN107220677A CN201710508596.XA CN201710508596A CN107220677A CN 107220677 A CN107220677 A CN 107220677A CN 201710508596 A CN201710508596 A CN 201710508596A CN 107220677 A CN107220677 A CN 107220677A
- Authority
- CN
- China
- Prior art keywords
- classification
- mrow
- image data
- sample point
- hyperspectral image
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种分类准确的高光谱图像数据分类系统,包括建模模块、分类模块和评价模块,所述建模模块采用向量模型表示高光谱图像数据,所述分类模块用于对高光谱图像数据进行分类,所述评价模块用于对分类结果进行评价;所述向量模型用于将高光谱数据中的每个像元对应着多个波段的反射值表示为多维空间的一个向量;所述分类模块包括第一分类单元、第二分类单元和第三分类单元,所述第一分类单元用于对高光谱图像数据进行初步分类,所述第二分类单元用于对高光谱图像数据进行二次分类,所述第三分类单元用于对高光谱图像数据进行最终分类。本发明的有益效果为:实现了高光谱图像数据的分类和对分类结果的评价。
Description
技术领域
本发明涉及图像分类技术领域,具体涉及一种分类准确的高光谱图像数据分类系统。
背景技术
高光谱遥感又称为成像光谱遥感,它利用很多很窄的电磁波波段从感兴趣的物体的反射中获取有关数据,实现了遥感技术光谱分辨率的突破性提高。高光谱遥感与普通遥感的差别在于前者比后者具有更多更细的谱段,可以形成完整的光谱数据。
目前,高光谱遥感已经成为遥感领域的前沿科技,其中高光谱数据分类技术已经成为高光谱遥感处理领域的研究热点。
发明内容
针对上述问题,本发明旨在提供一种分类准确的高光谱图像数据分类系统。
本发明的目的采用以下技术方案来实现:
提供了一种分类准确的高光谱图像数据分类系统,包括建模模块、分类模块和评价模块,所述建模模块采用向量模型表示高光谱图像数据,所述分类模块用于对高光谱图像数据进行分类,所述评价模块用于对分类结果进行评价;所述向量模型用于将高光谱数据中的每个像元对应着多个波段的反射值表示为多维空间的一个向量;所述分类模块包括第一分类单元、第二分类单元和第三分类单元,所述第一分类单元用于对高光谱图像数据进行初步分类,所述第二分类单元用于对高光谱图像数据进行二次分类,所述第三分类单元用于对高光谱图像数据进行最终分类。
本发明的有益效果为:实现了高光谱图像数据的分类和对分类结果的评价,向量模型定量描述了目标的光谱辐射特性及其在多维空间中的变化规律,将每个像元用多维向量表示,更适合计算机进行处理,能够更好地表征地物的分布特性及其变化规律;分类模块通过多次分类实现高光谱图像数据的最终分类,得到的分类结果更为准确。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
图2是本发明分类模块结构示意图。
附图标记:
建模模块1、分类模块2、评价模块3、第一分类单元21、第二分类单元22、第三分类单元23。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2,本实施例的一种分类准确的高光谱图像数据分类系统,包括建模模块1、分类模块2和评价模块3,所述建模模块1采用向量模型表示高光谱图像数据,所述分类模块2用于对高光谱图像数据进行分类,所述评价模块3用于对分类结果进行评价;所述向量模型用于将高光谱数据中的每个像元对应着多个波段的反射值表示为多维空间的一个向量;所述分类模块2包括第一分类单元21、第二分类单元22和第三分类单元23,所述第一分类单元21用于对高光谱图像数据进行初步分类,所述第二分类单元22用于对高光谱图像数据进行二次分类,所述第三分类单元23用于对高光谱图像数据进行最终分类。
本实施例实现了高光谱图像数据的分类和对分类结果的评价,向量模型定量描述了目标的光谱辐射特性及其在多维空间中的变化规律,将每个像元用多维向量表示,更适合计算机进行处理,能够更好地表征地物的分布特性及其变化规律;分类模块通过多次分类实现高光谱图像数据的最终分类,得到的分类结果更为准确。
优选的,所述对高光谱图像数据进行初步分类采用以下方式进行:
步骤1:设高光谱图像样本点的向量集为初始类别数目为z,其中,xi表示第i个样本点的向量表示,xi均无标签,M表示X中样本点的个数;
步骤2:从高光谱数据样本集X中随机选取z个样本点作为初始分类中心,分别记为初始分类结果记为:初始化迭代次数k=0;
步骤3:计算样本集X中的样本点到各个分类中心的距离,选择距离最近分类中心所属的类别作为样本点的分类,得到新的分类结果 表示第k次迭代中第j类样本点分类结果,重新计算各个分类的中心:
式中,表示中所含样本点数量,表示中所含样本点数量;
步骤4:重复步骤3,直到达到最大迭代次数或者满足收敛条件,完成分类,得到初次分类结果。
所述收敛条件为式中,i=1,2,…,M,j∈[1,z],表示样本点xi和分类中心之间的距离,距离越小,表示样本点间的相似程度越大,β为预先设定的参数;
采用以下方式计算:式中,xi和xl表示样本点。
本优选实施例第一分类单元采用无监督分类的方法对高光谱数据的样本点进行分类,获取了样本点的分类情况,完成了对不同类别的区分,具体的,在重新计算各个分类中心时,考虑了上一次迭代结果对本次分类的影响,减少了本次数据异常对分类结果带来的影响,获取了更为准确的分类结果,在设定收敛条件时,考虑了两次迭代差对于和的相对值,获取的分类结果更为精细,在距离度量过程中,采用距离来衡量各个样本点的光谱特征相似性,其相似性度量更加符合高光谱图像数据的特性,且该样本点相似性衡量方式的抗干扰能力较强,受样本点向量的乘性噪声干扰小。
优选的,所述对高光谱图像数据进行二次分类采用以下步骤进行:
步骤1:从样本集X中随机选择N1个未标签的样本点,结合标签样本点,构造训练样本集其中,yr表示第r个样本点的向量表示,N表示Y1中样本点的个数;
步骤2:采用第一分类单元21对训练样本集Y1进行P次分类,每次分类类别数均为z,但每次都随机选择初始分类中心,得到fp(yr),fp(yr)表示样本点yr在第p次分类中的分类结果,其中,p=1,2,…,P;
步骤3:根据训练样本集Y1中样本点yr和ys在P次分类中属于同一类别的次数,构造核函数K1:式中,[fp(yr)==fp(ys)]用于判断样本点yr和ys在第p次分类中是否属于同一类别,若是则取1,否则为0;
步骤4:利用核函数K1对训练样本集Y1进行非线性变换,得到用于训练最小二乘支持向量机分类器的训练集,采用训练好的分类器对样本集X进行分类,得到二次分类结果。
所述第三分类单元23采用二次分类结果作为最终分类结果,对于二次分类结果与初次分类结果不一致的样本点,采用一次分类结果作为最终分类结果。
本优选实施例第二分类单元采用无监督分类与半监督分类相结合的方法对高光谱图像数据进行分类,由于标签样本点的存在,在获取样本点分类情况的基础上,获取了各个类别的属性。
优选的,所述对分类结果进行评价采用评价函数进行,评价函数采用下式计算:
式中,Uij为高光谱图像数据分类结果的混淆矩阵,表示类别j被分类为类别i的样本数量,i≠j,T代表类别数量,W表示样本数量;ZO越小,表明分类结果越准确。
本优选实施例评价模块通过建立评价函数对分类结果进行评价,评价函数反映了随机样本的分类结果与真实标记类别相一致情况,保证了分类的准确性。
采用本发明分类准确的高光谱图像数据分类系统对高光谱图像数据进行分类,选取5幅高光谱图像进行分类试验,并将其编为图像1、图像2、图像3、图像4和图像5,对高光谱图像数据的分类时间和分类准确性进行分析,同现有红外图像处理系统相比,产生的有益效果如下表所示:
分类时间缩短 | 分类准确性提高 | |
图像1 | 23% | 21% |
图像2 | 25% | 20% |
图像3 | 24% | 25% |
图像4 | 26% | 22% |
图像5 | 24% | 23% |
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种分类准确的高光谱图像数据分类系统,其特征在于,包括建模模块、分类模块和评价模块,所述建模模块采用向量模型表示高光谱图像数据,所述分类模块用于对高光谱图像数据进行分类,所述评价模块用于对分类结果进行评价;所述向量模型用于将高光谱数据中的每个像元对应着多个波段的反射值表示为多维空间的一个向量;所述分类模块包括第一分类单元、第二分类单元和第三分类单元,所述第一分类单元用于对高光谱图像数据进行初步分类,所述第二分类单元用于对高光谱图像数据进行二次分类,所述第三分类单元用于对高光谱图像数据进行最终分类。
2.根据权利要求1所述的分类准确的高光谱图像数据分类系统,其特征在于,所述对高光谱图像数据进行初步分类采用以下方式进行:
步骤1:设高光谱图像样本点的向量集为初始类别数目为z,其中,xi表示第i个样本点的向量表示,xi均无标签,M表示X中样本点的个数;
步骤2:从高光谱数据样本集X中随机选取z个样本点作为初始分类中心,分别记为初始分类结果记为:初始化迭代次数k=0;
步骤3:计算样本集X中的样本点到各个分类中心的距离,选择距离最近分类中心所属的类别作为样本点的分类,得到新的分类结果 表示第k次迭代中第j类样本点分类结果,重新计算各个分类的中心:
<mrow>
<msubsup>
<mi>c</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>4</mn>
<mrow>
<mn>5</mn>
<msubsup>
<mi>n</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>5</mn>
<msubsup>
<mi>n</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>&Element;</mo>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</munder>
<msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
式中,表示中所含样本点数量,表示中所含样本点数量;
步骤4:重复步骤3,直到达到最大迭代次数或者满足收敛条件,完成分类,得到初次分类结果。
3.根据权利要求2所述的分类准确的高光谱图像数据分类系统,其特征在于,所述收敛条件为式中,i=1,2,…,M,j∈[1,z],表示样本点xi和分类中心之间的距离,距离越小,表示样本点间的相似程度越大,β为预先设定的参数;
采用以下方式计算:式中,xi和xl表示样本点。
4.根据权利要求3所述的分类准确的高光谱图像数据分类系统,其特征在于,所述对高光谱图像数据进行二次分类采用以下步骤进行:
步骤1:从样本集X中随机选择N1个未标签的样本点,结合标签样本点,构造训练样本集其中,yr表示第r个样本点的向量表示,N表示Y1中样本点的个数;
步骤2:采用第一分类单元对训练样本集Y1进行P次分类,每次分类类别数均为z,但每次都随机选择初始分类中心,得到fp(yr),fp(yr)表示样本点yr在第p次分类中的分类结果,其中,p=1,2,…,P;
步骤3:根据训练样本集Y1中样本点yr和ys在P次分类中属于同一类别的次数,构造核函数K1:式中,[fp(yr)==fp(ys)]用于判断样本点yr和ys在第p次分类中是否属于同一类别,若是则取1,否则为0;
步骤4:利用核函数K1对训练样本集Y1进行非线性变换,得到用于训练最小二乘支持向量机分类器的训练集,采用训练好的分类器对样本集X进行分类,得到二次分类结果。
5.根据权利要求4所述的分类准确的高光谱图像数据分类系统,其特征在于,所述第三分类单元采用二次分类结果作为最终分类结果,对于二次分类结果与初次分类结果不一致的样本点,采用一次分类结果作为最终分类结果。
6.根据权利要求5所述的分类准确的高光谱图像数据分类系统,其特征在于,所述对分类结果进行评价采用评价函数进行,评价函数采用下式计算:
<mrow>
<mi>Z</mi>
<mi>O</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>W</mi>
</mfrac>
<mo>&times;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
式中,Uij为高光谱图像数据分类结果的混淆矩阵,表示类别j被分类为类别i的样本数量,i≠j,T代表类别数量,W表示样本数量;ZO越小,表明分类结果越准确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710508596.XA CN107220677A (zh) | 2017-06-28 | 2017-06-28 | 一种分类准确的高光谱图像数据分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710508596.XA CN107220677A (zh) | 2017-06-28 | 2017-06-28 | 一种分类准确的高光谱图像数据分类系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107220677A true CN107220677A (zh) | 2017-09-29 |
Family
ID=59950707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710508596.XA Pending CN107220677A (zh) | 2017-06-28 | 2017-06-28 | 一种分类准确的高光谱图像数据分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019154262A1 (zh) * | 2018-02-07 | 2019-08-15 | 腾讯科技(深圳)有限公司 | 一种图像分类方法及服务器、用户终端、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440493A (zh) * | 2013-02-27 | 2013-12-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 基于相关向量机的高光谱影像模糊分类方法及装置 |
CN104200217A (zh) * | 2014-08-07 | 2014-12-10 | 哈尔滨工程大学 | 基于一种复合核函数的高光谱分类方法 |
-
2017
- 2017-06-28 CN CN201710508596.XA patent/CN107220677A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440493A (zh) * | 2013-02-27 | 2013-12-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 基于相关向量机的高光谱影像模糊分类方法及装置 |
CN104200217A (zh) * | 2014-08-07 | 2014-12-10 | 哈尔滨工程大学 | 基于一种复合核函数的高光谱分类方法 |
Non-Patent Citations (1)
Title |
---|
高恒振等: "基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类", 《信号处理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019154262A1 (zh) * | 2018-02-07 | 2019-08-15 | 腾讯科技(深圳)有限公司 | 一种图像分类方法及服务器、用户终端、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102929B (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
CN106203523B (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类方法 | |
CN104952050B (zh) | 基于区域分割的高光谱图像自适应解混方法 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
CN106815601A (zh) | 基于递归神经网络的高光谱图像分类方法 | |
CN102938072B (zh) | 一种基于分块低秩张量分析的高光谱图像降维和分类方法 | |
CN107463946A (zh) | 一种结合模板匹配与深度学习的商品种类检测方法 | |
CN110991532B (zh) | 基于关系视觉注意机制的场景图产生方法 | |
CN104866871B (zh) | 基于投影结构稀疏编码的高光谱图像分类方法 | |
Yu et al. | Comparison of linear and nonlinear spectral unmixing approaches: a case study with multispectral TM imagery | |
CN105224960A (zh) | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 | |
CN107239795A (zh) | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 | |
CN104021396A (zh) | 基于集成学习的高光谱遥感数据分类方法 | |
CN105117734B (zh) | 基于模型在线更新的玉米种子高光谱图像分类识别方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN112766161B (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
CN104392251A (zh) | 一种基于半监督字典学习的高光谱图像分类方法 | |
CN107220676A (zh) | 一种智慧城市规划系统 | |
CN104809471B (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN103679210A (zh) | 基于高光谱图像解混的地物识别方法 | |
CN106127179A (zh) | 基于自适应分层多尺度的高光谱遥感图像分类方法 | |
CN106203522A (zh) | 基于三维非局部均值滤波的高光谱图像分类方法 | |
CN107895136A (zh) | 一种煤矿区域识别方法及系统 | |
CN110516754A (zh) | 一种基于多尺度超像元分割的高光谱图像分类方法 | |
CN105184314A (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170929 |
|
RJ01 | Rejection of invention patent application after publication |