CN107247966A - 一种高光谱图像分类方法 - Google Patents
一种高光谱图像分类方法 Download PDFInfo
- Publication number
- CN107247966A CN107247966A CN201710406644.4A CN201710406644A CN107247966A CN 107247966 A CN107247966 A CN 107247966A CN 201710406644 A CN201710406644 A CN 201710406644A CN 107247966 A CN107247966 A CN 107247966A
- Authority
- CN
- China
- Prior art keywords
- image
- classification method
- extraction
- hyperspectral
- notable
- 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.)
- Withdrawn
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
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nonlinear Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及信息处理技术领域,公开了一种高光谱图像分类方法,对要分类的图像进行多尺度分割,对多尺度分割后的图像进行显著图提取,对显著图提取后的图像进行特征提取,对提取的图像特征进行归一化,对归一化后的图像特征用非线性核函数方法分类;非线性核函数方法具体是指高斯过程、支持向量机、核主成分分析、核函数费舍尔判别法、核投影寻踪法中的一种。大幅压缩了图像数据量,分类速度快;通过非线性映射,减少了辐射误差和几何误差影响,使得高光谱图像分类精度更高,适合高光谱遥感图像应用场合。
Description
技术领域
本发明涉及信息处理技术领域,更具体地涉及一种高光谱图像分类方法。
背景技术
遥感技术经过20世纪后半叶的发展,在理论上、技术上和应用上均发生了重大的变化。遥感图像分类是遥感地理信息系统中的关键技术之一,快速、高精度的遥感图像自动分类算法是实现环境的动态监测、评价、预报的关键。高光谱遥感图像是光谱分辨率在10~20 nm的光谱遥感图像,可获得几百个地物波段的光谱信息,具有波段数众多、非线性、空间相关性和谱间相关性共存、难以获得样本标记等特点。
通过搭载在不同空间平台上的成像光谱仪,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时,也获得其光谱信息,第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比,高光谱影像不仅在信息丰富程度方面有了极大的提高,在处理技术上,对该类光谱数据进行更为合理、有效的分析处理提供了可能。
高光谱遥感图像由卫星或飞机上携带传感器记录而成,图像数据包含像素的2种误差:辐射误差和几何误差。辐射误差可以通过某些计算方法进行补偿,而几何误差由于其产生因素较复杂,其影响很难完全去除,这就使得高光谱图像不同程度上具有非线性的特性,造成图像很难进行线性拟合,也难以用线性分类器对高光谱图像进行正确分类。另外,高光谱数据在空间上和波段上存在着大量冗余。
针对上述问题,本发明提出一种高光谱图像分类方法,适合高光谱遥感图像应用场合,尽量减小辐射误差和几何误差影响,提高分类精度,压缩数据,提高分类速度。
发明内容
发明目的
本发明提出了一种高光谱图像分类方法,采用新型机器学习算法,减小辐射误差和几何误差影响,快速、准确地实现高光谱遥感图像分类。
本发明所采用的技术方案
本发明提出的一种高光谱图像分类方法,包括如下步骤:
(1)对要分类的图像进行多尺度分割;
(2)对多尺度分割后的图像进行显著图提取;
(3)对显著图提取后的图像进行特征提取;
(4)对提取的图像特征进行归一化;
(5)对归一化后的图像特征用非线性核函数方法分类。
更进一步,在所述步骤(1)中,将图像划分成M×N块,修改所述划分后图像的结构信息表示。
更进一步,在所述步骤(2)中,采用基于图形的视觉显著性的自下而上的显著性模型,提取图像的显著图。
更进一步,在所述步骤(3)中,保留图像对应位置处的像素值,提取这些像素值的颜色特征,颜色特征包括RGB颜色特征,HSV颜色特征和灰度颜色特征,RGB颜色指红色Red,绿色Green和蓝色Blue首字母缩写,HSV颜色指色调Hue,饱和度Saturation和亮度Value首字母缩写。
更进一步,在所述步骤(4)中,定义能量函数ε,通过最小化能量函数ε,对图像特征进行归一化。
更进一步,在所述步骤(5)中,非线性核函数方法通过非线性映射,将图像特征映射到高维特征空间,在高维空间中构造分类判决进行分类,非线性核函数方法具体是指高斯过程、支持向量机、核主成分分析、核函数费舍尔判别法、核投影寻踪法中的一种。
本发明所产生的技术效果
本发明提出的一种高光谱图像分类方法,采取多尺度分割、显著图提取、特征提取等手段,大幅压缩了图像数据量,分类速度快;采取归一化、核函数方法等手段,通过非线性映射,减少了辐射误差和几何误差影响,使得高光谱图像分类精度更高。
附图说明
图1一种高光谱图像分类方法。
具体实施方式
实施例
高光谱遥感实验数据一是AVIRIS传感器于1992年拍摄的220个波段印第安纳州西北区域高光谱遥感图像。
(1)对要分类的图像进行多尺度分割,将图像划分成4×4块,修改所述划分后图像的结构信息表示;
(2)对多尺度分割后的图像进行显著图提取,采用基于图形的视觉显著性的自下而上的显著性模型,提取图像的显著图;
视觉显著性或点分布通常用于获得通用的显著性和强调不同的局部区域,如轮廓、边缘和颜色;
(3)对显著图提取后的图像进行特征提取,保留图像对应位置处的像素值,提取这些像素值的颜色特征,颜色特征包括RGB颜色特征,HSV颜色特征和灰度颜色特征,RGB颜色指红色Red,绿色Green和蓝色Blue首字母缩写,HSV颜色指色调Hue,饱和度Saturation和亮度Value首字母缩写;得到对应位置处的RGB颜色值,统计RGB每个颜色通道值的分布,将每个通道的取值范围0~255平均划分为10个区间,统计每个区间内像素点的个数占总像素个数的比例,得到30维的RGB特征;
(4)对提取的图像特征进行归一化,定义能量函数ε,通过最小化能量函数ε,对图像特征进行归一化;
(5)对归一化后的图像特征用非线性核函数方法分类,采用高斯过程GP方法,通过非线性映射,将图像特征映射到高维特征空间,在高维空间中构造分类判决进行分类;
由于高光谱遥感图像难以获得大量训练样本标记,分类依然是一个小样本的问题,这就会导致参数估计带有大的方差,以致于分类错误率较高,而高光谱遥感图像上大量的无标记的样本可用来进行辅助分类。
高斯核函数表示如下:
用高斯核函数高斯过程分类方法,训练时间为o(n 3),测试时间都为o(mn 2),其中n为训练样本的个数,m为测试样本的个数。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (6)
1.一种高光谱图像分类方法,其特征在于:包括如下步骤:
(1)对要分类的图像进行多尺度分割;
(2)对多尺度分割后的图像进行显著图提取;
(3)对显著图提取后的图像进行特征提取;
(4)对提取的图像特征进行归一化;
(5)对归一化后的图像特征用非线性核函数方法分类。
2.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:在所述步骤(1)中,将图像划分成M×N块,修改所述划分后图像的结构信息表示。
3.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:在所述步骤(2)中,采用基于图形的视觉显著性的自下而上的显著性模型,提取图像的显著图。
4.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:在所述步骤(3)中,保留图像对应位置处的像素值,提取这些像素值的颜色特征,颜色特征包括RGB颜色特征,HSV颜色特征和灰度颜色特征,RGB颜色指红色Red,绿色Green和蓝色Blue首字母缩写,HSV颜色指色调Hue,饱和度Saturation和亮度Value首字母缩写。
5.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:在所述步骤(4)中,定义能量函数ε,通过最小化能量函数ε,对图像特征进行归一化。
6.根据权利要求1所述的一种高光谱图像分类方法,其特征在于:在所述步骤(5)中,非线性核函数方法通过非线性映射,将图像特征映射到高维特征空间,在高维空间中构造分类判决进行分类,非线性核函数方法具体是指高斯过程、支持向量机、核主成分分析、核函数费舍尔判别法、核投影寻踪法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710406644.4A CN107247966A (zh) | 2017-06-02 | 2017-06-02 | 一种高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710406644.4A CN107247966A (zh) | 2017-06-02 | 2017-06-02 | 一种高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107247966A true CN107247966A (zh) | 2017-10-13 |
Family
ID=60018393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710406644.4A Withdrawn CN107247966A (zh) | 2017-06-02 | 2017-06-02 | 一种高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247966A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697465A (zh) * | 2018-12-18 | 2019-04-30 | 辽宁工程技术大学 | 基于小波核局部Fisher判别分析的高光谱影像分类方法 |
CN110807387A (zh) * | 2019-10-25 | 2020-02-18 | 山东师范大学 | 一种基于高光谱图像特征的对象分类方法及系统 |
CN113780076A (zh) * | 2021-08-05 | 2021-12-10 | 北京市测绘设计研究院 | 建筑垃圾的图像识别方法及装置 |
CN118096753A (zh) * | 2024-04-26 | 2024-05-28 | 陕西正鑫工程材料股份有限公司 | 基于图像处理的梯护笼成型组装缺陷识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150718A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 基于变化矢量分析与分类后比较的遥感图像变化检测方法 |
CN103309982A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 一种基于视觉显著点特征的遥感影像检索方法 |
CN103942570A (zh) * | 2014-04-29 | 2014-07-23 | 深圳大学 | 图像分类方法及系统 |
CN106056157A (zh) * | 2016-06-01 | 2016-10-26 | 西北大学 | 基于空‑谱信息的高光谱图像半监督分类方法 |
CN106127179A (zh) * | 2016-06-30 | 2016-11-16 | 南京理工大学 | 基于自适应分层多尺度的高光谱遥感图像分类方法 |
CN106651864A (zh) * | 2016-12-21 | 2017-05-10 | 郑州航空工业管理学院 | 一种面向高分辨率遥感图像的分割方法 |
-
2017
- 2017-06-02 CN CN201710406644.4A patent/CN107247966A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150718A (zh) * | 2011-12-06 | 2013-06-12 | 中国科学院电子学研究所 | 基于变化矢量分析与分类后比较的遥感图像变化检测方法 |
CN103309982A (zh) * | 2013-06-17 | 2013-09-18 | 武汉大学 | 一种基于视觉显著点特征的遥感影像检索方法 |
CN103942570A (zh) * | 2014-04-29 | 2014-07-23 | 深圳大学 | 图像分类方法及系统 |
CN106056157A (zh) * | 2016-06-01 | 2016-10-26 | 西北大学 | 基于空‑谱信息的高光谱图像半监督分类方法 |
CN106127179A (zh) * | 2016-06-30 | 2016-11-16 | 南京理工大学 | 基于自适应分层多尺度的高光谱遥感图像分类方法 |
CN106651864A (zh) * | 2016-12-21 | 2017-05-10 | 郑州航空工业管理学院 | 一种面向高分辨率遥感图像的分割方法 |
Non-Patent Citations (1)
Title |
---|
中国海洋学会编: "《中国海洋学会2015年学术论文集》", 31 October 2015, 北京:海洋出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697465A (zh) * | 2018-12-18 | 2019-04-30 | 辽宁工程技术大学 | 基于小波核局部Fisher判别分析的高光谱影像分类方法 |
CN109697465B (zh) * | 2018-12-18 | 2022-11-25 | 辽宁工程技术大学 | 基于小波核局部Fisher判别分析的高光谱影像分类方法 |
CN110807387A (zh) * | 2019-10-25 | 2020-02-18 | 山东师范大学 | 一种基于高光谱图像特征的对象分类方法及系统 |
CN113780076A (zh) * | 2021-08-05 | 2021-12-10 | 北京市测绘设计研究院 | 建筑垃圾的图像识别方法及装置 |
CN118096753A (zh) * | 2024-04-26 | 2024-05-28 | 陕西正鑫工程材料股份有限公司 | 基于图像处理的梯护笼成型组装缺陷识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pu et al. | Assessing the potential of multi-seasonal high resolution Pléiades satellite imagery for mapping urban tree species | |
CN110717354B (zh) | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 | |
Dubey et al. | Apple disease classification using color, texture and shape features from images | |
An et al. | Scene learning for cloud detection on remote-sensing images | |
Pu et al. | Mapping urban tree species by integrating multi-seasonal high resolution pléiades satellite imagery with airborne LiDAR data | |
Chanussot et al. | Classification of remote sensing images from urban areas using a fuzzy possibilistic model | |
CN102982350B (zh) | 一种基于颜色和梯度直方图的台标检测方法 | |
CN107247966A (zh) | 一种高光谱图像分类方法 | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
Song et al. | Hyperspectral image classification based on KNN sparse representation | |
Ursani et al. | Fusion of textural and spectral information for tree crop and other agricultural cover mapping with very-high resolution satellite images | |
CN104598908A (zh) | 一种农作物叶部病害识别方法 | |
CN109978822A (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN108427913A (zh) | 联合光谱、空间和层次结构信息的高光谱影像分类方法 | |
CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN105447834B (zh) | 一种基于特征分类的麻将图像光照不均校正方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
DK2447884T3 (en) | A method for the detection and recognition of an object in an image and an apparatus and a computer program therefor | |
CN104680180A (zh) | 基于k均值和稀疏自编码的极化sar图像分类方法 | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN109635733A (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN107122799A (zh) | 基于扩展形态学和导向滤波的高光谱图像分类方法 | |
CN105513079B (zh) | 大尺度时间序列遥感图像变化区域的检测方法 | |
Kuswidiyanto et al. | Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171013 |
|
WW01 | Invention patent application withdrawn after publication |