CN107451614A - 基于空间坐标与空谱特征融合的高光谱分类方法 - Google Patents

基于空间坐标与空谱特征融合的高光谱分类方法 Download PDF

Info

Publication number
CN107451614A
CN107451614A CN201710644479.6A CN201710644479A CN107451614A CN 107451614 A CN107451614 A CN 107451614A CN 201710644479 A CN201710644479 A CN 201710644479A CN 107451614 A CN107451614 A CN 107451614A
Authority
CN
China
Prior art keywords
mrow
mtd
msub
mtr
sample
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.)
Granted
Application number
CN201710644479.6A
Other languages
English (en)
Other versions
CN107451614B (zh
Inventor
慕彩红
刘逸
刘健
刘若辰
田小林
张丹
李阳阳
侯彪
焦李成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710644479.6A priority Critical patent/CN107451614B/zh
Publication of CN107451614A publication Critical patent/CN107451614A/zh
Application granted granted Critical
Publication of CN107451614B publication Critical patent/CN107451614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

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)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于空间坐标与空谱特征融合的高光谱分类方法，克服了现有技术空间信息引入方式复杂和信息利用不充分的问题。本发明具体实现的步骤为：(1)输入数据；(2)获取训练样本集和测试样本集；(3)确定空间特征；(4)获取光谱特征；(5)融合分析光谱特征与空间特征；(6)输出最终分类图。本发明利用了空间坐标引入了空间信息，同时采用空谱特征融合的方式，充分地利用信息，以很少的时间获得了很高的分类精度。

Description

基于空间坐标与空谱特征融合的高光谱分类方法
技术领域
本发明属于图像处理技术领域，更进一步涉及高光谱影像分类技术领域中的一种基于空间坐标与空谱特征融合的高光谱分类方法。本发明可用于资源勘探、森林覆盖、灾害监测等领域进行地物目标识别。
背景技术
高光谱传感器，即光谱仪，可以在连续的几十个或者数百个波段上对特定区域同时成像，所获得图像即为高光谱图像。由于高光谱成像涉及不同波段，所以高光谱图像可以获得丰富的光谱信息，其丰富的光谱信息为地物识别和目标检测创造了良好的条件。近几年，高光谱图像在气象方面、地质方面、生态方面和灾害方面得到了广泛的应用。由于高光谱数据的庞大和复杂性，仅仅靠人工对图像中的每个像元进行标注十分费时费力，因此，高光谱图像的分类技术就成为高光谱图像处理技术中重要的一环。
高光谱图像分类的关键在于在小数量训练样本的前提下，获得较高的分类精度。在分类技术发展的初期，主要是利用光谱信息进行分类，随着技术的不断进步，研究者发现将空间信息引入到分类过程中能有效地提高分类精度。
杭州电子科技大学在其申请的专利文献“一种基于AdaBoost的高光谱遥感影像分类方法”(专利申请号：CN201210231579.3，公开号：CN102819745B)提出了一种基于AdaBoost算法的高光谱分类方法。该方法首先对图像数据进行预处理，然后利用MNF变换进行波段优选，再选择决策树桩作为弱分类器，最后对弱分类器训练，利用AdaBoost算法得到强分类器对高光谱图像进行分类。该方法仍然存在的不足是，在分类过程中没有利用到空间信息，多分类器融合方案是采用投票法的决策级融合，信息利用不够充分。
杭州电子科技大学在其申请的专利文献“结合空间信息的高光谱分类结果优化方法”(专利申请号：CN201410064547.8，公开号：CN103886326B)提出了一种结合空间信息的高光谱分类结果优化方法。该方法首先采用基于支持向量机的分类方法对数据进行分类，之后采用自适应阈值边缘提取和内部膨胀法引入空间域有效信息对光谱分类结果进行修正。该方法仍然存在的不足是，空间信息引入方式复杂，分类过程计算量大。
发明内容
本发明的目的在于克服上述现有技术的不足，提出了一种基于空间坐标与空谱特征融合的高光谱分类方法。本发明引入空间坐标作为空间特征，减小了计算量；融合分析光谱特征与空间特征，充分利用空间信息与光谱信息，获得了很高的分类精度。
本发明实现上述目的的思路是：分别输入一幅待分类的高光谱图像及其与待分类的高光谱图像对应的高光谱图像数据集；获取训练样本集与测试样本集；确定空间坐标为空间特征；对空间特征进行支持向量机SVM有监督分类，得到空间概率特征；利用主成分分析法对光谱信息进行降维，得到光谱特征；对光谱特征进行支持向量机SVM有监督分类，得到光谱概率特征；将两组概率特征值首尾相接组成空谱概率特征，进行支持向量机SVM有监督分类，得到最终分类结果；由分类结果构造最终分类图。
本发明实现的具体步骤如下：
(1)输入数据：
分别输入一幅待分类的高光谱图像及其与待分类的高光谱图像对应的高光谱图像数据集；
(2)获取训练样本集与测试样本集：
(2a)将输入的待分类的高光谱图像，按照图像中像元之间空间位置关系，均匀分割成100份的高光谱图像，获得与高光谱图像对应的100份小数据集；
(2b)在每个小数据集中的每个地物类别区域内，随机地选取一定比例的训练样本；
(2c)将100份小数据集中选出的训练样本合成训练样本集；
(2d)将高光谱图像数据集中其余所有样本组成测试样本集；
(3)确定空间特征：
将输入的高光谱图像数据集中每一个样本所在空间坐标值作为空间特征；
(4)获取光谱特征：
采用主成分分析法，对输入的高光谱图像数据集中的所有样本进行降维，得到输入的高光谱图像数据集的光谱特征；
(5)融合分析光谱特征与空间特征：
(5a)对空间特征进行支持向量机SVM有监督分类，获得高光谱图像数据集中每个样本属于每一类的概率值，将所有的概率值组成向量作为空间概率特征；
(5b)对光谱特征进行支持向量机SVM有监督分类，获得高光谱图像数据集中每个样本属于每一类的概率值，将所有的概率值组成向量作为光谱概率特征；
(5c)将光谱概率特征与空间概率特征首尾相接组成空谱概率特征；
(5d)对空谱概率特征进行支持向量机SVM有监督分类，得到输入的高光谱图像数据集的分类结果；
(6)输出最终分类图：
由高光谱图像数据集的分类结果构造最终分类图，输出最终分类图。
本发明与现有技术相比具有以下优点：
第一，由于本发明将输入的高光谱图像数据集中每一个样本所在空间坐标值作为空间特征，实现引入空间信息，克服了现有技术空间信息引入方式复杂，分类过程计算量大的问题，使得本发明能够花费很少的时间实现高光谱分类。
第二，由于本发明融合分析光谱特征与空间特征，充分利用了空间信息与光谱信息，克服了现有技术在分类过程中没有利用到空间信息，多分类器融合方案是采用投票法的决策级融合，信息利用不够充分的问题，使得本发明在引入空间信息的同时，充分利用空间信息与光谱信息，获得了很高的分类精度。
附图说明
图1是本发明的流程图；
图2是本发明中融合分析光谱特征与空间特征的流程图；
图3是本发明所采用的高光谱图像的真实地物标签图；
图4是本发明与现有技术的分类效果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，本发明的具体步骤如下：
步骤1，输入数据。
分别输入一幅待分类的高光谱图像及其与待分类的高光谱图像对应的高光谱图像数据集。
步骤2，获取训练样本集与测试样本集。
将输入的待分类的高光谱图像，按照图像中像元之间空间位置关系，均匀分割成100份的高光谱图像，获得与高光谱图像对应的100份小数据集。
在每个小数据集中的每个地物类别区域内，随机地选取一定比例的训练样本。
将100份小数据集中选出的训练样本合成训练样本集。
将高光谱图像数据集中其余所有样本组成测试样本集。
步骤3，确定空间特征。
将输入的高光谱图像数据集中每一个样本所在空间坐标值作为空间特征。
步骤4，获取光谱特征。
采用主成分分析法，对输入的高光谱图像数据集中的所有样本进行降维，得到输入的高光谱图像数据集的光谱特征。
所述的主成分分析法的具体步骤如下：
第一步：将高光谱图像数据集样本的光谱信息组成如下高光谱图像的光谱矩阵：
其中，Xs表示有n个样本高光谱图像的光谱矩阵，Xs的每一行均表示一个光谱信息长度为p的样本，x11表示高光谱图像数据集中第1个样本光谱信息的第1维值。
第二步：按照下式，计算高光谱图像数据集中样本光谱信息的平均值：
其中，表示高光谱图像数据集中所有样本第i维光谱信息的平均值，i＝1,2,3,…p，Σ表示叠加操作，xki表示第k个样本的第i维光谱信息值。
第三步：按照下式，计算高光谱图像光谱矩阵Xs的协方差矩阵：
其中，Sij表示协方差矩阵S中的第i行、第j列的数值，∑表示叠加操作，·表示数值与数值的相乘操作，表示高光谱图像数据集中所有样本第j维光谱信息的平均值，j＝1,2,3,…p。
第四步：按照下式，对协方差矩阵S进行对角化处理：
S*qu＝λu×qu
其中，qu表示协方差矩阵S的第u个特征向量，λu表示协方差矩阵S的第u个特征值，*表示矩阵与矩阵的相乘操作，×表示数值与矩阵的相乘操作，u＝1,2,3,…p。
第五步：将特征向量进行正交规一化。
第六步：将归一化的特征向量按对应特征值从大到小的顺序排序特征向量。
第七步：将排序的特征向量从前到后按列排成矩阵Xz。
第八步：按照下式，计算光谱特征矩阵：
Xa＝Xz*Xs
其中，Xa表示光谱特征矩阵，将光谱特征矩阵Xa每一行前m列定义为对应高光谱图像数据集样本降维后的光谱特征，1≤m≤p。
步骤5，融合分析光谱特征与空间特征。
参照图2，本步骤具体操作如下：
对空间特征进行支持向量机SVM有监督分类，获得高光谱图像数据集中每个样本属于每一类的概率值，将所有的概率值组成向量作为空间概率特征。
所述的支持向量机SVM有监督分类方法的具体步骤如下：
第一步：支持向量机采用基于高斯径向基核函数的支持向量机。
第二步：采用交叉验证方法，对训练样本集中样本的空间特征进行支持向量机训练，得到支持向量机的核函数参数和惩罚因子后构建支持向量机分类器C1。
第三步：利用分类器C1，对高光谱图像数据集中样本的空间特征进行分类。
对光谱特征进行支持向量机SVM有监督分类，获得高光谱图像数据集中每个样本属于每一类的概率值，将所有的概率值组成向量作为光谱概率特征。
所述的支持向量机SVM有监督分类方法的具体步骤如下：
第一步：支持向量机采用基于高斯径向基核函数的支持向量机。
第二步：采用交叉验证方法，对训练样本集中样本的光谱特征进行支持向量机训练，得到支持向量机的核函数参数和惩罚因子后构建支持向量机分类器C2。
第三步：利用分类器C2，对高光谱图像数据集中样本的光谱特征进行分类。
将光谱概率特征与空间概率特征首尾相接组成空谱概率特征。
对空谱概率特征进行支持向量机SVM有监督分类，得到输入的高光谱图像数据集的分类结果。
所述的支持向量机SVM有监督分类方法的具体步骤如下：
第一步：支持向量机采用基于高斯径向基核函数的支持向量机。
第二步：采用交叉验证方法，对训练样本集中样本的空谱概率特征进行支持向量机训练，得到支持向量机的核函数参数和惩罚因子后构建支持向量机分类器C3。
第三步：利用分类器C3，对高光谱图像数据集中样本的空谱概率特征进行分类。
步骤6输出最终分类图。
由高光谱图像数据集的分类结果构造最终分类图，输出最终分类图。
下面结合仿真实验对本发明做进一步的描述。
1.仿真实验条件：
本发明的仿真实验采用的硬件测试平台是：处理器为Inter Core i5-3210M，主频为2.50GHz，内存4GB；软件平台为：Windows 7旗舰版64位操作系统、Matlab R2008a进行仿真测试。
本发明的仿真实验采用高光谱图像有印第安纳州高光谱图像和帕维亚大学图像。印第安纳州高光谱图像AVIRIS Indiana Pines是高光谱分类实验中一个常用的数据，它是由美国国家航天局的机载可见/红外成像光谱仪(AVIRIS)对美国Indiana州西北部印第安遥感实验区的成像，于1992年获取。它包含了农作物、草地及森林植被的混合区，共16类地物。整幅图像大小为145×145像素，空间分辨率20m×20m，去掉20个杂波波段后剩余200个波段。帕尔维娅校园高光谱遥感影像Pavia_U图像是分类实验中一个常用的数据，它是由ROSIS传感器获取的。ROSISI传感器把0.43-0.86m光谱分为115个波段，空间分辨率为1.3米。帕尔维娅校园图像大小610×340，去除杂波波段后剩余103个波段。图像包含共9类信息。图3是本发明所采用的高光谱图像的真实地物标签图，其中图3(a)是Indiana Pines图像的真实标记图，图3(b)是Pavia_U图像的真实标记图。
2.仿真实验内容：
为了验证本发明所提方法的有效性，将本发明的方法和现有技术的三种分类方法进行了对比。这三种方法分别是经典的基于有监督学习的支持向量机的高光谱图像分类方法、B Waske等人提出的随机特征选择集成支持向量机的高光谱图像分类方法、X Hadoux等人提出的基于空间信息与光谱信息融合的高光谱图像分类方法。经典的基于有监督学习的支持向量机的高光谱图像分类方法是先对光谱信息数据进行主成分分析法降维，然后对降维后的光谱信息数据进行支持向量机有监督分类。BWaske等人提出的方法是先随机选取光谱信息数据的部分数值构建一个数据集，重复多次构建多个数据集，然后采用有监督的支持向量机分类器分别对这些不同的数据集进行分类，最后采用投票法将不同数据集的分类结果进行融合，得到最终结果。XHadoux等人提出的方法是先对光谱信息数据进行PLS最小二乘法数据降维，然后采用各向异性扩散滤波方案利用空间信息，最后采用有监督的支持向量机分类器或者K近邻分类器进行分类。
本发明的仿真实验进行主成分分析法对数据进行降维时，Indiana Pines图像取前6维数据作为特征，Pavia_U图像则取前15维数据作为特征。B Waske等人提出的方法中，随机选择光谱信息维数30％的数据构建一个数据集,总共构建25个数据集，支持向量机分类器采用交叉验证的方式对参数设定。在X Hadoux等人提出的方法中，支持向量机分类器采用交叉验证的方式对参数设定，K近邻分类器的K值取10。获取训练样本过程中出现的小数取整问题均为向上取整，具体的每类训练样本的数量为(个)：Indiana Pines图像：6、152、89、25、51、80、3、49、3、103、255、65、21、132、40、10；Pavia_U图像：58、54、50、60、49、50、49、52、51。每种方法均按照此数量选择训练样本以保证公平。仿真实验共进行10次。
3.仿真结果分析：
本发明和现有技术在两幅图像上10次实验的整体分类精度(OA)平均值、平均分类精度(AA)平均值和Kappa系数平均值对比如表1、2所示。SpeSVM表示经典的基于有监督学习的支持向量机的高光谱图像分类方法，RFSSE表示B Waske等人提出的随机特征选择集成支持向量机的高光谱图像分类方法，PLS-AR-SVM和PLS-AR-KNN表示X Hadoux等人提出的基于空间信息与光谱信息融合的高光谱图像分类方法，PLS-AR-SVM为该方法应用于IndianaPines图像上的具体方案，PLS-AR-KNN为该方法应用于Pavia_U图像上的具体方案。
表1现有技术与本发明在Indiana Pines图像上分类结果的对比表
表2现有技术与本发明在Pavia_U图像上分类结果的对比表
从表1、2可以看出，本发明分类精度明显高于其他现有技术。
本发明与现有技术的分类效果图如图4所示，其中图4(a)是基于有监督学习的支持向量机分类方法在Indiana Pines图像上的分类效果图，图4(b)是BWaske等人提出的随机特征选择集成支持向量机的高光谱图像分类方法在Indiana Pines图像上的分类效果图，图4(c)是X Hadoux等人提出的基于空间信息与光谱信息融合的高光谱图像分类方法在Indiana Pines图像上的分类效果图，图4(d)本发明在Indiana Pines图像上的分类效果图，而图4(e)是基于有监督学习的支持向量机分类方法在Pavia_U图像上的分类效果图，图4(f)是B Waske等人提出的随机特征选择集成支持向量机的高光谱图像分类方法在Pavia_U图像上的分类效果图，图4(g)是X Hadoux等人提出的基于空间信息与光谱信息融合的高光谱图像分类方法在Pavia_U图像上的分类效果图，图4(h)本发明在Pavia_U图像上的分类效果图。
本发明和现有技术分类所需时间对比如表3、4所示。SpeSVM表示经典的基于有监督学习的支持向量机的高光谱图像分类方法，RFSSE表示B Waske等人提出的随机特征选择集成支持向量机的高光谱图像分类方法,PLS-AR-SVM和PLS-AR-KNN表示X Hadoux等人提出的基于空间信息与光谱信息融合的高光谱图像分类方法，PLS-AR-SVM为该方法应用于Indiana Pines图像上的具体方案，PLS-AR-KNN为该方法应用于Pavia_U图像上的具体方案。
表3现有技术与本发明在Indiana Pines图像上分类所需时间对比表
表4现有技术与本发明在Pavia_U图像上分类所需时间对比表
从表3、4可以看出，本发明相对于X Hadoux等人的方法与B Waske等人的方法所需时间少，而高于经典的基于有监督学习的支持向量机的分类方法。从表1、2、3、4可以看出，经典的基于有监督学习的支持向量机分类方法虽然运行时间少，但在分类精度上无法与其他方法相比。本发明比X Hadoux等人的方法和B Waske等人的方法所需要的时间较小，效率较高，且在大图像上的时间优势更加明显。在Pavia_U图像的实验中，本发明的平均所需时间比X Hadoux等人的方法少972.9秒，比B Waske等人的方法少2473秒；在Indiana Pines图像的实验中，本发明的平均所需时间比X Hadoux等人的方法少23.7秒，比B Waske等人的方法少278.8秒。这是因为现有技术在空间信息上的利用方案都需要有一个对图像进行处理的过程，如X Hadoux等人的方法中是对图像进行各向异性扩散滤波，这是很耗时的，尤其是在大图像中更加明显。而本发明的空间信息利用方式是采用样本的空间坐标作为空间特征实现引入空间信息，操作简单，节省了一部分的时间。从表1、2可以看出，本发明的方法在分类精度上也达到了很高的程度。本发明的平均整体精度比BWaske等人的方法分别在Indiana Pines图像、Pavia_U图像上高16.62％和15.55％，比X Hadoux等人的方法分别在Indiana Pines图像、Pavia_U图像上高2.02％和6.18％，证明了本发明的有效性，本发明将支持向量机有监督分类结果转换成概率特征，采用特征融合进行融合分析，相对于采用投票法的决策级融合更能充分地利用特征信息。

Claims (5)

1.一种基于空间坐标与空谱特征融合的高光谱分类方法，包括如下步骤：
(1)输入数据：
分别输入一幅待分类的高光谱图像及其与待分类的高光谱图像对应的高光谱图像数据集；
(2)获取训练样本集与测试样本集：
(2a)将输入的待分类的高光谱图像，按照图像中像元之间空间位置关系，均匀分割成100份的高光谱图像，获得与高光谱图像对应的100份小数据集；
(2b)在每个小数据集中的每个地物类别区域内，随机地选取一定比例的训练样本；
(2c)将100份小数据集中选出的训练样本合成训练样本集；
(2d)将高光谱图像数据集中其余所有样本组成测试样本集；
(3)确定空间特征：
将输入的高光谱图像数据集中每一个样本所在空间坐标值作为空间特征；
(4)获取光谱特征：
采用主成分分析法，对输入的高光谱图像数据集中的所有样本进行降维，得到输入的高光谱图像数据集的光谱特征；
(5)融合分析光谱特征与空间特征：
(5a)对空间特征进行支持向量机SVM有监督分类，获得高光谱图像数据集中每个样本属于每一类的概率值，将所有的概率值组成向量作为空间概率特征；
(5b)对光谱特征进行支持向量机SVM有监督分类，获得高光谱图像数据集中每个样本属于每一类的概率值，将所有的概率值组成向量作为光谱概率特征；
(5c)将光谱概率特征与空间概率特征首尾相接组成空谱概率特征；
(5d)对空谱概率特征进行支持向量机SVM有监督分类，得到输入的高光谱图像数据集的分类结果；
(6)输出最终分类图：
由高光谱图像数据集的分类结果构造最终分类图，输出最终分类图。
2.根据权利要求1所述的基于空间坐标与空谱特征融合的高光谱分类方法，其特征在于，步骤(4)中所述的主成分分析法的具体步骤如下：
第一步：将高光谱图像数据集样本的光谱信息组成如下高光谱图像的光谱矩阵：
<mrow> <msub> <mi>X</mi> <mi>s</mi> </msub> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mn>11</mn> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mn>12</mn> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mi>p</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mn>21</mn> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mn>22</mn> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mn>2</mn> <mi>p</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> </mtable> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> </mtable> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> </mtable> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> <mtr> <mtd> <mrow></mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mn>1</mn> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mn>2</mn> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>p</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，Xs表示有n个样本高光谱图像的光谱矩阵，Xs的每一行均表示一个光谱信息长度为p的样本，x11表示高光谱图像数据集中第1个样本光谱信息的第1维值；
第二步：按照下式，计算高光谱图像数据集中样本光谱信息的平均值：
<mrow> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mi>i</mi> </mrow> </msub> </mrow>
其中，表示高光谱图像数据集中所有样本第i维光谱信息的平均值，i＝1,2,3,…p，∑表示叠加操作，xki表示第k个样本的第i维光谱信息值；
第三步：按照下式，计算高光谱图像光谱矩阵Xs的协方差矩阵：
<mrow> <msub> <mi>S</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中，Sij表示协方差矩阵S中的第i行、第j列的数值，∑表示叠加操作，·表示数值与数值的相乘操作，表示高光谱图像数据集中所有样本第j维光谱信息的平均值，j＝1,2,3,…p；
第四步：按照下式，对协方差矩阵S进行对角化处理：
S*qu＝λu×qu
其中，qu表示协方差矩阵S的第u个特征向量，λu表示协方差矩阵S的第u个特征值，*表示矩阵与矩阵的相乘操作，×表示数值与矩阵的相乘操作，u＝1,2,3,…p；
第五步：将特征向量进行正交规一化；
第六步：将归一化的特征向量按对应特征值从大到小的顺序排序特征向量；
第七步：将排序的特征向量从前到后按列排成矩阵Xz；
第八步：按照下式，计算光谱特征矩阵：
Xa＝Xz*Xs
其中，Xa表示光谱特征矩阵，将光谱特征矩阵Xa每一行前m列定义为对应高光谱图像数据集样本降维后的光谱特征，1≤m≤p。
3.根据权利要求1所述的基于空间坐标与空谱特征融合的高光谱分类方法，其特征在于，步骤(4a)中所述的支持向量机SVM有监督分类方法的具体步骤如下：
第一步：支持向量机采用基于高斯径向基核函数的支持向量机；
第二步：采用交叉验证方法，对训练样本集中样本的空间特征进行支持向量机训练，得到支持向量机的核函数参数和惩罚因子后构建支持向量机分类器C1；
第三步：利用分类器C1，对高光谱图像数据集中样本的空间特征进行分类。
4.根据权利要求1所述的基于空间坐标与空谱特征融合的高光谱分类方法，其特征在于，步骤(4b)中所述的支持向量机SVM有监督分类方法的具体步骤如下：
第一步：支持向量机采用基于高斯径向基核函数的支持向量机；
第二步：采用交叉验证方法，对训练样本集中样本的光谱特征进行支持向量机训练，得到支持向量机的核函数参数和惩罚因子后构建支持向量机分类器C2；
第三步：利用分类器C2，对高光谱图像数据集中样本的光谱特征进行分类。
5.根据权利要求1所述的基于空间坐标与空谱特征融合的高光谱分类方法，其特征在于，步骤(4d)中所述的支持向量机SVM有监督分类方法的具体步骤如下：
第一步：支持向量机采用基于高斯径向基核函数的支持向量机；
第二步：采用交叉验证方法，对训练样本集中样本的空谱概率特征进行支持向量机训练，得到支持向量机的核函数参数和惩罚因子后构建支持向量机分类器C3；
第三步：利用分类器C3，对高光谱图像数据集中样本的空谱概率特征进行分类。
CN201710644479.6A 2017-08-01 2017-08-01 基于空间坐标与空谱特征融合的高光谱分类方法 Active CN107451614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710644479.6A CN107451614B (zh) 2017-08-01 2017-08-01 基于空间坐标与空谱特征融合的高光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710644479.6A CN107451614B (zh) 2017-08-01 2017-08-01 基于空间坐标与空谱特征融合的高光谱分类方法

Publications (2)

Publication Number Publication Date
CN107451614A true CN107451614A (zh) 2017-12-08
CN107451614B CN107451614B (zh) 2019-12-24

Family

ID=60490111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710644479.6A Active CN107451614B (zh) 2017-08-01 2017-08-01 基于空间坐标与空谱特征融合的高光谱分类方法

Country Status (1)

Country Link
CN (1) CN107451614B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564132A (zh) * 2018-04-25 2018-09-21 杭州闪捷信息科技股份有限公司 一种基于集成支持向量机对深度特征进行分类的方法
CN108764173A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 基于多类生成对抗网络的高光谱图像分类方法
CN108985360A (zh) * 2018-06-29 2018-12-11 西安电子科技大学 基于扩展形态学与主动学习的高光谱分类方法
CN109063754A (zh) * 2018-07-18 2018-12-21 武汉大学 一种基于OpenStreetMap的遥感影像多特征联合分类方法
CN109117783A (zh) * 2018-08-08 2019-01-01 江南大学 一种基于核协同表示的高光谱图像交互式分类方法
CN109492593A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
WO2020000271A1 (zh) * 2018-06-27 2020-01-02 深圳大学 一种基于无人机的数据处理的方法及装置
CN110796163A (zh) * 2019-09-19 2020-02-14 中国地质大学（武汉） 一种顾及光谱重要性的高光谱影像空谱分类方法及装置
CN111008664A (zh) * 2019-12-05 2020-04-14 上海海洋大学 一种基于空谱联合特征的高光谱海冰检测方法
CN111881953A (zh) * 2020-07-14 2020-11-03 安徽大学 基于局部二值模式和knn分类器的遥感高光谱图像分类方法
CN112560949A (zh) * 2020-12-15 2021-03-26 南京航空航天大学 基于多级统计学特征提取的高光谱分类方法
CN113111969A (zh) * 2021-05-03 2021-07-13 齐齐哈尔大学 一种基于混合度量的高光谱图像分类方法
CN113971747A (zh) * 2021-12-24 2022-01-25 季华实验室 拉曼光谱数据处理方法、装置、设备与可读存储介质
CN114049556A (zh) * 2021-11-10 2022-02-15 中国天楹股份有限公司 一种svm与目标检测算法融合的垃圾分类方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150580A (zh) * 2013-03-18 2013-06-12 武汉大学 一种高光谱图像半监督分类方法及装置
CN103903007A (zh) * 2014-03-10 2014-07-02 哈尔滨工程大学 一种基于空-谱信息的高光谱半监督分类方法
CN105956612A (zh) * 2016-04-25 2016-09-21 西安电子科技大学 基于主动学习和半监督学习的高光谱图像分类方法
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
CN106529508A (zh) * 2016-12-07 2017-03-22 西安电子科技大学 基于局部和非局部多特征语义高光谱图像分类方法
CN106682675A (zh) * 2016-12-29 2017-05-17 中国电子科技集团公司第五十四研究所 一种面向高光谱图像的空谱联合特征提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150580A (zh) * 2013-03-18 2013-06-12 武汉大学 一种高光谱图像半监督分类方法及装置
CN103903007A (zh) * 2014-03-10 2014-07-02 哈尔滨工程大学 一种基于空-谱信息的高光谱半监督分类方法
CN105956612A (zh) * 2016-04-25 2016-09-21 西安电子科技大学 基于主动学习和半监督学习的高光谱图像分类方法
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
CN106529508A (zh) * 2016-12-07 2017-03-22 西安电子科技大学 基于局部和非局部多特征语义高光谱图像分类方法
CN106682675A (zh) * 2016-12-29 2017-05-17 中国电子科技集团公司第五十四研究所 一种面向高光谱图像的空谱联合特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张兵: "高光谱图像处理与信息提取前沿", 《遥感学报》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564132A (zh) * 2018-04-25 2018-09-21 杭州闪捷信息科技股份有限公司 一种基于集成支持向量机对深度特征进行分类的方法
CN108764173A (zh) * 2018-05-31 2018-11-06 西安电子科技大学 基于多类生成对抗网络的高光谱图像分类方法
CN108764173B (zh) * 2018-05-31 2021-09-03 西安电子科技大学 基于多类生成对抗网络的高光谱图像分类方法
WO2020000271A1 (zh) * 2018-06-27 2020-01-02 深圳大学 一种基于无人机的数据处理的方法及装置
CN108985360A (zh) * 2018-06-29 2018-12-11 西安电子科技大学 基于扩展形态学与主动学习的高光谱分类方法
CN109063754B (zh) * 2018-07-18 2020-08-07 武汉大学 一种基于OpenStreetMap的遥感影像多特征联合分类方法
CN109063754A (zh) * 2018-07-18 2018-12-21 武汉大学 一种基于OpenStreetMap的遥感影像多特征联合分类方法
CN109117783A (zh) * 2018-08-08 2019-01-01 江南大学 一种基于核协同表示的高光谱图像交互式分类方法
CN109492593B (zh) * 2018-11-16 2021-09-10 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN109492593A (zh) * 2018-11-16 2019-03-19 西安电子科技大学 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN110796163B (zh) * 2019-09-19 2021-03-19 中国地质大学（武汉） 一种顾及光谱重要性的高光谱影像空谱分类方法及装置
CN110796163A (zh) * 2019-09-19 2020-02-14 中国地质大学（武汉） 一种顾及光谱重要性的高光谱影像空谱分类方法及装置
CN111008664A (zh) * 2019-12-05 2020-04-14 上海海洋大学 一种基于空谱联合特征的高光谱海冰检测方法
CN111008664B (zh) * 2019-12-05 2023-04-07 上海海洋大学 一种基于空谱联合特征的高光谱海冰检测方法
CN111881953A (zh) * 2020-07-14 2020-11-03 安徽大学 基于局部二值模式和knn分类器的遥感高光谱图像分类方法
CN111881953B (zh) * 2020-07-14 2022-04-22 安徽大学 基于局部二值模式和knn分类器的遥感高光谱图像分类方法
CN112560949A (zh) * 2020-12-15 2021-03-26 南京航空航天大学 基于多级统计学特征提取的高光谱分类方法
CN113111969A (zh) * 2021-05-03 2021-07-13 齐齐哈尔大学 一种基于混合度量的高光谱图像分类方法
CN114049556A (zh) * 2021-11-10 2022-02-15 中国天楹股份有限公司 一种svm与目标检测算法融合的垃圾分类方法
CN113971747A (zh) * 2021-12-24 2022-01-25 季华实验室 拉曼光谱数据处理方法、装置、设备与可读存储介质
CN113971747B (zh) * 2021-12-24 2022-04-26 季华实验室 拉曼光谱数据处理方法、装置、设备与可读存储介质

Also Published As

Publication number Publication date
CN107451614B (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN107451614A (zh) 基于空间坐标与空谱特征融合的高光谱分类方法
CN110298396B (zh) 基于深度学习多特征融合的高光谱图像分类方法
Zalpour et al. A new approach for oil tank detection using deep learning features with control false alarm rate in high-resolution satellite imagery
CN105184309B (zh) 基于cnn和svm的极化sar图像分类
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
CN102819745B (zh) 一种基于AdaBoost的高光谱遥感影像分类方法
CN106845418A (zh) 一种基于深度学习的高光谱图像分类方法
CN111353531B (zh) 基于奇异值分解和空谱域注意力机制高光谱图像分类方法
CN102651073A (zh) 基于稀疏动态集成选择的sar图像地物分类方法
Liu et al. Multimorphological superpixel model for hyperspectral image classification
CN106056157A (zh) 基于空‑谱信息的高光谱图像半监督分类方法
CN108985360A (zh) 基于扩展形态学与主动学习的高光谱分类方法
CN104834933A (zh) 一种图像显著性区域的检测方法和装置
CN102915445A (zh) 一种改进型的神经网络高光谱遥感影像分类方法
CN108629373B (zh) 一种图像分类方法、系统、设备及计算机可读存储介质
CN107239759A (zh) 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN101894269A (zh) 基于多分类器系统的合成孔径雷达自动目标识别方法
CN105956612A (zh) 基于主动学习和半监督学习的高光谱图像分类方法
CN104732244A (zh) 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN101364263A (zh) 对图像进行皮肤纹理检测的方法及系统
CN111738090A (zh) 行人重识别模型训练方法、装置及行人重识别方法、装置
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN106682675A (zh) 一种面向高光谱图像的空谱联合特征提取方法
Chawda et al. Extracting building footprints from satellite images using convolutional neural networks
CN101799873B (zh) 一种基于经验模态分解的多分组图像有监督分类方法

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
GR01 Patent grant
GR01 Patent grant