CN107832693A - 一种基于空间自相关信息的高光谱图像植被分类方法 - Google Patents

一种基于空间自相关信息的高光谱图像植被分类方法 Download PDF

Info

Publication number
CN107832693A
CN107832693A CN201711045187.7A CN201711045187A CN107832693A CN 107832693 A CN107832693 A CN 107832693A CN 201711045187 A CN201711045187 A CN 201711045187A CN 107832693 A CN107832693 A CN 107832693A
Authority
CN
China
Prior art keywords
mrow
information
spatial
extracted
spectrum 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
Application number
CN201711045187.7A
Other languages
English (en)
Inventor
廖建尚
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.)
Guangdong Communications Polytechnic
Original Assignee
Guangdong Communications Polytechnic
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 Guangdong Communications Polytechnic filed Critical Guangdong Communications Polytechnic
Priority to CN201711045187.7A priority Critical patent/CN107832693A/zh
Publication of CN107832693A publication Critical patent/CN107832693A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于空间自相关信息的高光谱图像植被分类方法，包括以下步骤：首先对高光谱数据集作归一化处理，得到信息量重新分布的高光谱图像数据集R；然后对高光谱图像进行PCA降维并组成新的数据集K；接着用域转换线性插值卷积滤波对全部光谱信息R提取空间信息；然后用域转换线性插值卷积滤波对数据集K提取空间信息；然后将提取的空间信息进行线性融合，形成新的数据集H；然后随机从空间信息数据集H中抽取训练集Hs，其余部分作为测试集Ht；接下来用径向基函数支持的SVM对训练集HS进行训练，获取训练模型；最后用径向基函数支持的SVM对测试集Ht进行分类，得出分类结果。

Description

一种基于空间自相关信息的高光谱图像植被分类方法
技术领域
本发明涉及高光谱图像分类方法，更具体地，涉及一种基于空间自相关信息的高光谱图像植被分类方法。
背景技术
在遥感高光谱中，地物(特别是植被)种类丰富且光谱类似，利用高光谱图像可以有效对农作物精准分类与识别，并有效应用在农业灾害和产量评估中。植被分类有较好的统一性，同时具有较强的空间相关性。
空间纹理信息提取用于高光谱图像分类的研究中取得了一定成效，但是也存在一些不足：首先光谱信息接近的植被分类性能有待提高；其次过去的高光谱空谱结合分类方法更多关注在提取空间的纹理信息上，忽略了高光谱空间自相关信息的提取。
发明内容
本发明的目的是解决目前高光谱图像分类中植被分类性能低、高光谱空间自相关信息被忽略的缺陷，提出一种基于空间自相关信息的高光谱图像植被分类方法。
为实现以上发明目的，采用的技术方案是：
一种基于空间自相关信息的高光谱图像植被分类方法，包括以下步骤：
S1：对高光谱数据集作归一化处理，得到信息量重新分布的高光谱图像数据集R；
S2：对高光谱图像进行PCA降维，选择前面n维的数据组成新的数据集K；
S3：用域转换线性插值卷积滤波对全部光谱信息R提取空间信息；
S4：用域转换线性插值卷积滤波对数据集K提取空间信息；
S5：将步骤S3、步骤S4中提取的空间信息进行线性融合，形成新的数据集H；
S6：随机从空间信息数据集H中抽取训练集Hs，其余部分作为训测试集Ht；
S7：用径向基函数支持的SVM对训练集HS进行训练，获取训练模型；
S8：用径向基函数支持的SVM对测试集Ht进行分类，得出分类结果。
其中步骤S1中所述归一化处理为其中min指任一波段的最小值，max指任一波段的最大值。
其中所述PCA降维为K＝PCA(R)。
其中步骤S3中提取空间信息为Ri ds＝T(Ri)，i＝1,2,3，……l。
其中步骤S4中提取空间信息为Ki ds＝T(Kj)，j＝1,2,3，……n。
优选的是，所述高光谱数据集为波段数为L的高光谱数据集。
与现有技术相比，本发明的有益效果是：
1)使用域转换线性插值卷积滤波提取高光谱图像的空间自相关信息，对高光谱像元分类精度高；
2)使用域转换线性插值卷积滤波提取高光谱图像的空间自相关信息，有效去除高光谱图像分类的椒盐现象；
3)对光谱特性接近的植被有较好的分类性能。
附图说明
图1为本发明的流程图；
图2为印第安农林数据集图像分类统计图；
图3为印第安农林数据集分类图；
图4为萨里斯山谷数据集图像分类统计图；
图5为萨里斯山谷数据集分类图；
图6为植被的高光谱图；
图7为印第安农林不同训练样本比例分类性能图；
图8为萨里斯山谷不同训练样本比例分类性能图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
请参考图1，图1为算法流程图。
一种基于空间自相关信息的高光谱图像植被分类方法，其特征在于，包括以下步骤：
S1：对高光谱数据集作归一化处理，得到信息量重新分布的高光谱图像数据集R；
其中归一化处理为其中min指任一波段的最小值，max指任一波段的最大值。
S2：对高光谱图像进行PCA降维，选择前面n维的数据组成新的数据集K；
其中所述PCA降维为K＝PCA(R)。
S3：用域转换线性插值卷积滤波对全部光谱信息R提取空间信息；
其中步骤S3中提取空间信息为Ri ds＝T(Ri)，i＝1,2,3，……l。
S4：用域转换线性插值卷积滤波对数据集K提取空间信息；
其中步骤S4中提取空间信息为Ki ds＝T(Kj)，j＝1,2,3，……n。
S5：将步骤S3、步骤S4中提取的空间信息进行线性融合，形成新的数据集H；
其中H＝Ri ds+Ki ds
S6：随机从空间信息数据集H中抽取训练集Hs，其余部分作为训测试集Ht；
S7：用径向基函数支持的SVM对训练集HS进行训练，获取训练模型；
S8：用径向基函数支持的SVM对测试集Ht进行分类，得出分类结果。
为了验证本发明提出的高光谱图像分类算法(CHISCI)算法在高光谱植被分类的优越性，本发明采用6种方法进行比较，分别为：方法1：SVM；方法2：对主成分分析PCA降维后，用SVM进行分类；方法3：用Gabor滤波器、双边滤波器和导向滤波器分别对高光谱数据用PCA降维后的前20个主成分提取空间信息，并将获取的空间信息和光谱信息线性结合后，用SVM进行分类，形成SGB-SVM、SBL-SVM、SGD-SVM；方法4：用EPF算法对高光谱图像进行分类，有EPF-B-c和EPF-G-c方法；方法5：域转换递归滤波的方法IFRF；方法6：本发明提出的CHISCI。
验证对象为印第安农林数据集和萨里斯山谷数据集，其中印第安农林数据集：来自机载可见光红外成像光谱仪(AirborneVisible Infrared Imaging Spectrometer)，是1992年在印第安纳州西北部印第安农林收集到的高光谱遥感图像，其包含144×144个像元，220个波段，由于噪声和水吸收等因素除去其中的20个波段，剩余200个波段，包含16个类别，具体地物类别和样本个数参见图2；萨利纳斯山谷数据集来自机载可见光红外成像光谱仪(Airborne Visible Infrared Imaging Spectrometer)，是1992年在美国加利福利亚州萨利纳斯山谷收集到的图像，具有3.7米的空间分辨率，其包含512×217个像元，224个波段，由于噪声和水吸收等因素除去其中的20个波段，包括[108-112]、[154-167]和224，剩余204个波段，，包含16个类别，具体地物类别和样本个数参见图4。
本发明用总体分类精度(Overall Accuracy,OA)、平均分类精度(AverageAccuracy,AA)以及Kappa统计系数(Kappa Statistic,Kappa)来衡量分类算法的精度。
试验中，选取印第安农林数据集图像全部16种类别中，每类随机选取6％样本组成有标签训练集，其余94％作为测试集；选取萨利纳斯山谷数据集图像全部16种类别，每类随机选取1％样本组成有标签训练集，其余99％作为测试集。采用6种方法分别对印第安林和帕维亚大学数据集进行分类对比验证，得到图2和图4的分类结果，分类效果如图3和图5所示。
从结果可知，印第安农林数据集训练样本6％抽样(c)SVM，OA＝80.38％(d)SVM-PCA，OA＝79.85％(e)GB-SVM，OA＝80.10％(f)SBL-SVM，OA＝88.48％(g)SGD-SVM，OA＝90.20％(h)EPF-B-c，OA＝92.28％(i)EPF-G-c，OA＝92.14％(j)IFRF，OA＝93.71％(k)DTBS-SVM，OA＝96.16％。
萨里斯山谷数据集分类5％抽样(c)SVM，OA＝88.86％(d)SVM-PCA，OA＝88.92％(f)GB-SVM，OA＝89.44％(g)SBL-SVM，OA＝91.90％(h)SGD-SVM，OA＝92.68％(i)EPF-B-c，OA＝92.32％(j)EPF-G-c，OA＝92.03％(k)IFRF，OA＝96.63％(l)DTBS-SVM，OA＝98.67％。
实验分析可知：
1)CHISCI实现对两类数据集的较优分类，其中印第安农林数据集的总体分类精度OA为96.16％，萨里斯山谷数据集为98.67％，比SVM和PCA-SVM的总体分类精度高出12～16个百分点，比空谱结合方法SGB-SVM、SBL-SVM、SGD-SVM高出4～16个百分点，比EPF算法高出4～6个百分点，比IFRF算法高出2～3个百分点，另外相对其他方法，CHISCI算法对两类数据集的平均分类精度AA和Kappa系数同样有大幅度的提高，充分验证了CHISCI算法在高光谱图像植被分类的有效性。
2)从印第安农林数据集分类试验可知，在训练样本仅为6％，总体分类精度OA达到了96.16％，说明对植被多，分布复杂的高光谱数据有较好的分类效果，有效去除椒盐现象，用方框标注的地方去除效果更为明显；萨里斯山谷数据集分类训练样本仅为1％，CHISCI也能达到较优的分类效果，OA、AA和Kappa系数均超过98％，有效地去除椒盐现象，用方框标注的地方效果较为突出，验证了CHISCI对高光谱图像的植被有较好的分类性能。
3)从萨里斯山谷试验来看，前面几个方法对未结果实的葡萄(Grapes_untrained)和未结果实的葡萄园(Vinyard_untrained)分类效果比较差，两者间错分的比较多，从地物中选择休耕地(Fallow)、未结果实的葡萄(Grapes_untrained)、玉米(Corn)、长叶莴苣5(Lettuce_romaine_5wk)和未结果实的葡萄园(Vinyard_untrained)5个植被中的一个像元，并画出全波段光谱图，如图6箭头所示，可知葡萄和葡萄园各波段的光谱反射率非常接近，导致分类器用光谱信息来分类的效果比较差，从图4可知，CHISCI对两种植被的分类效果分别达到了98.38％和99.37％，比其他分类器的分类精度都高，验证了CHISCI算法对光谱特性接近的植被有较好的分类性能。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于空间自相关信息的高光谱图像植被分类方法，其特征在于，包括以下步骤：
S1：对高光谱数据集作归一化处理，得到信息量重新分布的高光谱图像数据集R；其中
<mrow> <mi>R</mi> <mo>=</mo> <mfrac> <mrow> <mi>R</mi> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </mfrac> </mrow>
min指的是某个波段的最小值，max为最大值；
S2：对高光谱图像进行PCA降维并组成新的数据集K；其中K＝PCA(R)；
S3：用域转换线性插值卷积滤波对全部光谱信息R提取空间信息；
<mrow> <msubsup> <mi>R</mi> <mrow> <mi>d</mi> <mi>s</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <mi>T</mi> <mrow> <mo>(</mo> <msup> <mi>R</mi> <mi>i</mi> </msup> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>l</mi> </mrow>
S4：用域转换线性插值卷积滤波对数据集K提取空间信息；
<mrow> <msubsup> <mi>K</mi> <mrow> <mi>d</mi> <mi>s</mi> </mrow> <mi>j</mi> </msubsup> <mo>=</mo> <mi>T</mi> <mrow> <mo>(</mo> <msup> <mi>K</mi> <mi>j</mi> </msup> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mrow>
S5：将步骤S3、步骤S4中提取的空间信息进行线性融合，形成新的数据集H；其中H＝Rds+Kds；
S6：随机从空间信息数据集H中抽取训练集Hs，其余部分作为测试集Ht；
S7：用径向基函数支持的SVM对训练集HS进行训练，获取训练模型；
S8：用径向基函数支持的SVM对测试集Ht进行分类，得出分类结果。
2.根据权利要求1所述的一种基于空间自相关信息的高光谱图像植被分类方法，其特征在于，步骤S6所述训练集占空间信息数据集的比例为1％-4％。
3.根据权利要求1所述的一种基于空间自相关信息的高光谱图像植被分类方法，其特征在于，步骤S6所述的测试集占空间信息数据集的比例为94％-99％。
CN201711045187.7A 2017-10-31 2017-10-31 一种基于空间自相关信息的高光谱图像植被分类方法 Pending CN107832693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711045187.7A CN107832693A (zh) 2017-10-31 2017-10-31 一种基于空间自相关信息的高光谱图像植被分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711045187.7A CN107832693A (zh) 2017-10-31 2017-10-31 一种基于空间自相关信息的高光谱图像植被分类方法

Publications (1)

Publication Number Publication Date
CN107832693A true CN107832693A (zh) 2018-03-23

Family

ID=61651093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711045187.7A Pending CN107832693A (zh) 2017-10-31 2017-10-31 一种基于空间自相关信息的高光谱图像植被分类方法

Country Status (1)

Country Link
CN (1) CN107832693A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070137A (zh) * 2019-04-26 2019-07-30 广东交通职业技术学院 一种基于自适应流形滤波和域转换标准卷积滤波的高光谱图像分类方法
CN110852369A (zh) * 2019-11-06 2020-02-28 西北工业大学 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN111310571A (zh) * 2020-01-17 2020-06-19 中国科学院长春光学精密机械与物理研究所 一种基于空谱维滤波的高光谱图像分类方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2014175935A1 (en) * 2013-04-25 2014-10-30 Raytheon Company Kernel with iterative computation
CN104268891A (zh) * 2014-09-27 2015-01-07 励盼攀 八通道成像多光谱图像配准方法
CN104933415A (zh) * 2015-06-25 2015-09-23 华中科技大学 一种实时可见光遥感影像云区检测方法
CN105701782A (zh) * 2016-01-13 2016-06-22 无锡北邮感知技术产业研究院有限公司 纹理效果显著的人脸简约图生成方法
CN107066959A (zh) * 2017-03-29 2017-08-18 广东交通职业技术学院 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014175935A1 (en) * 2013-04-25 2014-10-30 Raytheon Company Kernel with iterative computation
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
CN104268891A (zh) * 2014-09-27 2015-01-07 励盼攀 八通道成像多光谱图像配准方法
CN104933415A (zh) * 2015-06-25 2015-09-23 华中科技大学 一种实时可见光遥感影像云区检测方法
CN105701782A (zh) * 2016-01-13 2016-06-22 无锡北邮感知技术产业研究院有限公司 纹理效果显著的人脸简约图生成方法
CN107066959A (zh) * 2017-03-29 2017-08-18 广东交通职业技术学院 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EDUARDO S. L. GASTAL 等: "Domain transform for edge-aware image and video processing", 《ACM TRANSACTIONS ON GRAPHICS》 *
廖建尚 等: "两类空间信息融合的高光谱图像分类方法", 《激光与光电子学进展》 *
廖建尚 等: "空间信息自适应融合的高光谱图像分类方法", 《光子学报》 *
廖建尚 等: "面向空间自相关信息的高光谱图像分类方法", 《农业机械学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070137A (zh) * 2019-04-26 2019-07-30 广东交通职业技术学院 一种基于自适应流形滤波和域转换标准卷积滤波的高光谱图像分类方法
CN110852369A (zh) * 2019-11-06 2020-02-28 西北工业大学 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN110852369B (zh) * 2019-11-06 2022-09-27 西北工业大学 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法
CN111310571A (zh) * 2020-01-17 2020-06-19 中国科学院长春光学精密机械与物理研究所 一种基于空谱维滤波的高光谱图像分类方法及装置

Similar Documents

Publication Publication Date Title
CN111274865B (zh) 一种基于全卷积神经网络的遥感图像云检测方法及装置
CN111985543B (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN111428781A (zh) 遥感影像地物分类方法及系统
CN108399355B (zh) 一种空间信息自适应融合的高光谱图像分类方法
Hati et al. Plant recognition from leaf image through artificial neural network
CN114005029B (zh) 基于改进yolov5网络的广佛手病虫害识别方法及系统
CN107066959B (zh) 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
CN107871132A (zh) 一种空间特征自适应寻优的高光谱图像分类方法
CN107832693A (zh) 一种基于空间自相关信息的高光谱图像植被分类方法
CN111310571B (zh) 一种基于空谱维滤波的高光谱图像分类方法及装置
Ji et al. In-field automatic detection of maize tassels using computer vision
CN113920376B (zh) 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法
CN114067219A (zh) 一种基于语义分割与超像素分割融合的农田作物识别方法
Duan et al. Infrared and visible image fusion using multi-scale edge-preserving decomposition and multiple saliency features
CN109598284A (zh) 一种基于大间隔分布和空间特征的高光谱图像分类方法
Tripathy Detection of cotton leaf disease using image processing techniques
Hall et al. Object-based analysis of grapevine canopy relationships with winegrape composition and yield in two contrasting vineyards using multitemporal high spatial resolution optical remote sensing
Nagar et al. Pest detection on leaf using image processing
CN105894520A (zh) 一种基于高斯混合模型的卫星影像自动云检测方法
CN109409389A (zh) 一种融合多特征的面向对象变化检测方法
CN107527001A (zh) 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法
CN104820840A (zh) 基于字典和波段重组的最近邻高光谱图像分类方法
CN107169946A (zh) 基于非负稀疏矩阵与超球面彩色变换的图像融合方法
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
Hu et al. Semantic segmentation of tea geometrid in natural scene images using discriminative pyramid network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180323