CN108009559B - 一种基于空谱联合信息的高光谱数据分类方法 - Google Patents

一种基于空谱联合信息的高光谱数据分类方法 Download PDF

Info

Publication number
CN108009559B
CN108009559B CN201610942406.0A CN201610942406A CN108009559B CN 108009559 B CN108009559 B CN 108009559B CN 201610942406 A CN201610942406 A CN 201610942406A CN 108009559 B CN108009559 B CN 108009559B
Authority
CN
China
Prior art keywords
pixel
clustering
spectral
point
layer
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.)
Active
Application number
CN201610942406.0A
Other languages
English (en)
Other versions
CN108009559A (zh
Inventor
张淼
林喆祺
黄汕
沈毅
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201610942406.0A priority Critical patent/CN108009559B/zh
Publication of CN108009559A publication Critical patent/CN108009559A/zh
Application granted granted Critical
Publication of CN108009559B publication Critical patent/CN108009559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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]

Landscapes

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

Abstract

一种基于空谱联合信息的高光谱数据分类方法，本发明提出用卷积神经网络和超像素划分方法，解决了当前高光谱图像对空间信息的利用问题。本发明的步骤为：一、建立卷积神经网络模型并进行特征提取，得到提取的特征向量。二、利用M‑SLIC算法对高光谱图像进行超像素划分，得到超像素划分后的标签图。三、对高光谱特征图像进行聚类并结合BoVW模型产生新特征向量，完成分类过程。本发明利用卷积神经网络，通过多层卷积层和下采样层提取高维的非线性特征，通过加入空间信息降低拍摄条件差异对光谱信息的影响，然后通过特征光谱图进行聚类，将经过卷积神经网络一次特征提取的特征光谱替换为运用BoVW模型得到的二次特征，进一步降低分类的误差，有较强的理论和工程实际意义。

Description

一种基于空谱联合信息的高光谱数据分类方法
(一)技术领域
本发明涉及模式识别领域的分类方法，具体涉及一种加入空谱联合信息的基于卷积神经网络的分类方法。
(二)背景技术
高光谱遥感技术可以获得结合了空间信息与光谱信息的连续图像。作为对地观察资料的一种，高光谱图像在环境监测，农作物长势监测和植被的精细检测方面发挥着日益重要的作用。然而，高光谱图像的波段数量较多且相关性严重，数据的冗余性在分类时影响了精度，因此在分类之前的特征提取步骤显得至关重要。高光谱图像受外界干扰的影响极大，如拍摄相机的轻微抖动、不同的大气散射条件就会导致图像的光学特征的差异。除此之外，由于高光谱图像拍摄的尺度较大，图像内的光照条件差异明显，导致同一类别的物质的光谱曲线往往有很大的差异，无论是特征提取的过程还是分类的过程都有较大的难度，传统的线性特征提取方法，如主成分分析和线性判别分析，以及传统的分类方法，如支持向量机(Support Vector Machine，SVM)，在高光谱数据上的效果并不好。多层的分类器，可以提取到更加抽象的非线性特征，对后续的处理有着极大的帮助。
基于深度学习的方法在特征提取上取得了良好的效果。在处理图像相关的领域内，卷积神经网络(Convolutional Neural Network，CNN)占有举足轻重的地位，取得了比传统的多层神经网络和SVM更加优异的效果。卷积神经网络受到人的生理结构的启发，通过逐层的特征提取达到提取高度抽象的特征的目的。卷积神经网络包括卷积层，降采样层和全连接层，通过局部感受野获取空间信息，在一定程度上保证了几何变换、形变、光照的不变性，因为提取的特征会有相应的变化。而作为特征提取过程时，借鉴自编码器(AutoEncoder，AE)的结构，卷积神经网络可以表示为若干个卷积层和降采样层交替连接，得到特征后通过镜像结构重构输入数据，使得重构数据近似于输入数据。CNN与AE结合的特征提取过程可以有效提升针对图像数据的特征提取效果。
传统的高光谱分类方法仅仅考虑像素的光谱信息，而高光谱图像的空间信息被忽略了。高光谱图像中，两个像素的距离越近，他们具有相同标签的概率就越大。有效利用空间信息可以提高高光谱图像的分类准确率。图像分割作为视觉领域的基本问题，按照一定的相似性将图像划分为多个具有特殊意义的子区域。在高光谱图像中，单个像素的光谱信息可以作为划分超像素的依据。超像素生成方法有两个大类：一个大类是基于图论的方法，另一大类是基于梯度下降的方法。本文使用的多通道简单线性迭代聚类法(Multichannel-Simple Linear Iteration Clustering，M-SLIC)方法是基于梯度下降的简单线性迭代聚类法(Simple Linear Iteration Clustering，SLIC)方法的扩展。SLIC方法面向的是RGB图像，第三维只有三个通道，而高光谱图像通常具有上百个通道，即使进行特征提取之后，为了完全表征出原像素点的光谱特征，也会剩下几十个通道。通过改进SLIC算法，将可输入的通道数变为任意值，增强了超像素分割算法对于高光谱图像的适应性。然而，虽然超像素分割时充分利用了高光谱图像的空间信息，但是直接将超像素中所有样本点归为同一类别的做法是十分粗糙的。本发明通过视觉词袋(Bag of Visual Word，BoVW)模型提取每个超像素的特征，最后通过高精度分类算法支持向量机对存在特征表示的超像素进行分类，大大提高了总体的分类精度。
(三)发明内容
本发明的目的在于提出一种改进的基于空谱联合信息的卷积神经网络分类方法。与传统的分类算法相比，分类精度有所提高。
本发明的目的是通过以下技术方案实现的：通过卷积神经网络的卷积层和降采样层将高光谱像素的特征分离出来，接着利用M-SLIC算法将高光谱特征图像划分为多个超像素，然后对高光谱特征图像进行聚类处理，利用BoVW得到每个超像素的特征向量并作为超像素中单个像素的新特征向量，最后利用SVM对像素点新特征向量进行分类。
本发明的流程图如图1所示，共分为三个步骤，具体步骤如下：
步骤一：根据高光谱数据结构建立卷积神经网络模型并进行光谱特征提取。
1)对于拍摄的高光谱遥感图像MB row，column，其中row，column表示高光谱遥感图像的宽和长，B表示高光谱遥感图像的波段数目，设,z＝1,2,…,N是B维的，z为实数集样本，z是与拍摄图像相关的类别标签，其中N是样本数目；
2)构建特征提取步骤的卷积层模型：卷积层模型为
Figure GDA0003358737200000021
其中
Figure GDA0003358737200000022
为第j个特征图在l层的输出，Qj为特征图的集合，
Figure GDA0003358737200000023
为连接第l-1层中第i个特征图和第l层中第j个特征图的权值矩阵；
Figure GDA0003358737200000024
为第l层中第j个特征图对应的偏置项，*为卷积操作符，f(·)为ReLu函数，即f(t)＝max(0，t)；
3)构建特征提取步骤的降采样层模型：降采样层模型为
Figure GDA0003358737200000031
其中sub(·)代表最大值降采样函数，
Figure GDA0003358737200000032
为第l层中第j个特征图的乘性偏置，
Figure GDA0003358737200000033
为第l层中第j个特征图的加性偏置；
4)计算卷积层的灵敏度：
Figure GDA0003358737200000034
其中
Figure GDA0003358737200000035
Figure GDA0003358737200000036
为元素级的乘法运算符；up(·)函数为上采样函数，其作用为按照下采样因子n的大小将像素在水平和垂直方向复制n次，即将
Figure GDA0003358737200000037
扩充为n×n的矩阵；由于降采样层的存在，卷积层输出的特征图会被缩小，如果每个卷积层后都连接一个降采样层的话，卷积层输出特征图的一块区域会缩小成降采样层上的一个像素点，因此需要上采样步骤将下采样层的灵敏度
Figure GDA0003358737200000038
放大成未被下采样时的大小；
5)计算卷积层权值矩阵的梯度：
Figure GDA0003358737200000039
同时计算偏置项的梯度
Figure GDA00033587372000000310
其中，E为均方误差，(x，y)为特征图中的坐标，
Figure GDA00033587372000000311
为前向传播过程中第l-1层的第i个未经过
Figure GDA00033587372000000312
加权的权值矩阵；
6)计算下采样层的灵敏度和梯度：
Figure GDA00033587372000000313
其中
Figure GDA00033587372000000314
表示扩充后的灵敏度矩阵；得到灵敏度后，利用
Figure GDA00033587372000000315
计算加性偏置的梯度；为了计算乘性偏置的梯度，令
Figure GDA00033587372000000316
则有
Figure GDA00033587372000000317
7)将高光谱图像输入卷积神经网络，设迭代次数为epoch，通过重复步骤一第4)步至第6)步迭代计算卷积层与降采样层加权矩阵与偏置项的梯度，完成卷积神经网络的前向与反向传播步骤，提取出光谱特征图像
Figure GDA00033587372000000318
其中reduced为降维之后的特征维数。
步骤二：利用M-SLIC算法对高光谱图像进行超像素划分。
1)计算每个超像素的中心点坐标，初始化中心点光谱值；设超像素系数为K，如果将高光谱图像中row当作横坐标column当作纵坐标，则横坐标轴上超像素个数为
Figure GDA00033587372000000319
Figure GDA00033587372000000320
纵坐标轴上超像素个数为
Figure GDA00033587372000000321
在进行初始化之后，每个超像素的大小是一样的，在横坐标上的大小为rowsize＝row/n1，columnsize＝column/n2，那么横坐标轴上第ni个(1≤ni≤n1)超像素的中心坐标为rowaddr＝(ni-0.5)×rowsize，纵坐标轴上第nj个(1≤nj≤n2)超像素的中心坐标为columnaddr＝(nj-0.5)×columnsize，光谱值为最接近中心坐标的单个像素点的值；
2)初始化超像素内任意一点到中心的空间加权距离为+∞，将每个超像素的中心的搜索范围设为长为2×rowsize，宽为2×columnsize；
3)计算每个超像素中心点搜索范围内的任意点到中心点在光谱维上的距离，设超像素中心点像素光谱向量为xc，任意点像素光谱向量为xb，则光谱维距离为
Figure GDA0003358737200000041
4)计算任意点到像素中心点的空间加权距离，设超像素内任意一点的坐标为(brow,bcolumn)，则空间加权距离d＝dh+ws·((brow-rowaddr)2+(bcolumn-columnaddr)2)，其中ws为空间加权系数；由于该点会同时出现在几个像素中心点的搜索范围之内，该点的标签标定为与其空间加权距离最短的中心点的标签；
5)将中心点移动到同类标签的一块区域中梯度最小的地方，完成中心点位置更新；
6)重复步骤二第2)步到第5)步，直到达到最大迭代步数iter，便可得到超像素划分后的标签图LM-SLIc。
步骤三：对高光谱特征图像进行聚类，并结合BoVW模型产生新特征向量，完成分类过程。
在得到了高光谱图像的聚类标签图之后，通过K-Means聚类产生多个聚类类别，将每个超像素视为一个视觉词袋，统计词袋内聚类类别数量得到表征词袋特征的特征向量，利用该向量进行最终分类步骤。
1)对步骤一中得到的光谱特征图像
Figure GDA0003358737200000042
设初始聚类类别数kc，初始化kc个聚类中心，即随机选取kc个像素点作为中心点，计算其他像素与聚类中心之间的距离
Figure GDA0003358737200000043
Figure GDA0003358737200000044
其中，xf为特征图F中的像素光谱向量，xcluster为聚类中心的光谱向量，非中心点像素的类别与距离该像素点最近的中心点的类别相同；
2)各个类别的聚类中心光谱向量更新为所有该类别像素光谱曲线的均值，即
Figure GDA0003358737200000045
Figure GDA0003358737200000046
其中，
Figure GDA0003358737200000047
为xf属于ki类别的个数，
Figure GDA0003358737200000048
为xf中属于类别的像素光谱向量；
3)重复步骤三第1)步中计算非中心像素与聚类中心之间距离步骤以及第2)步中更新聚类中心步骤，直至更新聚类中心后非中心点的聚类类别不发生改变，得到光谱特征图像F的聚类类别标签图Lcluster；
4)统计每个超像素中各聚类类别的个数，生成对应于各超像素的特征向量fBoVW，该特征向量为kc×1维向量，超像素中所有像素的特征向量用fBoVW代替；
5)利用SVM对fBoVW进行分类，选取RBF核函数，得到原始高光谱图像的最终分类结果。
本发明与现有技术相比具有如下优点：
在传统的高光谱分类方法中，特征往往通过PCA等线性方法提取，本方法利用卷积神经网络，通过多层卷积层和降采样层提取高维的非线性特征，更大程度地保留了高光谱图像的结构信息，比传统的SVM等方法的精度更高。
与传统的分类方法相比，本方法利用空间信息结合光谱信息进行分类，通过加入空间信息降低拍摄条件差异对光谱信息的影响，具体通过M-SLIC方法对高光谱图像进行超像素划分，然后通过特征光谱图进行聚类，将经过卷积神经网络特征提取的特征光谱替换为运用BoVW模型得到的包含空谱联合信息的特征向量，从而进一步降低分类的误差。
(四)附图说明
图1为本发明的流程图。
图2为卷积神经网络特征提取层的结构图。
图3为标准SVM方法分类效果图。
图4为基于深度特征提取和M-SLIC+BoVW模型的分类效果图。
(五)具体实施方式
下面结合实施例和附图说明本发明的具体实施方式：将卷积神经网络运用到高光谱图像特征提取过程中，结合M-SLIC和BoVW模型进一步提高分类精度。
首先给出高光谱图像数据的描述：
实验对象为美国印第安纳州IndianPines测试地AVIRIS数据集中92av3c高光谱图像数据，拍摄于1992年6月。该数据集波长范围为0.4～2.5μm，包含220个波段，空间分辨率为20m。92av3c数据集分为两个部分，第一部分为高光谱数据矩阵，其维度为145×145×220，第二部分为每一个像元所对应的标签矩阵，其维度是145×145，一共包含16类样本，类别及样本数详见表1。
表1各类别所对应的实验样本数
Figure GDA0003358737200000061
执行步骤一：输入高光谱图像数据和对应的标签，设定卷积神经网络的结构如图2所示。训练集与测试集分别占样本总数的0.1和0.9。将原始光谱图像中单个像素输入至输入层中，迭代次数epoch＝50。迭代完成后得到提取的特征向量
Figure GDA0003358737200000062
执行步骤二：将执行步骤一中得到的光谱特征图F通过M-SLIC方法划分超像素。设定超像素系数K＝10000，最大迭代次数iter＝10；接着计算每个超像素中心点搜索范围中任意点到中心点的光谱距离和空间距离，将该任意点的标签设置成与中心点标签一致。完成对全图的搜索后更新中心点位置，重复上述步骤直到达到最大迭代步数，得到超像素划分后的标签图。
执行步骤三：设初始聚类类别数kc＝100，对光谱特征图F进行K-Means聚类，得到聚类类别标签图Lcluster。接着统计每个超像素中各聚类类别的个数，生成对应于各超像素的特征向量fBoVW。最后利用SVM对fBoVW进行分类，得到原始高光谱图像的最终分类结果，如图所示。
实验还在保持输入样本不变的情况下，加入了标准的SVM分类方法作为对比。需要注意的是，采用标准径向基核函数的SVM分类方法，并不能采用本发明的M-SLIC方法和BoVW模型，因为M-SLIC方法和BoVW模型需要特征提取步骤，而标准的SVM分类方法并不能提供提取的特征。
本实施例结论：对比试验的结果见表2。对于大部分类别来说，本方法要优于标准SVM方法。也需要注意本发明方法的分类过程总时间有所增加，虽然在最终分类时，标准SVM方法对原始光谱特征进行分类，而本方法对简化的提取特征分类，时间要短于标准SVM方法，但因为本方法在特征处理以及构建词袋模型的步骤的时间花销更久，所以综合这两方面因素，本方法实际消耗的时间大于标准SVM方法，但换来的是更高的分类精度。
小样本类别(如7类和9类)由于超像素划分的关系，自身数量过少，无法逐点进行分类，导致小样本类别被划分到其他类别。但是逐点分类的方法中，小样本类别的分类精度也不高。本方法牺牲小样本精度提高整体分类精度，在只需要保证多类样本精度的任务中是可以接受的。
表2两种方法的分类精度及时间消耗的比较
Figure GDA0003358737200000071
图3为标准SVM方法的分类结果图，图4为本方法的分类结果图。从两幅分类结果图对比也可看出，对于少量训练样本的分类任务相对于标准SVM方法来说，本方法提出的基于深度特征提取和空谱信息结合的分类方法的分类正确率要更高一些。

Claims (4)

1.一种基于空谱联合信息的高光谱数据分类方法，其特征在于它包括如下步骤：
步骤一：读入高光谱遥感图像，建立卷积神经网络模型并进行特征提取，得到提取的特征向量；
步骤二：对高光谱图像进行超像素划分，得到超像素划分后的标签图；
步骤三：对高光谱特征图像进行聚类并结合BoVW模型产生新特征向量，完成分类过程——在得到了高光谱图像的聚类标签图之后，通过K-Means聚类产生多个聚类类别，将每个超像素视为一个视觉词袋，统计词袋内聚类类别数量得到表征词袋特征的特征向量；初始聚类类别数为kc，统计每个超像素中各聚类类别的个数，生成对应于各超像素的特征向量fBoVW，该特征向量为kc×1维向量，超像素中所有像素的特征向量用fBoVW代替，利用该向量进行最终分类步骤。
2.根据权利要求1所述的一种基于空谱联合信息的高光谱数据分类方法，其特征在于所述的步骤一为：
1)对于拍摄的高光谱遥感图像MB row，column，其中row，column表示高光谱遥感图像的宽和长，B表示高光谱遥感图像的波段数目，设,z＝1,2,…,N是B维的，z为实数集样本，是与相关的类别标签，其中N是样本数目，L是类别数目；
2)构建特征提取步骤的卷积层模型：卷积层模型为
Figure FDA0003358737190000011
其中
Figure FDA0003358737190000012
为第j个特征图在l层的输出，Qj为特征图的集合，
Figure FDA0003358737190000013
为连接第l-1层中第i个特征图和第l层中第j个特征图的权值矩阵；
Figure FDA0003358737190000014
为第l层中第j个特征图对应的偏置项，*为卷积操作符，f(·)为ReLu函数，即f(t)＝max(0，t)；
3)构建特征提取步骤的降采样层模型：降采样层模型为
Figure FDA0003358737190000015
其中sub(·)代表最大值降采样函数，
Figure FDA0003358737190000016
为第l层中第j个特征图的乘性偏置，
Figure FDA0003358737190000017
为第l层中第j个特征图的加性偏置；
4)计算卷积层的灵敏度：
Figure FDA0003358737190000018
其中
Figure FDA0003358737190000019
Figure FDA00033587371900000110
Figure FDA00033587371900000111
为元素级的乘法运算符；up(·)函数为上采样函数，其作用为按照下采样因子n的大小将像素在水平和垂直方向复制n次，即将
Figure FDA00033587371900000112
扩充为n×n的矩阵；由于降采样层的存在，卷积层输出的特征图会被缩小，如果每个卷积层后都连接一个降采样层的话，卷积层输出特征图的一块区域会缩小成降采样层上的一个像素点，因此需要上采样步骤将下采样层的灵敏度
Figure FDA0003358737190000021
放大成未被下采样时的大小；
5)计算卷积层权值矩阵的梯度：
Figure FDA0003358737190000022
同时计算偏置项的梯度
Figure FDA0003358737190000023
其中，E为均方误差，(x，y)为特征图中的坐标，
Figure FDA0003358737190000024
为前向传播过程中第l-1层的第i个未经过
Figure FDA0003358737190000025
加权的权值矩阵；
6)计算下采样层的灵敏度和梯度：
Figure FDA0003358737190000026
其中
Figure FDA0003358737190000027
表示扩充后的灵敏度矩阵；得到灵敏度后，利用
Figure FDA0003358737190000028
计算加性偏置的梯度；为了计算乘性偏置的梯度，令
Figure FDA0003358737190000029
则有
Figure FDA00033587371900000210
7)将高光谱图像输入卷积神经网络，设迭代次数为epoch，通过重复步骤一第4)步至第6)步迭代计算卷积层与降采样层加权矩阵与偏置项的梯度，完成卷积神经网络的前向与反向传播步骤，提取出光谱特征图像
Figure FDA00033587371900000211
其中reduced为降维之后的特征维数。
3.根据权利要求2所述的一种基于空谱联合信息的高光谱数据分类方法，其特征在于所述的步骤二为：
1)计算每个超像素的中心点坐标，初始化中心点光谱值；设超像素系数为K，如果将高光谱图像中row当作横坐标column当作纵坐标，则横坐标轴上超像素个数为
Figure FDA00033587371900000212
Figure FDA00033587371900000213
纵坐标轴上超像素个数为
Figure FDA00033587371900000214
在进行初始化之后，每个超像素的大小是一样的，在横坐标上的大小为rowsize＝row/n1，columnsize＝column/n2，那么横坐标轴上第ni个(1≤ni≤n1)超像素的中心坐标为rowaddr＝(ni-0.5)×rowsize，纵坐标轴上第nj个(1≤nj≤n2)超像素的中心坐标为columnaddr＝(nj-0.5)×columnsize，光谱值为最接近中心坐标的单个像素点的值；
2)初始化超像素内任意一点到中心的空间加权距离为+∞，将每个超像素的中心的搜索范围设为长为2×rowsize，宽为2×columnsize；
3)计算每个超像素中心点搜索范围内的任意点到中心点在光谱维上的距离，设超像素中心点像素光谱向量为xc，任意点像素光谱向量为xb，则光谱维距离为
Figure FDA00033587371900000215
4)计算任意点到像素中心点的空间加权距离，设超像素内任意一点的坐标为(brow，bcolumn)，则空间加权距离d＝dh+ws·((brow-rowaddr)2+(bcolumn-columnaddr)2)，其中ws为空间加权系数；由于该点会同时出现在几个像素中心点的搜索范围之内，该点的标签标定为与其空间加权距离最短的中心点的标签；
5)将中心点移动到同类标签的一块区域中梯度最小的地方，完成中心点位置更新；
6)重复步骤二第2)步到第5)步，直到达到最大迭代步数iter，便可得到超像素划分后的标签图LM-SLIC。
4.根据权利要求2所述的一种基于空谱联合信息的高光谱数据分类方法，其特征在于所述的步骤三为：
1)对步骤一中得到的光谱特征图像F，设初始聚类类别数kc，初始化kc个聚类中心，即随机选取kc个像素点作为中心点，计算其他像素与聚类中心之间的距离
Figure FDA0003358737190000031
Figure FDA0003358737190000032
其中，xf为特征图F中的像素光谱向量，xcluster为聚类中心的光谱向量，非中心点像素的类别与距离该像素点最近的中心点的类别相同；
2)各个类别的聚类中心光谱向量更新为所有该类别像素光谱曲线的均值，即
Figure FDA0003358737190000033
Figure FDA0003358737190000034
其中，
Figure FDA0003358737190000036
为xf属于ki类别的个数，
Figure FDA0003358737190000035
为xf中属于类别的像素光谱向量；
3)重复步骤三第1)步中计算非中心像素与聚类中心之间距离步骤以及第2)步中更新聚类中心步骤，直至更新聚类中心后非中心点的聚类类别不发生改变，得到光谱特征图像F的聚类类别标签图Lcluster；
4)统计每个超像素中各聚类类别的个数，生成对应于各超像素的特征向量fBoVW，该特征向量为kc×1维向量，超像素中所有像素的特征向量用fBoVW代替；
5)利用SVM对fBoVW进行分类，选取RBF核函数，得到原始高光谱图像的最终分类结果。
CN201610942406.0A 2016-11-02 2016-11-02 一种基于空谱联合信息的高光谱数据分类方法 Active CN108009559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610942406.0A CN108009559B (zh) 2016-11-02 2016-11-02 一种基于空谱联合信息的高光谱数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610942406.0A CN108009559B (zh) 2016-11-02 2016-11-02 一种基于空谱联合信息的高光谱数据分类方法

Publications (2)

Publication Number Publication Date
CN108009559A CN108009559A (zh) 2018-05-08
CN108009559B true CN108009559B (zh) 2021-12-24

Family

ID=62047262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610942406.0A Active CN108009559B (zh) 2016-11-02 2016-11-02 一种基于空谱联合信息的高光谱数据分类方法

Country Status (1)

Country Link
CN (1) CN108009559B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717354B (zh) * 2018-07-11 2023-05-12 哈尔滨工业大学 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
CN109472199B (zh) * 2018-09-29 2022-02-22 深圳大学 一种图像融合分类的方法及装置
CN109325458B (zh) * 2018-09-30 2021-10-15 河海大学 一种基于四色定理的高光谱图像空谱结合分类方法
CN109522859B (zh) * 2018-11-27 2020-11-27 南京林业大学 基于高光谱遥感影像多特征输入的城市不透水层提取方法
CN109740652B (zh) * 2018-12-24 2020-12-11 深圳大学 一种病理图像分类方法和计算机设备
CN109632691B (zh) * 2018-12-28 2021-03-30 南京富岛信息工程有限公司 一种原油精细物性的近红外快速分析方法
CN109934281B (zh) * 2019-03-08 2021-01-26 电子科技大学 一种二分类网络的非监督训练方法
CN110110596B (zh) * 2019-03-29 2022-12-02 西北大学 高光谱图像特征提取、分类模型构建及分类方法
CN110163293A (zh) * 2019-05-28 2019-08-23 武汉轻工大学 基于深度学习的红肉分类方法、装置、设备及存储介质
CN111191701B (zh) * 2019-12-23 2023-04-11 中国科学院西安光学精密机械研究所 一种基于深度学习的颜料光谱辨识方法
CN111639697B (zh) * 2020-05-27 2023-03-24 西安电子科技大学 基于非重复采样与原型网络的高光谱图像分类方法
CN111783865B (zh) * 2020-06-23 2022-03-15 西北工业大学 基于空谱邻域嵌入和最优相似图的高光谱分类方法
CN111833353B (zh) * 2020-07-16 2022-04-12 四川九洲电器集团有限责任公司 一种基于图像分割的高光谱目标检测方法
CN111797941A (zh) * 2020-07-20 2020-10-20 中国科学院长春光学精密机械与物理研究所 携带光谱信息和空间信息的图像分类方法及系统
CN112131962B (zh) * 2020-08-28 2023-08-15 西安电子科技大学 基于电磁散射特征和深度网络特征的sar图像识别方法
CN112329818B (zh) * 2020-10-20 2023-07-07 南京信息工程大学 基于图卷积网络嵌入表征的高光谱图像非监督分类方法
CN114495096A (zh) * 2020-10-23 2022-05-13 上海交通大学医学院附属新华医院 一种细胞分类模型的获取方法和装置
CN112927149B (zh) * 2021-02-18 2023-07-04 北京印刷学院 高光谱图像的空间分辨率增强方法、装置及电子设备
CN113139513B (zh) * 2021-05-14 2023-11-10 辽宁工程技术大学 基于超像素轮廓和改进pso-elm的空谱主动学习高光谱分类方法
CN113313004A (zh) * 2021-05-25 2021-08-27 武汉工程大学 一种基于自监督学习的钢材微观组织分割方法
CN113516194B (zh) * 2021-07-20 2023-08-08 海南长光卫星信息技术有限公司 高光谱遥感影像半监督分类方法、装置、设备及存储介质
CN114332534B (zh) * 2021-12-29 2024-03-29 山东省科学院海洋仪器仪表研究所 一种高光谱图像小样本分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622607A (zh) * 2012-02-24 2012-08-01 河海大学 一种基于多特征融合的遥感图像分类方法
CN105740915A (zh) * 2016-03-04 2016-07-06 浙江大学 一种融合感知信息的协同分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2570970A1 (en) * 2011-09-16 2013-03-20 Technische Universität Berlin Method and system for the automatic analysis of an image of a biological sample

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622607A (zh) * 2012-02-24 2012-08-01 河海大学 一种基于多特征融合的遥感图像分类方法
CN105740915A (zh) * 2016-03-04 2016-07-06 浙江大学 一种融合感知信息的协同分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Bag-of-Visual-Words Scene Classifier With Local and Global Features for High Spatial Resolution Remote Sensing Imagery;Qiqi Zhu等;《IEEE Geoscience and Remote Sensing Letters》;20160506;第13卷(第6期);全文 *
Image classification by visual bag-of-words refinement and reduction;Zhiwu Lu等;《Neurocomputing》;20160115;全文 *
基于高光谱图像与视觉词袋模型的稻种发芽率预测研究;于施淼等;《激光与光电子学进展》;20160131;第53卷(第1期);全文 *
高空间分辨率遥感图像多级词袋分类方法研究;顾礼斌;《万方学位论文数据库》;20121130;全文 *

Also Published As

Publication number Publication date
CN108009559A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
CN108009559B (zh) 一种基于空谱联合信息的高光谱数据分类方法
Li et al. Robust capsule network based on maximum correntropy criterion for hyperspectral image classification
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
Song et al. A survey of remote sensing image classification based on CNNs
CN111191736B (zh) 基于深度特征交叉融合的高光谱图像分类方法
CN109344701B (zh) 一种基于Kinect的动态手势识别方法
CN108230329B (zh) 基于多尺度卷积神经网络的语义分割方法
CN105740894B (zh) 一种高光谱遥感图像的语义标注方法
Ahmad Deep image retrieval using artificial neural network interpolation and indexing based on similarity measurement
CN111191583B (zh) 基于卷积神经网络的空间目标识别系统及方法
US20190164047A1 (en) Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
Jia et al. Spectral–spatial Gabor surface feature fusion approach for hyperspectral imagery classification
CN111310666B (zh) 一种基于纹理特征的高分辨率影像地物识别与分割方法
Huang et al. Local binary patterns and superpixel-based multiple kernels for hyperspectral image classification
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN111652273B (zh) 一种基于深度学习的rgb-d图像分类方法
CN111160273A (zh) 一种高光谱图像空谱联合分类方法及装置
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
CN111626267B (zh) 一种利用空洞卷积的高光谱遥感图像分类方法
CN113344103B (zh) 基于超图卷积神经网络的高光谱遥感图像地物分类方法
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
Rajendran et al. Hyperspectral image classification model using squeeze and excitation network with deep learning
Guo et al. Dual graph U-Nets for hyperspectral image classification

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