CN108427913A - 联合光谱、空间和层次结构信息的高光谱影像分类方法 - Google Patents
联合光谱、空间和层次结构信息的高光谱影像分类方法 Download PDFInfo
- Publication number
- CN108427913A CN108427913A CN201810113213.3A CN201810113213A CN108427913A CN 108427913 A CN108427913 A CN 108427913A CN 201810113213 A CN201810113213 A CN 201810113213A CN 108427913 A CN108427913 A CN 108427913A
- Authority
- CN
- China
- Prior art keywords
- image
- principal component
- hyperspectral
- space
- wave band
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000003595 spectral effect Effects 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000000701 chemical imaging Methods 0.000 claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims abstract description 11
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 210000000299 nuclear matrix Anatomy 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 239000013256 coordination polymer Substances 0.000 claims description 12
- 210000004940 nucleus Anatomy 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000009412 basement excavation Methods 0.000 abstract 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 11
- 235000011613 Pinus brutia Nutrition 0.000 description 11
- 241000018646 Pinus brutia Species 0.000 description 11
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000075850 Avena orientalis Species 0.000 description 1
- 235000007319 Avena orientalis Nutrition 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Abstract
本发明公开了联合光谱、空间和层次结构信息的高光谱遥感影像分类技术,包括输入待分类的高光谱影像,提取参考数据样本集;选取监督分类的训练样本集;对原始影像采用主成分分析提取影像前三个主成分波段,使用拓展形态学方法提取空间特征向量;对原始影像采用马尔科夫特征选择进行降维,采用代数多重网格方法构建影像金字塔,使用层次分割方法得到多层分割结果;将原始光谱特征向量、空间特征向量和层次结构特征向量组合构建多核矩阵;利用支持向量机方法计算核矩阵差异获取最终的类别属性标签;输出最终的影像分类图。本发明提供了一种有效的分类方法,能充分提取挖掘影像信息,能有效提高高光谱影像分类精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种联合光谱、空间和层次结构信息的高光谱影像分类方法。
背景技术
与多光谱遥感图像相比,高光谱遥感影像具有更加丰富的信息,这些信息能够准确反映不同地物类别之间的属性差异,实现地物准确提取和识别,为更精确的高光谱遥感影像分析与行业应用奠定良好基础。然而,高光谱影像维数高、波段相关性大;包含噪声与混合像元;有限的地面真实数据参考等问题,给高光谱遥感信息分析与处理带来了巨大挑战。基于光谱特征的单核影像分类方法仅依据地物光谱特征来判定像元的类别归属,并未利用影像的空间信息,因此这类方法获得的分类精度难以更进一步地改善。基于光谱和空间信息的复合核影像分类方法在联合高光谱影像空间信息(主要包括纹理信息、空间结构信息、地物尺寸信息、地物轮廓信息、空间分布信息等)和地物光谱特征的基础上,能够获得更精确的分类结果,但往往空间特征只用一种提取方法,很难完全获取所以的结构信息。
传统的复合核方法提取空间信息往往是不够的,为了解决这一问题,多尺度相关方法近年来引起研究者的关注。这是由于地物目标的各种特征通常存在于多个尺度范围内,同时单一尺度的图像分割难以获得满足要求的同质区域,所以将层次结构作为空间信息的一种补充,代入传统复合核框架,不仅将原始的复合核拓展成多核,而且能够有效的提高影像分类精度。在对比方法的形式与精度,都是突破。
发明内容
有鉴于此,本发明的实施例提供了一种能避免信息冗余,改进了传统复合核框架,提高了分类精度的联合光谱、空间和层次结构信息的高光谱遥感影像分类方法。
本发明的实施例提供联合光谱、空间和层次结构信息的高光谱影像分类方法,包括以下步骤:
S1、输入光学传感器获取的待分类的高光谱影像;并输入与待分类的高光谱影像对应的地面调查数据样本集;
S2、根据地面调查数据样本集中所有样本的坐标位置,提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集;
S3、得到的高光谱影像的参考数据样本集中包括多个信息类别,依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集;将各信息类别中剩余的参考数据样本作为精度评价的测试样本集;
S4、对原始高光谱影像采用主成分分析提取影像的前三个主成分波段;
S5、对步骤S4得到的前三个主成分波段使用拓展形态学方法提取空间特征向量;
S6、对原始高光谱影像采用马尔科夫特征选择进行降维;
S7、对步骤S6降维的影像采用代数多重网格方法构建影像金字塔;
S8、对步骤S7构建的影像金字塔使用层次分割方法得到多层分割结果的层次结构特征向量;
S9、根据步骤S3选好的训练样本集,将对应位置处的原始光谱特征向量、步骤S5得到的空间特征向量和步骤S8得到的层次结构特征向量组合构造光谱空间层次结构复合核;
S10、利用支持向量机方法计算核矩阵差异获取最终的类别属性标签;
S11、根据步骤S10的最终类别属性标签输出最终的影像分类图。
进一步,所述步骤S4中,主成分分析的具体步骤为:
S41、对原始高光谱影像进行标准化,计算相关系数矩阵;
S42、计算相关系数矩阵的特征值与特征向量;
S43、根据特征值与特征向量计算主成分载荷,得到各主成分波段,从各主成分波段中提取前三个主成分波段。
进一步,所述步骤S5中,使用拓展形态学方法计算拓展形态学属性剖面的公式为:
EMPk={MP(PC1),MP(PC2),......,MP(PCk)}
其中
MP(X)={CP1(X),...CPn(X),I(X),OP1(X)...,OPn(X)}
式中:k表示主成分波段,n为操作子数目,EMP为最终所获的拓展形态学属性剖面,MP为每个主成分波段的形态学属性剖面,CP与OP分别对应闭操作与开操作的操作子,I为原始主成分影像波段。
进一步,所述步骤S7中,代数多重网格方法的具体步骤为:
S71、初始化高斯-赛德尔的参数,对降维的影像构建底层最精细网格;
S72、利用高斯-赛德尔迭代方法计算每层金字塔顶点,直到顶点个数小于log2(P),P为影像的像元总个数;
S73、根据每层金字塔顶点构建影像金字塔。
进一步,所述步骤S8中,层次分割方法的具体步骤为:
S81、根据影像金字塔的顶点建立标记点,其余像素为未标记像素;
S82、计算每层网格中标记与相邻未标记像素的光谱差异;
S83、合并步骤S82得到的光谱差异中最小光谱差异的相邻像素。
进一步,所述步骤S9中,复合核的核函数的定义公式为:
其中,每个单核定义公式为:
式中:和分别为原始光谱特征向量、空间特征向量和层次结构特征向量,μSPE,μSPA和μHIE分别为每个核对应原始光谱特征向量、空间特征向量和层次结构特征向量的权重值,且μSPE+μSPA+μHIE=1,σ为径向基函数核的方差。
进一步,所述步骤S10中,利用支持向量机方法计算核矩阵差异获取最终的类别属性标签的具体步骤:
S101、利用步骤S3中选好的训练样本集,将对应位置处的原始光谱特征向量、空间特征向量和层次结构特征向量代入自定义核,构建核矩阵;
S102、网格寻优估计支持向量机分类器中的最优参数C和σ;
S103、用训练过的分类器为图像中的每个像素赋予类别属性标签,完成图像分类过程。
与现有技术相比,本发明具有以下有益效果:能够改进基于像素的分类,充分利用高光谱影像丰富的光谱特征、空间信息和层次结构信息,为高光谱遥感技术提供可靠的信息来源;首先通过主成分分析与代数多重网格两种策略来构建影像主要信息与层次结构补充信息,再利用拓展形态学方法与层次分割方法获得影像的空间信息向量与层次结构信息向量,最后利用基于多核方法的支持向量机进行高光谱影像分类。这些方法策略使得影像结果在保持区域的同质性同时,有效地保留地物边界,并减少了地物边界上类别错分的缺点,使得本发明具有误分点少和保持地物边界的优点,同时也具有地物分类精度更精确的优点。
附图说明
图1是本发明实施例的联合光谱、空间和层次结构信息的高光谱遥感影像分类方法的流程图;
图2是本发明实施例中通过不同方法得到的联合光谱、空间和层次结构信息的高光谱遥感影像分类方法的结果图,(a)为直接采用SVM方法获取的高光谱遥感数据IndianPines分类图;(b)为采用EMP方法获取的高光谱遥感数据Indian Pines分类图;(c)为采用SS-Kernel方法获取的高光谱遥感数据Indian Pines分类图;(d)为本发明方法获取的高光谱遥感数据Indian Pines分类图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明的实施例提供了提供联合光谱、空间和层次结构信息的高光谱影像分类方法,包括以下步骤:
S1、输入光学传感器获取的待分类的高光谱影像;并输入与待分类的高光谱影像对应的地面调查数据样本集;
S2、根据地面调查数据样本集中所有样本的坐标位置,提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集;
S3、得到的高光谱影像的参考数据样本集中包括多个信息类别,依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集;将各信息类别中剩余的参考数据样本作为精度评价的测试样本集;
S4、对原始高光谱影像采用主成分分析提取影像的前三个主成分波段;
主成分分析的具体步骤为:
S41、对原始高光谱影像进行标准化,计算相关系数矩阵;
S42、计算相关系数矩阵的特征值与特征向量;
S43、根据特征值与特征向量计算主成分载荷,得到各主成分波段,从各主成分波段中提取前三个主成分波段。
S5、对步骤S4得到的前三个主成分波段使用拓展形态学方法提取空间特征向量;
使用拓展形态学方法计算拓展形态学属性剖面的公式为:
EMPk={MP(PC1),MP(PC2),......,MP(PCk)}
其中
MP(X)={CP1(X),...CPn(X),I(X),OP1(X)...,OPn(X)}
式中:k表示主成分波段,n为操作子数目,EMP为最终所获的拓展形态学属性剖面,MP为每个主成分波段的形态学属性剖面,CP与OP分别对应闭操作与开操作的操作子,I为原始主成分影像波段。
S6、对原始高光谱影像采用马尔科夫特征选择进行降维;
S7、对步骤S6降维的影像采用代数多重网格方法构建影像金字塔;
代数多重网格方法的具体步骤为:
S71、初始化高斯-赛德尔的参数,对降维的影像构建底层最精细网格;
S72、利用高斯-赛德尔迭代方法计算每层金字塔顶点,直到顶点个数小于log2(P),P为影像的像元总个数;
S73、根据每层金字塔顶点构建影像金字塔。
S8、对步骤S7构建的影像金字塔使用层次分割方法得到多层分割结果的层次结构特征向量;
层次分割方法的具体步骤为:
S81、根据影像金字塔的顶点建立标记点,其余像素为未标记像素;
S82、计算每层网格中标记与相邻未标记像素的光谱差异;
S83、合并步骤S82得到的光谱差异中最小光谱差异的相邻像素。
S9、根据步骤S3选好的训练样本集,将对应位置处的原始光谱特征向量、步骤S5得到的空间特征向量和步骤S8得到的层次结构特征向量组合构造光谱空间层次结构复合核;
复合核的核函数的定义公式为:
其中,每个单核定义公式为:
式中:和分别为原始光谱特征向量、空间特征向量和层次结构特征向量,μSPE,μSPA和μHIE分别为每个核对应原始光谱特征向量、空间特征向量和层次结构特征向量的权重值,且μSPE+μSPA+μHIE=1,σ为径向基函数核的方差。
S10、利用支持向量机方法计算核矩阵差异获取最终的类别属性标签;
具体步骤:
S101、利用步骤S3中选好的训练样本集,将对应位置处的原始光谱特征向量、空间特征向量和层次结构特征向量代入自定义核(复合核),构建核矩阵;
S102、网格寻优估计支持向量机分类器中的最优参数C和σ;
S103、用训练过的分类器为图像中的每个像素赋予类别属性标签,完成图像分类过程。
S11、根据步骤S10的最终类别属性标签输出最终的影像分类图。
以下结合实施例对本发明作进一步描述。
步骤1,输入数据。
在本实施例中,输入一幅待分类的AVIRIS光学传感器获取的Indian Pines的高光谱遥感影像与对应该影像的人工标记样本集。
步骤2,获得参考数据样本集。
依据地面调查数据所有样本的坐标位置,提取高光谱原始影像中对应坐标位置的像元构成参考数据样本集;
步骤3,确定训练样本与检验样本集。
在高光谱影像参考数据样本集中,随机选取每个类别40个样本作为影像分类的训练样本集,不足取该类别总数的一半;将该类别剩余样本作为影像分类的测试样本集;
步骤4,对原始影像进行主成分分析。
第一步,对原始影像进行标准化,计算相关系数矩阵;
第二步,计算特征值与特征向量;
第三步,计算主成分载荷,得到各主成分波段。
步骤5,对前三个主成分波段进行拓展形态学变换:
从操作半径1开始,步长为2,分别进行8次开操作与闭操作,获取形态学特征向量,拓展形态学属性剖面计算公式为:
EMPk={MP(PC1),MP(PC2),......,MP(PCk)}
其中
MP(X)={CP1(X),...CPn(X),I(X),OP1(X)...,OPn(X)}
式中:k表示主成分波段,n为操作子数目,EMP为最终所获的拓展形态学属性剖面,MP为每个主成分波段的形态学属性剖面,CP与OP分别对应闭操作与开操作的操作子,I为原始主成分影像波段。
步骤6,采用马尔科夫特征选择算法将原始高光谱影像降维至30个波段;
步骤7,建立代数多重网格:
第一步,初始化高斯-赛德尔的参数τ=1,ν=0.3,κ=0.01,对降维高光谱影像构建底层最精细网格;
第二步,利用高斯-赛德尔迭代方法计算每层金字塔顶点,直到顶点个数小于log2(P),P=21025为影像像元总个数;
第三步,根据每层顶点构建影像金字塔。
步骤8,使用层次分割方法获取层次结构特征:
第一步,根据影像金字塔顶点建立标记点,其余像素为未标记像素;
第二步,计算每层网格中标记与相邻未标记像素的光谱差异;
第三步,合并最小光谱差异相邻像素。
步骤9,构造光谱空间层次结构复合核,核公式定义为:
其中,每个单核定义公式为:
式中,和分别为上述步骤所得到光谱、空间和层次结构特征向量,μSPE,μSPA和μHIE为每个核权重值,且μSPE+μSPA+μHIE=1,σ为RBF核的方差。
步骤10,利用支持向量机方法计算核矩阵差异获取最终的类别属性标签:
第一步,将步骤S3中选好的训练样本,将对应的位置处的光谱、空间和层次结构的特征向量代入自定义核,构建核矩阵;
第二步,网格寻优估计SVM分类器中的最优参数C=8和σ=2;
第三步,用训练过的分类器为图像中的每个像素赋予类别属性标签,完成图像分类过程。
步骤11,输出最终的影像分类图。
如图2所示,结合实验示例图对本发明的效果做进一步说明。
本实验的硬件测试平台是:处理器为Intel酷睿i5,主频为2.4GHz,内存8GB,软件平台为:Windows 7操作系统、Microsoft Visual Studio 2013、Matlab R2013a。本发明的输入图像是由AVIRIS光学传感器获取的影像数据集Indian Pines。影像的主要地表覆盖为Indiana西北部农业种植区状况,其空间分辨率为20m,波长范围为0.4-2.5μm,共有185波段,其影像大小为145×145像素。影像中包含十六种地物:Alfalfa、Corn-no till、Corn-min till、Corn、Grass/pasture、Grass/trees、Grass/pasture-mowed、Hay-windrowed、Oats、Soybeans-no till、Soybeans-min till、Soybeans-clean till、Wheat、Woods、Bldg-Grass-Trees-Drives和Stone-steel towers。图像格式为img。
本发明用到的三个现有技术对比分类方法分别如下,包括经典SVM分类器和两种常用的联合空间和光谱信息的高光谱影像分类方法,如下:
Melgani等人在“Classification of hyperspectral remote sensing imageswith support vector machines.IEEE Transactions on Geoscience and RemoteSensing.2004,42(8),1778-1790.”中提出的高光谱图像分类方法,简称支持向量机SVM分类方法。
Benediktsson等人在“Classification of Hyperspectral Data From UrbanAreas Based on Extended Morphological Profiles.IEEE Transaction on Geoscienceand Remote Sensing.2005,43(3),480-491.”中提出的基于扩展形态学剖面线的联合光谱和空间信息高光谱影像分类方法,简称EMP分类方法。
Mathieu等人在“A spatial–spectral kernel-based approach for theclassification of remote-sensing images.Pattern Recognition.2012,45(1),381-392.”中提出的基于空间-光谱核的联合光谱和空间信息高光谱影像空间影像分类方法,简称SS-Kernel分类方法。
实验过程中,针对不同分类方法获得的分类结果,根据地面真实参考数据来构建混淆矩阵,并通过计算总体分类精度OA、各个类别分类精度CA、平均分类精度AA和Kappa系数来对本发明方法的性能进行定量评价。
若类别数为C,则M是一个C×C的矩阵,其中Mij表示分类数据类型中第i类和实测数据类型第j类中分类像素数目,则:
第一个评价指标是总精度(OA),表示正确分类的样本占所有样本的比例,值越大,说明分类效果越好。其计算公式如下:
第二个评价指标是类别精度(CA),表示每一类的分类精度,值越大,说明分类效果越好。其计算公式如下:
第三个评价指标是平均精度(AA),表示每一类分类精度的平均值,值越大,说明分类效果越好。其计算公式如下:
第四个评价指标是卡帕系数(Kappa),表示混淆矩阵中不同的权值,值越大,说明分类效果越好。其计算公式如下:
图2为仿真实验中本发明与现有技术对高光谱图像Indian Pines的分类结果对比图。其中,图2(a)为直接采用SVM方法获取的高光谱遥感数据Indian Pines分类图;图2(b)为采用EMP方法获取的高光谱遥感数据Indian Pines分类图;图2(c)为采用SS-Kernel方法获取的高光谱遥感数据Indian Pines分类图;图2(d)为本发明方法获取的高光谱遥感数据Indian Pines分类图。
3.实验结果分析
表1为从客观评价指标上对附图2中各方法的分类结果进行评价。
表1各分类方法精度评价结果
综合表1和附图2可以看出,支持向量机SVM分类结果存在较多的类别“椒盐噪声”。EMP和SS-Kernel分类方法都能够减少噪声,但难以完全消除同质区域错分的现象,尤其是图像左上角各个类别同质区域中的噪声仍旧存在于这两种方法的分类图中,见图2(b)-(c)。本发明在视觉效果和定量分析方面均优于前三种现有技术分类方法,在地物边缘和同质区域都能达到理想的分类效果。由此可得,本发明对于联合光谱和空间信息的分类方法具有提升分类精度的效果。
以上实验表明:本发明方法能够充分利用高光谱图像的光谱特征、空间信息,以及层次结构信息。在图像边缘和同质区域都能取得较好的分类结果,能够解决现有技术方法中存在的考虑高光谱图像的空间信息不足、分类精度低等问题,是一种非常实用有效的高光谱图像分类方法。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,包括以下步骤:
S1、输入光学传感器获取的待分类的高光谱影像;并输入与待分类的高光谱影像对应的地面调查数据样本集;
S2、根据地面调查数据样本集中所有样本的坐标位置,提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集;
S3、得到的高光谱影像的参考数据样本集中包括多个信息类别,依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集;将各信息类别中剩余的参考数据样本作为精度评价的测试样本集;
S4、对原始高光谱影像采用主成分分析提取影像的前三个主成分波段;
S5、对步骤S4得到的前三个主成分波段使用拓展形态学方法提取空间特征向量;
S6、对原始高光谱影像采用马尔科夫特征选择进行降维;
S7、对步骤S6降维的影像采用代数多重网格方法构建影像金字塔;
S8、对步骤S7构建的影像金字塔使用层次分割方法得到多层分割结果的层次结构特征向量;
S9、根据步骤S3选好的训练样本集,将对应位置处的原始光谱特征向量、步骤S5得到的空间特征向量和步骤S8得到的层次结构特征向量组合构造光谱空间层次结构复合核;
S10、利用支持向量机方法计算核矩阵差异获取最终的类别属性标签;
S11、根据步骤S10的最终类别属性标签输出最终的影像分类图。
2.根据权利要求1所述的联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,所述步骤S4中,主成分分析的具体步骤为:
S41、对原始高光谱影像进行标准化,计算相关系数矩阵;
S42、计算相关系数矩阵的特征值与特征向量;
S43、根据特征值与特征向量计算主成分载荷,得到各主成分波段,从各主成分波段中提取前三个主成分波段。
3.根据权利要求1所述的联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,所述步骤S5中,使用拓展形态学方法计算拓展形态学属性剖面的公式为:
EMPk={MP(PC1),MP(PC2),......,MP(PCk)}
其中
MP(X)={CP1(X),...CPn(X),I(X),OP1(X)...,OPn(X)}
式中:k表示主成分波段,n为操作子数目,EMP为最终所获的拓展形态学属性剖面,MP为每个主成分波段的形态学属性剖面,CP与OP分别对应闭操作与开操作的操作子,I为原始主成分影像波段。
4.根据权利要求1所述的联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,所述步骤S7中,代数多重网格方法的具体步骤为:
S71、初始化高斯-赛德尔的参数,对降维的影像构建底层最精细网格;
S72、利用高斯-赛德尔迭代方法计算每层金字塔顶点,直到顶点个数小于log2(P),P为影像的像元总个数;
S73、根据每层金字塔顶点构建影像金字塔。
5.根据权利要求1所述的联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,所述步骤S8中,层次分割方法的具体步骤为:
S81、根据影像金字塔的顶点建立标记点,其余像素为未标记像素;
S82、计算每层网格中标记与相邻未标记像素的光谱差异;
S83、合并步骤S82得到的光谱差异中最小光谱差异的相邻像素。
6.根据权利要求1所述的联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,所述步骤S9中,复合核的核函数的定义公式为:
其中,每个单核定义公式为:
式中:和分别为原始光谱特征向量、空间特征向量和层次结构特征向量,μSPE,μSPA和μHIE分别为每个核对应原始光谱特征向量、空间特征向量和层次结构特征向量的权重值,且μSPE+μSPA+μHIE=1,σ为径向基函数核的方差。
7.根据权利要求1所述的联合光谱、空间和层次结构信息的高光谱影像分类方法,其特征在于,所述步骤S10中,利用支持向量机方法计算核矩阵差异获取最终的类别属性标签的具体步骤:
S101、利用步骤S3中选好的训练样本集,将对应位置处的原始光谱特征向量、空间特征向量和层次结构特征向量代入自定义核,构建核矩阵;
S102、网格寻优估计支持向量机分类器中的最优参数C和σ;
S103、用训练过的分类器为图像中的每个像素赋予类别属性标签,完成图像分类过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113213.3A CN108427913B (zh) | 2018-02-05 | 2018-02-05 | 联合光谱、空间和层次结构信息的高光谱影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113213.3A CN108427913B (zh) | 2018-02-05 | 2018-02-05 | 联合光谱、空间和层次结构信息的高光谱影像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108427913A true CN108427913A (zh) | 2018-08-21 |
CN108427913B CN108427913B (zh) | 2021-12-28 |
Family
ID=63156645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113213.3A Expired - Fee Related CN108427913B (zh) | 2018-02-05 | 2018-02-05 | 联合光谱、空间和层次结构信息的高光谱影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108427913B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN110929643A (zh) * | 2019-11-21 | 2020-03-27 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN111476287A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军战略支援部队信息工程大学 | 一种高光谱影像小样本分类方法及装置 |
CN112488659A (zh) * | 2020-12-11 | 2021-03-12 | 浪潮云信息技术股份公司 | 一种基于遥感的城市事件智能发现及自动派单的方法 |
CN112819959A (zh) * | 2021-01-22 | 2021-05-18 | 哈尔滨工业大学 | 高光谱图像和激光雷达数据本征高光谱点云生成方法 |
CN112990316A (zh) * | 2021-03-18 | 2021-06-18 | 浪潮云信息技术股份公司 | 基于多显著性特征融合的高光谱遥感图像分类方法及系统 |
CN114494755A (zh) * | 2021-12-24 | 2022-05-13 | 中国航天空气动力技术研究院 | 一种基于节点金字塔的高光谱图像分类方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592134A (zh) * | 2011-11-28 | 2012-07-18 | 北京航空航天大学 | 一种高光谱与红外数据多级决策融合分类方法 |
CN102663402A (zh) * | 2012-04-21 | 2012-09-12 | 西北工业大学 | 基于修正扩展形态学算子的高光谱遥感图像端元提取方法 |
US20150235350A1 (en) * | 2014-02-18 | 2015-08-20 | Signal Processing, Inc. | Method for Image Denoising |
CN105894030A (zh) * | 2016-04-01 | 2016-08-24 | 河海大学 | 基于分层多特征融合的高分辨率遥感图像场景分类方法 |
CN106203510A (zh) * | 2016-07-11 | 2016-12-07 | 南京大学 | 一种基于形态学特征和字典学习的高光谱图像分类方法 |
CN106355212A (zh) * | 2016-10-28 | 2017-01-25 | 哈尔滨工业大学 | 基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法 |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 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 |
CN107203779A (zh) * | 2017-05-11 | 2017-09-26 | 中国科学院西安光学精密机械研究所 | 基于空谱信息保持的高光谱降维方法 |
-
2018
- 2018-02-05 CN CN201810113213.3A patent/CN108427913B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592134A (zh) * | 2011-11-28 | 2012-07-18 | 北京航空航天大学 | 一种高光谱与红外数据多级决策融合分类方法 |
CN102663402A (zh) * | 2012-04-21 | 2012-09-12 | 西北工业大学 | 基于修正扩展形态学算子的高光谱遥感图像端元提取方法 |
US20150235350A1 (en) * | 2014-02-18 | 2015-08-20 | Signal Processing, Inc. | Method for Image Denoising |
CN105894030A (zh) * | 2016-04-01 | 2016-08-24 | 河海大学 | 基于分层多特征融合的高分辨率遥感图像场景分类方法 |
CN106203510A (zh) * | 2016-07-11 | 2016-12-07 | 南京大学 | 一种基于形态学特征和字典学习的高光谱图像分类方法 |
CN106355212A (zh) * | 2016-10-28 | 2017-01-25 | 哈尔滨工业大学 | 基于形态学轮廓特征和非线性多核学习的高光谱图像分类方法 |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 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 |
CN107203779A (zh) * | 2017-05-11 | 2017-09-26 | 中国科学院西安光学精密机械研究所 | 基于空谱信息保持的高光谱降维方法 |
Non-Patent Citations (1)
Title |
---|
宋海伟: "联合光谱与空间信息的高光谱遥感影像分类", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871884A (zh) * | 2019-01-25 | 2019-06-11 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN110929643A (zh) * | 2019-11-21 | 2020-03-27 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN110929643B (zh) * | 2019-11-21 | 2022-04-26 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN111476287A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军战略支援部队信息工程大学 | 一种高光谱影像小样本分类方法及装置 |
CN112488659A (zh) * | 2020-12-11 | 2021-03-12 | 浪潮云信息技术股份公司 | 一种基于遥感的城市事件智能发现及自动派单的方法 |
CN112819959A (zh) * | 2021-01-22 | 2021-05-18 | 哈尔滨工业大学 | 高光谱图像和激光雷达数据本征高光谱点云生成方法 |
CN112819959B (zh) * | 2021-01-22 | 2022-03-04 | 哈尔滨工业大学 | 高光谱图像和激光雷达数据本征高光谱点云生成方法 |
CN112990316A (zh) * | 2021-03-18 | 2021-06-18 | 浪潮云信息技术股份公司 | 基于多显著性特征融合的高光谱遥感图像分类方法及系统 |
CN114494755A (zh) * | 2021-12-24 | 2022-05-13 | 中国航天空气动力技术研究院 | 一种基于节点金字塔的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108427913B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
Yuan et al. | Remote sensing image segmentation by combining spectral and texture features | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
Huang et al. | A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
Rizvi et al. | Object-based image analysis of high-resolution satellite images using modified cloud basis function neural network and probabilistic relaxation labeling process | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
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 | |
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 | |
Liu et al. | Multimorphological superpixel model for hyperspectral image classification | |
CN108446582A (zh) | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 | |
CN106339674A (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
Wang et al. | Classification of hyperspectral imagery with a 3D convolutional neural network and JM distance | |
CN103093478B (zh) | 基于快速核空间模糊聚类的异源图像粗大边缘检测方法 | |
Sun et al. | Extracting urban impervious surface from worldView-2 and airborne LiDAR data using 3D convolutional neural networks | |
Faria et al. | Fusion of time series representations for plant recognition in phenology studies | |
CN110472682A (zh) | 一种顾及空间和局部特征的高光谱遥感影像分类方法 | |
Zhang et al. | Object-oriented subspace analysis for airborne hyperspectral remote sensing imagery | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN108960276B (zh) | 提升光谱图像监督分类性能的样本扩充与一致性判别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211228 |