发明内容
为解决上述问题,本发明的目的在于提供一种计算复杂度低,分类精度高,运行速度快的高光谱图像分类方法,即一种递进式动态高光谱图像分类方法。
本发明解决其问题所采用的技术方案是:
一种递进式动态高光谱图像分类方法,包括以下步骤:
步骤一:读取高光谱图像数据;
步骤二:计算高光谱图像中各像素与其局部邻域像素的差异,通过设定合适的阈值,进行非连续性检测,划分出连续点和非连续点;
步骤三,通过将连续点与其局部邻域内已知类别的点进行比较,循环地对未分类的连续点进行分类;
步骤四,对非连续点以及步骤三中未能分类的连续点循环地进行分类;
步骤五,对步骤四中全部剩余待分类点进行分类;
步骤六,输出分类结果。
进一步,所述步骤一具体为:
所述高光谱图像数据来源于成像光谱仪采集到的遥感图像,将高光谱图像数据去除被水汽吸收的波段和信噪比较低的波段,设剩余的高光谱图像数据为D∈Rm×n×l,其中m、n为高光谱图像的行数和列数,l为剩余的高光谱图像波段数;同时读取各类的训练样本数据。
进一步,所述步骤二具体为:
计算D中各像素与其局部邻域像素的差异,通过设定合适的阈值,将高光谱图像各点划分为连续点和非连续点,其结果为0和1,并建立一个矩阵S∈Rm×n用于存储结果,若S(x,y)=0,则表示(x,y)点为连续点,若S(x,y)=1,则表示(x,y)点为非连续点。
进一步,所述步骤三具体为:
3.1扫描高光谱图像的未分类连续点,若找不到未分类的连续点,则执行步骤四;若找到未分类连续点,设该点为P(x,y),执行下一步;
3.2若P(x,y)的局部邻域内存在已知类别的点,则执行下一步;否则返回3.1;
3.3若P(x,y)的局部邻域内只有一类已知类别点,则将点P(x,y)判为该类;若P(x,y)的局部邻域内存在多类已知类别点,则将点P(x,y)判为其中与其最相似的一类;执行下一步;
3.4标记点P(x,y)为已分类点,返回3.1。
进一步,所述步骤四具体为:
4.1设定鉴别度阈值Thr及其下界Thr0,设定Thr的下降步长step,引入标记值flag和trigger,初始化flag=true:
4.2当flag=true时,执行下一步,否则执行步骤五;
4.3令flag=false,trigger=false;
4.4扫描高光谱图像,若找到未分类点,则记当前未分类点为Q(x,y),执行下一步;否则执行4.9;
4.5若Q(x,y)的局部邻域内存在已知类别的点,则执行下一步;否则返回4.4;
4.6计算Q(x,y)的鉴别度,记为ρ(x,y);若ρ(x,y)<Thr,则trigger=true,返回4.4;否则执行下一步;
4.7若Q(x,y)的局部邻域内只有一类已知类别点,则将点Q(x,y)判为该类;若Q(x,y)的局部邻域内存在多类已知类别点,则将点Q(x,y)判为其中与其最相似的一类;执行下一步;
4.8令flag=true,标记点Q(x,y)为已分类点,执行下一步;
4.9若flag=false,trigger=true,且Thr>Thr0,则令Thr=Thr-step,flag=true;返回4.2。
本发明的有益效果是:本发明采用的一种递进式动态高光谱图像分类方法,其原理是通过先找到已知样本点的位置,然后将已知样本邻近的样本进行分类处理,然后再逐步推进扩展实现高光谱图像的高精度分类。具体地,如步骤一至步骤六所示,对已知样本局部邻域内的未知点,会先拿它跟当前的已知样本点进行比对,如果差异很小,将它判为当前已知样本点的类别;如果差异较大,难以决定它是否是同一类,则把它标记为比较难分类的点,先放一放,待周围有更多已知类别点,获得更多信息后,再对它进行分类。如果未知点同时也在其他不同类已知点的领域内,则同时也需要考虑它属于其他类的可能性。待容易分的都分辨完了之后,对留下来的尚未分类的点,先去检视哪些点可分辨性比较高的点,比如说那些邻域内已经有较多已知样本的点(考虑地物分布的局部连续性,这样就可以更充分利用其局部邻域内的点的信息),最后才是那些最难分类的点——如其局部邻域内尚无已知点的点。上面这样一个分类过程,体现了一种由易到难的,渐进式的点扩展式的分类思维。这种渐进式推进的分类方法,充分利用了高光谱的谱-空间信息,每一步都尽可能避免发生错分,体现了分类过程的动态性和智能性。正是基于这样一种分类思维,本专利提出一种递进式动态高光谱分类方法,相比于现有多数方法,该方法不需要高深的数学知识,兼具计算复杂度低,分类精度高,运行速度快等优点。
具体实施方式
本实例选用的高光谱图像为AVIRIS Indian pines。该高光谱图像大小为145×145,拥有220个谱段,均匀覆盖0.2-2.5μm的波谱范围。该高光谱图像包含16类已标注样本。由于被水吸收及信噪比较低的缘故,分类之前,谱段104-108、150-163及220将被去除,而只留下总共200个谱段。图2给出了AVIRIS Indian pines的一幅假彩色图像。
参照图1,一种递进式动态高光谱图像分类方法的具体实施步骤如下:
步骤一:输入高光谱图像数据D∈R145×145×200及对应的地物标记矩阵L∈R145×145,D中每个像素即样本用高光谱特征向量表示,样本的维数为200;L(x,y)=c表示图像位置(x,y)的像素点属于第c类(c=1,2...16);在已经标记的数据中每类随机选取15个样本作为训练样本,其余样本作为测试样本;训练样本构成最初的已知类别点。
步骤二:非连续性检测:为计算D中各像素与其局部邻域像素的差异,本实例先经由主成分分析,通过保留占总能量60%的特征向量,对D进行降维;然后再计算降维后的D中各像素与其大小为23×23的局部邻域均值的欧式距离,并用该欧式距离表示D中各点的非连续度;在假定D中各点的非连续度服从正态分布,并假定40%的像素点为连续像素点的基础上,求出划分D中各点为连续点和非连续点的阈值Th;利用Th二值化D中各点的非连续度,获得非连续性检测结果S,S为0、1矩阵,若S(x,y)=0,则表示(x,y)点为连续点,若S(x,y)=1,则表示(x,y)点为非连续点。
步骤三:对连续点的分类:执行如下循环:
3.1扫描高光谱图像的未分类连续点,若找不到未分类的连续点,则跳转步骤四;若找到未分类连续点,设该点为P(x,y),执行下一步;
3.2若P(x,y)的3×3局部邻域内存在已知类别的点(已知类别点包括已标注的训练样本点和已分类点),则执行下一步;否则返回3.1;
3.3若P(x,y)的3×3局部邻域内只有一类已知类别点,则将点P(x,y)判为该类;若P(x,y)的3×3局部邻域内存在多类已知类别点,则依据最小距离准则,则将点P(x,y)判为其中与其欧式距离最小的已知类别样本所对应的类,执行下一步;
3.4标记点P(x,y)为已分类点,返回3.1。
步骤四:对非连续点以及步骤三未能分类的连续点进行分类:
4.1设定鉴别度阈值Thr=6及其下界Thr0=1,设定Thr的下降步长step=1,初始化flag=true;
4.2当flag=true时,执行下一步,否则跳转步骤五;
4.3令flag=false,trigger=false;
4.4扫描高光谱图像,若找到未分类点,则记当前未分类点为Q(x,y),执行下一步;否则跳转4.9;
4.5若Q(x,y)的3×3局部邻域内存在已知类别的点(已知类别的点包括已标注的训练样本点和已分类点),记ρ为该邻域内已知类别的点的数目,执行下一步;否则返回4.4;
4.6用ρ表示Q(x,y)的鉴别度,若ρ<Thr,则令trigger=true,返回4.4;否则执行下一步;
4.7若Q(x,y)的3×3局部邻域内只有一类已知类别点,则将点Q(x,y)判为该类;若Q(x,y)的3×3局部邻域内存在多类已知类别点,则依据最小距离准则,将点Q(x,y)判为其中与其欧式距离最小的已知类别样本所对应的类,执行下一步;
4.8令flag=true,标记点Q(x,y)为已分类点,执行下一步;
4.9若flag=false,trigger=true,且Thr>Thr0,则令Thr=Thr-step,flag=true;返回4.2。
对于高光谱图像数据,经过上述四个步骤的操作,已经可以获得一个很高的分类精度;若经过上述四个步骤仍有未分类点,则继续执行步骤五:
具体地,对全部剩余待分类点进行分类:本实例使用优化后的距离加权线性回归分类器对剩余的待分类点进行分类;对每一个剩余待分类点b,执行如下步骤5.1至5.4:
5.1计算b的图像坐标位置与第c类(c=1,2...16)各已分类点的图像坐标位置的欧式距离,通过对该距离进行排序,选择出其中与b最近的nc个已分类点,构成第c类的训练样本矩阵,并表示为Ac;本实例中取nc=40,nc的取值可以上下浮动一点,其对结果产生的差异并不会太大。
5.2计算距离加权矩阵
(c=1,2...16),其中(x
t,y
t)表示b的图像坐标,
表示A
c的第i个样本的图像坐标(i=1,2...n
c);
5.4计算
并以argmin
c{r
cc=1,2,...16}作为b的类别。
步骤六:输出分类结果。
采用本实例方法与国际一流方法进行对比,对比方法包括:
WJCR:Weighted Joint Collaborative Representation(M.Xiong,Q.Ran,W.Li,J.Zou,and Q.Du,Hyperspectral Image Classification Using Weighted JointCollaborative Representation,IEEE Geoscience and Remote Sensing Letters,vol.12,no.6,pp.1209–1213,Jun.2015.);
JSaCR:Joint Spatial-Aware Collaborative Representation(J.Jiang,C.Chen,Y.Yu,X.Jiang,and J.Ma,“Spatial-Aware Collaborative Representation forHyperspectral Remote Sensing Image Classification,”IEEE Geoscience and RemoteSensing Letters,vol.14,no.3,pp.404–408,Mar.2017.);
SC-MK:Superpixel-based Classification via Multiple Kernels(L.Fang,S.Li,W.Duan,J.Ren,and J.A.Benediktsson,“Classification of hyperspectralimages by exploiting spectral-patial information of superpixel via multiplekernels,”IEEE Transactions on Geoscience and Remote Sensing,vol.53,no.12,pp.6663–6674,2015.);
R2MK:Region-based Relaxed Multiple Kernel(J.Liu,Z.Wu,Z.Xiao,andJ.Yang,“Region-Based Relaxed Multiple Kernel Collaborative Representation forHyperspectral Image Classification,”IEEE Access,vol.5,pp.20921–20933,2017.)。
对比实验结果如表1所示,表中数据均为20次随机实验的平均值,其中OA(OverallAccuracy)表示各类总体精度,AA(Average Accuracy)表示各类平均精度,KA(KappaCoefficient of Agreement)表示Kappa一致性系数。从表1可以看出,无论从各类的单类分类精度看,还是从各类总体精度、各类平均精度、Kappa一致性系数看,本发明的分类精度均显著优于其他方法。
表1:不同方法在AVIRIS Indian Pines数据集上的分类精度(%)对比(每类随机选15个训练样本)。
表1
本发明提供了一种递进式动态高光谱图像分类方法,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。