CN108985360A - 基于扩展形态学与主动学习的高光谱分类方法 - Google Patents

Abstract

本发明公开一种基于扩展形态学与主动学习的高光谱图像分类方法，解决现有技术不能充分挖掘高光谱图像空间信息，导致分类精度低的问题。其步骤为：1)输入高光谱图像数据；2)对数据降维，提取光谱特征，并通过形态学剖面变换，得到空间特征；3)融合空谱特征，划分训练与测试样本集；4)利用训练样本集进行SVM分类；5)主动学习循环，由MCLU准则和AP聚类选取样本标记，更新训练与测试样本集；6)利用新的训练样本集进行SVM分类，直到训练样本数量达到预设数量时停止，得到最终分类结果。本发明将多结构元素的形态学特征与主动学习相结合，充分利用空谱信息，在小样本前提下提高了分类精度。

Description

基于扩展形态学与主动学习的高光谱分类方法

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图像分类技术领域，具体为一种基于扩展形态学和主动学习的高光谱分类方法。用于在资源勘探、森林覆盖以及灾害监测中进行地物分类。

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，高光谱图像在矿物精细识别、植被类型的识别与分类、城市地物区分、探测危险环境因素实现灾害监测等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十分重要的一环。

S.Patra等人在其发表的论文“A Spectral-Spatial Multicriteria ActiveLearning Technique for Hyperspectral Image Classification”(IEEE Journal ofSelected Topics in Applied Earth Observations&Remote Sensing,2017)中提出了一种基于主动学习和遗传算法的高光谱图像分类方法。该方法步骤为：1.对光谱信息数据进行PCA降维；2.用两个结构元素尺寸对降维后的光谱信息数据进行形态学剖面变换，得到空间特征；3.将空间特征与光谱特征相结合；4.通过主动学习和遗传算法相结合，迭代进行支持向量机有监督分类。其利用两个尺度的结构元素提取图像的扩展形态学轮廓，然而单尺度或两个尺度的结构元素不能充分挖掘高光谱图像的空间信息，因此不能得到满意的分类精度；而且，使用遗传算法与主动学习相结合选取需要标记的样本，每代种群中的样本个体适应度计算花费的时间太长，将导致选取标记样本过慢。

西安电子科技大学在其申请的专利文献“一种基于主动学习的高光谱图像分类方法”(申请号：CN 201410066856.9，申请公布号：CN 103839078 B)中公开了一种基于主动学习的高光谱图像分类方法。该方法的实施步骤是：1.提取光谱和空间特征，将其融合为一个特征向量；2.将所有样本随机划分为测试数据集与训练数据集，训练数据集被进一步随机划分为已标记数据集和未标记数据集；3.在已标记数据集上构造初始集成分类器；4.每一次迭代，根据新的信息量度量准则挑选出固定数目的最高信息量的未标记样本用于人工标记；5.利用最终得到的集成分类器进行预测。该分类方法的不足之在于，利用单个尺度的结构元素提取图像的扩展形态学轮廓，同样存在不能充分挖掘高光谱图像的空间信息的问题，因此不能得到满意的分类精度；而且，使用信息量度量准则根据信息量来选取需要标记的样本，其计算过程复杂、耗时较长，并需要大量标记样本。在现实生活中，遥感数据的标记工作需要专家人工操作或者进行实地勘察，成本相当高，因此，如何利用尽可能少的已标记样本来获得尽可能高的分类精度在遥感数据分类中非常重要。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于扩展形态学和主动学习的高光谱分类方法。本发明将扩展的多结构元素形态学轮廓特征与主动学习框架相结合，通过扩展的多结构元素形态学轮廓特征对高光谱图像的空间信息进行充分挖掘，将空间特征与光谱特征相结合，充分利用空间信息与光谱信息，并结合主动学习的小样本特性进行分类；同时，将近邻传播聚类与主动学习相结合，实现在小样本的前提下获取高精度的分类结果。

本发明实现上述目的步骤为：1)输入高光谱图像数据；2)对数据降维，提取光谱特征，并通过形态学剖面变换，得到空间特征；3)融合空谱特征，划分训练与测试样本集；4)利用训练样本集进行SVM分类；5)主动学习循环，由MCLU准则和AP聚类选取样本标记，更新训练与测试样本集；6)利用新的训练样本集进行SVM分类，直到训练样本数量达到预设数量时停止，得到最终分类结果。本发明将扩展的多结构元素形态学特征与主动学习相结合，并且在主动学习中将MCLU准则与近邻传播聚类算法相结合，充分挖掘高光谱图像的空间信息，在小样本前提下大幅度提高了分类精度。

本发明实现上述目的的具体步骤如下：

(1)分别输入一幅待分类的高光谱图像及其对应的图像数据集，该图像数据集包含数据样本的光谱信息和类别标签；

(2)对样本的光谱信息采用主成分分析法进行降维处理，提取前c个主成分PC，其中3≤c≤15，即高光谱图像的光谱特征；

(3)对光谱特征进行形态学剖面MP变换，得到形态学剖面EMP，即高光谱图像的空间特征；

(4)将光谱特征与空间特征用向量堆叠的方法串联，得到高光谱图像的特征集OEMP，其维度为7c；

(5)根据样本的类别标签，从特征集OEMP的每一类样本中，随机地选取ρ个训练样本作为训练集T，其余样本为测试集U，其中3≤ρ≤6；

(6)利用训练集T进行支持向量机SVM有监督分类；

(7)根据最大不确定性MCLU准则，将测试集U中的样本按照其相应MCLU值的大小，从小到大依次排列；

(8)选取测试集U中的前m个样本，其中50≤m≤120，根据近邻传播AP聚类算法对其进行聚类，得到每个样本所属的类别，并在每个类别中，选出MULU值最小的样本进行人工标记；

(9)将标记的样本加入训练样本集T，同时将其从测试样本集中移除，生成新的训练样本集T′和测试样本集U′；

(10)利用训练样本集T′，进行SVM有监督分类，得到高光谱图像的分类结果；

(11)判断训练样本集T′中的样本数量是否达到预设数量，若是，执行步骤(12)，否则，返回步骤(7)；

(12)由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：由于本发明在扩展形态学中引入具有多个尺寸的结构元素，且选取合适的尺寸间隔，将其与原主成分用向量堆叠的方法串联起来作为样本新的特征，从而大幅度提高了分类精度；

第二：由于本发明采用在主动学习过程中将最大不确定性准则MCLU与AP聚类相结合的方式，先通过最大不确定性准则MCLU选取一定的样本，再对其进行AP聚类，选取每一类中MCLU值最小的样本进行标记，使得每一次迭代挑选出的未标记样本更具代表性，从而可以在小样本的前提下，以更短的时间得到较高精度的分类结果。

附图说明

图1是本发明的总流程图；

图2是本发明中主动学习的子流程图；

图3是本发明与现有技术的总体分类精度对比图，其中图3(a)是本发明与现有技术在Indiana Pines图像上的总体分类精度对比图，图3(b)是本发明与现有技术在Pavia_U图像上的总体分类精度对比图。

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对应的图像数据集，该图像数据集包含数据样本的光谱信息和类别标签；

本发明的实施例中选取两幅高光谱图像，进行两次实验。第一幅图像为包含103个波段的Pavia_U高光谱图像及该图像的类别标签；第二幅图像为包含200个波段的IndianaPines高光谱图像及该图像的类别标签；

步骤2，提取光谱特征；

由于高光谱图像的高维特性会带来计算复杂，信息冗余等问题，本发明采用主成分分析方法，对高光谱图像的光谱信息进行降维处理，提取前c个主成分PC，即高光谱图像的光谱特征，其中3≤c≤15。此处以c的最优取值10为例，得到高光谱图像前10个主成分PC；

上述对样本的光谱信息采用主成分分析法进行降维的具体步骤如下：

(2.1)根据样本的光谱信息得到高光谱图像的光谱矩阵X_s：

其中，n为样本个数，p为样本的光谱信息长度，x_np表示第n个样本光谱信息的第p维值；X_s表示有n个样本高光谱图像的光谱矩阵，X_s的每一行均表示一个光谱信息长度为p的样本。

(2.2)通过下式计算样本第i维光谱信息的平均值

其中，i＝1,2,3,…p，表示求和操作，x_ki表示第k个样本的第i维光谱信息值，且1＜k≤n；

(2.3)计算光谱矩阵X_s第i行、第j列的协方差值S_ij：

其中，∑表示求和操作，·表示数值与数值的相乘操作，j＝1,2,3,…p，表示样本第j维光谱信息的平均值，x_kj表示第k个样本的第j维光谱信息值，且1＜k≤n；

进一步计算得到光谱矩阵X_s的协方差矩阵S：

(2.4)按照下式，对协方差矩阵S进行对角化处理：

S*q_u＝λ_u×q_u

其中，q_u表示协方差矩阵S的第u个特征向量，λ_u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；

(2.5)将特征向量进行正交归一化；

(2.6)将归一化的特征向量按对应特征值大小，从大到小进行排列，得到特征矩阵X_z；

(2.7)按照下式，计算光谱特征矩阵X_a：

X_a＝X_z*X_s

其中，X_a表示光谱特征矩阵，将光谱特征矩阵X_a每一行前c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≤c≤p；

(2.8)取X_a每一行的前c列，即为高光谱图像的前c个主成分PC。此处取c为10，则得到高光谱图像前10个主成分PC。

步骤3，提取空间特征；

将步骤2得到的前10个主成分PC，对每一个主成分PC_h(h＝1,2,3,…10)分别进行形态学剖面MP变换，当结构元素的尺寸分别为z、2z、3z时，对每一个主成分分别求开剖面和闭剖面，总共可以得到60个形态学剖面EMP，即空间特征；

结构元素的尺寸大小和个数选取非常重要，对高光谱图像的分类精度起着至关重要的作用，本发明的实施例中Pavia_U高光谱图像，取结构元素的尺寸为20，40，60；IndianaPines高光谱图像，取结构元素的尺寸为5，10，15；

上述对光谱特征进行形态学剖面MP，得到形态学剖面EMP的具体步骤如下：

(3.1)分别求10个主成分PC中每一个主成分的开剖面：

其中，PC_h表示第h个主成分，且h＝1,2,3,…c；形态学开剖面是利用大小不同的结构元素对同一成分使用开运算所得，表示开运算操作，开剖面是一系列膨胀操作加腐蚀操作的结果，R为结构元素尺寸大小；表示主成分PC_h的第d个开形态学剖面特征，当d为1、2、3时，结构元素尺寸R分别取到z、2z、3z；

(3.2)分别求10个主成分PC中每一个主成分的闭剖面：

其中，PC_h表示第h个主成分，且h＝1,2,…10；闭形态学剖面是利用大小不同的结构元素对同一成分使用闭运算所得，表示闭运算操作，其与开运算相反，是一系列腐蚀操作加膨胀操作的结果，当d为1、2、3时，R为结构元素尺寸大小，分别取到z、2z、3z；OP_γd(PC_h)表示主成分PC_h的第d个闭形态学剖面特征；

(3.3)计算第h个主成分PC_h的形态学剖面特征MP(PC_h)：

依次取h＝1,2,…10，将每个主成分计算得到的形态学剖面特征顺序排列，就得到10个主成分PC的形态学剖面EMP：

EMP＝{MP(PC₁),MP(PC₂),…MP(PC₁₀)}。

步骤4，融合空谱特征；

将光谱特征与空间特征用向量堆叠的方法串联，得到高光谱图像的特征集OEMP，即OEMP＝{PC,EMP}，其为70维度；

步骤5，获取训练样本集与测试样本集；

根据样本的类别标签，从特征集OEMP的每一类样本中，随机地选取ρ个训练样本作为训练集T，其余样本为测试集U，其中3≤ρ≤6，此处取ρ的值为3在本实施例中进一步说明；

本发明的实施例中Pavia_U高光谱图像，其类别标签有9类，则共选取27个样本作为训练样本T；对于Indiana Pines高光谱图像，其类别标签有16类，则共选取48个样本作为训练样本T；

步骤6，构造初始分类器；

利用训练集T及该训练集中各样本对应的类别标签，进行支持向量机SVM有监督分类；

步骤7，MCLU准则；

根据最大不确定性准则(MCLU准则)，将测试集U中的样本按照其相应MCLU值的大小，从小到大依次排列；

所述MCLU准则为：

MCLU是以分类超平面几何距离为依据，通过计算样本相距每类超平面的距离，进而得到前两个最大距离的差值，差值越小说明将该样本被划分为这两个类别的可信度差不多，那么，该样本包含的信息量就越大，将其添加到训练样本集后对于分类器性能提升也会更大。

按照下式，计算样本的MCLU值：

其中，la表示样本的类别数，r₁表示样本相对于分类面距离的最大值的序号，r₂表示样本相对于分类面的距离的次大值的序号，X^MCLU表示样本x的MCLU值。

步骤8，近邻传播聚类，选出需要标记的样本；

选取测试集U中的前m个样本，其中50≤m≤120，根据近邻传播AP聚类算法对其进行聚类，得到每个样本所属的类别，并在每个类别中，选出MULU值最小的样本进行专家标记，此处取m的值为100；

AP聚类是划分聚类方法的一种，它是根据数据对象之间的相似度对数据进行分类。AP中传递两种类型的消息，吸引度和归属度。吸引度r_t(l,s)表示从数据l发送到候选聚类中心s的数值消息，反映s点是否适合作为l的聚类中心。a_t(l,s)表示第t代时，样本l对样本s的归属度。归属度a_t(l,s)则从候选聚类中心s发送到l的数值消息，反映l是否选择s作为其聚类中心。r_t(l,s)与a_t(l,s)越大,则s点作为聚类中心的可能性就越大，并且l隶属于以s为聚类中心的聚类的可能性也越大。AP算法通过迭代过程不断更新每一个点的吸引度和归属度值，直到产生τ个高质量的聚类中心，同时将其余的数据点分配到相应的聚类中。

上述根据近邻传播AP聚类算法对m个样本进行聚类，步骤如下：

(8.1)初始化吸引度矩阵R和归属度矩阵A：

其中，1＜l≤m，1＜s≤m；t为迭代次数，初始化t为1；r_t(l,s)表示第t代时，样本s对样本l的吸引度，a_t(l,s)表示第t代时，样本l对样本s的归属度；

(8.2)更新样本s对样本l的吸引度为r_t+1(l,s)：

其中，a_t(l,s′)为第t代时，样本l对样本s′的归属度；

(8.3)更新样本l对样本s的归属度为a_t+1(l,s)：

(8.4)将样本l和样本s吸引度和归属度求和，得到目标函数f(l,s)：

f(l,s)＝r_t+1(l,s)+a_t+1(l,s)

进一步得到f(l,s)的相应矩阵F：

(8.5)判断F中每一个元素的大小是否保持不变或者t值是否为1000，若是，则得到m个样本所属的每个类别；否则，t值加1，返回步骤(8.2)。

步骤9，生成新的训练样本集和测试样本集；

将步骤8得到的需要标记的样本加入训练样本集T，同时将其从测试样本集中移除，生成新的训练样本集T′和测试样本集U′；

步骤10，构造分类器；

利用训练样本集T′，进行支持向量机SVM有监督分类，得到高光谱图像的分类结果；

步骤11，判断训练样本数量是否达到预设数量；

判断训练样本集T′中的样本数量是否达到预设数量，本发明的实施例中Pavia_U高光谱图像，其预设数量设置为590个样本；对于Indiana Pines高光谱图像，其预设数量设置为290个样本；若是，执行步骤(12)，否则，返回步骤(7)；

步骤12，得到分类结果；

由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的效果做进一步的说明。

1.仿真实验条件：

本发明仿真实验的运行环境是：处理器为Inter Core i3-3210M，主频为3.2GHz，内存4GB；软件平台为Windows10 64位操作系统、Matlab R2017a进行仿真测试。

2.仿真实验数据：

本发明的仿真实验采用的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。帕维亚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。帕维亚校园图像大小610×340，去除杂波波段后剩余103个波段，图像共包含9类信息。

3.仿真实验内容与结果分析：

本发明的仿真实验有两个。

本发明的仿真实验1验证本发明结构元素尺寸的大小和个数选取的合理性。本发明在形态学剖面变换提取空间特征时，形态学剖面变换中结构元素尺寸的大小和个数选取非常重要，对高光谱图像的分类精度起着至关重要的作用，因此关于结构元素尺寸的选取，做了以下对比试验。当其它步骤都与本发明相同时，对于Indiana Pines高光谱图像，对比实验1的结构元素只取一个尺寸且其值为5；对比实验2的结构元素取三个尺寸且其值分别为1、2、3；对比实验3的结构元素取五个尺寸且其值分别为1、2、3、4、5；本发明结构元素取三个尺寸且其值分别为5、10、15；对于Pavia_U高光谱图像，对比实验1的结构元素只取一个尺寸且其值为20；对比实验2的结构元素取三个尺寸且其值分别为1、2、3；对比实验3的结构元素取五个尺寸且其值分别为1、2、3、4、5；本发明结构元素取三个尺寸且其值分别为20、40、60，分类结果对比如表1、2所示。

表1不同的结构元素在Indiana Pines图像上分类结果对比表

表2不同的结构元素在Pavia_U图像上分类结果对比表

从表1、表2可以看出，本发明相对于只取一个结构元素和结构元素尺寸间隔过小的方法相比，有更高的分类精度。说明结构元素的尺寸大小和个数选取非常重要，对高光谱图像的分类精度起着至关重要的作用，本发明在扩展形态学中引入具有多个尺寸的结构元素，且选取了合适的尺寸间隔，使得高光谱分类达到更高的分类精度。

本发明的仿真实验2将本发明的方法和现有技术的两种分类方法进行了对比。这两种方法分别是S.Patra等人提出的基于主动学习和遗传算法的高光谱图像分类方法、李军等人提出的基于主动学习和循环置信传播的高光谱图像分类方法。S.Patra等人提出的方法是先对光谱信息数据进行PCA降维，然后用两个结构元素尺寸对降维后的光谱信息数据进行形态学剖面变换，得到空谱特征，通过主动学习和遗传算法相结合，迭代进行支持向量机有监督分类。李军等人提出的方法是首先通过循环置信传播将高光谱图像的光谱信息和空间信息相结合，接着利用空谱信息进行主动学习有监督分类。

因为每种方法的采样方式不同，所以不能得到相同个数的训练样本，则每种方法最终都选择相近个数的训练样本以保证公平。S.Patra等人提出的方法中，高光谱图像中每类选取3个样本，作为初始训练样本，对于Indiana Pines图像有16类，则选取48个初始样本，主动学习每次迭代选取20个训练样本，迭代27次，则总共选取588个训练样本；对于Pavia_U图像有9类，则选取27个初始样本，需要迭代13次，则总共选取287个训练样本；支持向量机分类器采用交叉验证的方式对参数进行设定。李军等人提出的方法中，对于IndianaPines图像每类随机选取5个初始样本，则选取80个初始样本，主动学习每次迭代选取10个训练样本，需要迭代51次，则总共选取590个训练样本；对Pavia_U图像有9类，每类随机选取10个初始样本，则选取90个初始样本，主动学习每次迭代选取10个训练样本，需要迭代20次，则总共选取290个训练样本。本发明对于Indiana Pines图像每类随机选取3个初始样本，则选取48个初始样本，主动学习预设的训练样本的最大数量为590；对Pavia_U图像有9类，每类随机选取3个初始样本，则选取27个初始样本，主动学习预设的训练样本的最大数量为290。支持向量机分类器采用交叉验证的方式对参数设定，仿真实验共进行10次。

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3、4所示。SSMAL表示S.Patra等人提出的基于主动学习和遗传算法的高光谱图像分类方法，MPM-LBP-AL表示李军等人提出的基于主动学习和循环置信传播的高光谱图像分类方法。

表3现有技术与本发明在Indiana Pines图像上分类结果的对比表

表4现有技术与本发明在Pavia_U图像上分类结果的对比表

图3是本发明与现有技术的总体分类精度对比图，其中图3(a)是本发明与现有技术在Indiana Pines图像上的总体分类精度对比图，图3(b)是本发明与现有技术在Pavia_U图像上的总体分类精度对比图。

从表3、4可以看出，在Indiana Pines图像的仿真实验中，本发明与S.Patra等人的方法相比，分类精度较高，且时间效率也有优势；李军等人的方法相较于本发明虽然分类精度上有些许优势，但本发明在运行时间上优势明显，比李军等人的方法快5480秒。在Pavia_U图像的仿真实验中，本发明与S.Patra等人的方法相比，时间上有优势，分类精度也有很大提升；本发明与李军等人的方法相比，分类精度有很大的提高，且平均所需时间比李军等人的方法快21757秒，能够在很短的时间内达到很高的分类精度。由此可以看出本发明的分类精度较高，且在图像数据较大时时间优势更加明显。从图3的总体分类精度对比图可以看出本发明的分类精度较高，是因为本发明有更合理的结构元素尺寸和大小的选取，且本发明在主动学习中利用MCLU准则和AP聚类结合来选择样本进行标记，选取出的样本更具有代表性和多样性。本发明的时间优势也很明显，这是因为李军等人的方法在空间信息上的利用方案有一个对图像进行处理的过程，这是很耗时的，尤其是在图像数据较大时更加明显。而本发明的空间信息利用方式是形态学剖面特征作为空间特征实现引入空间信息，操作简单，节省了很大一部分时间。本发明将扩展形态学与主动学习相结合，利用MCLU准则和AP聚类来选择样本进行标记，缩短了分类所需时间，提高了分类精度。

本发明未详细说明部分属于本领域技术人员公知常识。

以上描述仅是本发明的几个具体实例，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于扩展形态学和主动学习的高光谱图像分类方法，其特征在于，包括如下步骤：

(1)分别输入一幅待分类的高光谱图像及其对应的图像数据集，该图像数据集包含数据样本的光谱信息和类别标签；

(2)对样本的光谱信息采用主成分分析法进行降维处理，提取前c个主成分PC，其中3≤c≤15，即高光谱图像的光谱特征；

(3)对光谱特征进行形态学剖面MP变换，得到形态学剖面EMP，即高光谱图像的空间特征；

(4)将光谱特征与空间特征用向量堆叠的方法串联，得到高光谱图像的特征集OEMP，其维度为7c；

(5)根据样本的类别标签，从特征集OEMP的每一类样本中，随机地选取ρ个训练样本作为训练集T，其余样本为测试集U，其中3≤ρ≤6；

(6)利用训练集T进行支持向量机SVM有监督分类；

(7)根据最大不确定性MCLU准则，将测试集U中的样本按照其相应MCLU值的大小，从小到大依次排列；

(8)选取测试集U中的前m个样本，其中50≤m≤120，根据近邻传播AP聚类算法对其进行聚类，得到每个样本所属的类别，并在每个类别中，选出MULU值最小的样本进行人工标记；

(9)将标记的样本加入训练样本集T，同时将其从测试样本集中移除，生成新的训练样本集T′和测试样本集U′；

(10)利用训练样本集T′，进行SVM有监督分类，得到高光谱图像的分类结果；

(11)判断训练样本集T′中的样本数量是否达到预设数量，若是，执行步骤(12)，否则，返回步骤(7)；

(12)由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所述的方法，其特征在于，步骤(2)中对样本的光谱信息采用主成分分析法进行降维的具体步骤如下：

(2.1)根据样本的光谱信息得到高光谱图像的光谱矩阵X_s：

其中，n为样本个数，p为样本的光谱信息长度，x_np表示第n个样本光谱信息的第p维值；

(2.2)通过下式计算样本第i维光谱信息的平均值

其中，i＝1,2,3,…p，∑表示求和操作，x_ki表示第k个样本的第i维光谱信息值，且1＜k≤n；

(2.3)计算光谱矩阵X_s第i行、第j列的协方差值S_ij：

其中，∑表示求和操作，·表示数值与数值的相乘操作，j＝1,2,3,…p，表示样本第j维光谱信息的平均值，x_kj表示第k个样本的第j维光谱信息值，且1＜k≤n；

进一步计算得到光谱矩阵X_s的协方差矩阵S：

(2.4)按照下式，对协方差矩阵S进行对角化处理：

S*q_u＝λ_u×q_u

其中，q_u表示协方差矩阵S的第u个特征向量，λ_u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；

(2.5)对特征向量进行正交归一化处理；

(2.6)将归一化的特征向量按对应特征值的大小，从大到小进行排列，得到特征矩阵X_z；

(2.7)计算光谱特征矩阵X_a：

X_a＝X_z*X_s

(2.8)取X_a每一行的前c列，即为高光谱图像的前c个主成分PC。

3.根据权利要求2所述的方法，其特征在于,步骤(2.8)中c的最优取值为10。

4.根据权利要求1所述的方法，其特征在于,步骤(3)中对光谱特征进行形态学剖面MP变换，在结构元素尺寸分别为z、2z、3z时进行，此时，对c个主成分PC分别求开剖面和闭剖面，共得到6c个形态学剖面EMP。

5.根据权利要求4所述的方法，其特征在于,得到6c个形态学剖面EMP的具体步骤如下：

(3.1)分别求c个主成分PC中每一个主成分的开剖面：

其中，PC_h表示第h个主成分，且h＝1,2,3,…c；表示开运算操作，R为结构元素尺寸大小；表示主成分PC_h的第d个开形态学剖面特征，当d为1、2、3时，结构元素尺寸R分别取到z、2z、3z；

(3.2)分别求c个主成分PC中每一个主成分的闭剖面：

其中，PC_h表示第h个主成分，且h＝1,2,…c；表示闭运算操作，R为结构元素尺寸大小；OP_γd(PC_h)表示主成分PC_h的第d个闭形态学剖面特征，当d为1、2、3时，结构元素尺寸R分别取到z、2z、3z；

(3.3)计算第h个主成分PC_h的形态学剖面特征MP(PC_h)：

依次取h＝1,2,…c，得到c个主成分PC的形态学剖面EMP：

EMP＝{MP(PC₁),MP(PC₂),…MP(PC_c)}。

6.根据权利要求1所述的方法，其特征在于,步骤(5)中ρ的最优取值为3。

7.根据权利要求1所述的方法，其特征在于，步骤(8)中根据近邻传播AP聚类算法对m个样本进行聚类，步骤如下：

(8.1)初始化吸引度矩阵R和归属度矩阵A：

其中，1＜l≤m，1＜s≤m，t为迭代次数，初始化为1，r_t(l,s)表示第t代时，样本s对样本l的吸引度，a_t(l,s)表示第t代时，样本l对样本s的归属度；

(8.2)更新样本s对样本l的吸引度为r_t+1(l,s)：

其中，a_t(l,s′)为第t代时，样本l对样本s′的归属度；

(8.3)更新样本l对样本s的归属度为a_t+1(l,s)：

(8.4)将样本l和样本s吸引度和归属度求和，得到目标函数f(l,s)：

f(l,s)＝r_t+1(l,s)+a_t+1(l,s)

进一步得到f(l,s)的相应矩阵F：

(8.5)判断F中每一个元素的大小是否保持不变或者t值是否为1000，若是，则得到m个样本所属的每个类别；否则，t值加1，返回步骤(8.2)。