CN109117783A - 一种基于核协同表示的高光谱图像交互式分类方法 - Google Patents

一种基于核协同表示的高光谱图像交互式分类方法 Download PDF

Info

Publication number
CN109117783A
CN109117783A CN201810895028.4A CN201810895028A CN109117783A CN 109117783 A CN109117783 A CN 109117783A CN 201810895028 A CN201810895028 A CN 201810895028A CN 109117783 A CN109117783 A CN 109117783A
Authority
CN
China
Prior art keywords
classification
kernel
hyperspectral image
training
pixels
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
CN201810895028.4A
Other languages
English (en)
Inventor
刘建军
陈浩
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201810895028.4A priority Critical patent/CN109117783A/zh
Publication of CN109117783A publication Critical patent/CN109117783A/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
    • G06V20/13—Satellite images
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于核协同表示的高光谱图像交互式分类方法，包括如下步骤：对高光谱图像数据，载入或手工选定感兴趣训练区域；以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。本发明首先进行粗粒化核协同表示空谱联合分类，再通过实时化添加删除部分训练区域，进行细粒化核协同表示空谱联合分类，可显著提高分类制图精度和效率。

Description

一种基于核协同表示的高光谱图像交互式分类方法
技术领域
本发明涉及高光谱图像处理技术领域，具体涉及一种基于核协同表示的高光谱图像交互式分类方法。
背景技术
高光谱遥感传感器能够在许多连续且狭窄的波段上获取成百上千幅图像，其成像区域覆盖了可见光到红外区域。高光谱遥感图像这一较高的光谱分辨率特性，使得其在地表目标探测、城市规划、农业预警和军事侦察等领域等到广泛应用。
高光谱遥感图像分类是高光谱遥感图像应用中一个比较重要的环节。目前，较常用的分类方法有：支持向量机、多项式逻辑回归、稀疏表示和协同表示等。由于这些分类方法并未将高光谱遥感数据视为图像，一些研究者考虑在分类中融入高光谱图像的空间信息，以进一步提高高光谱遥感图像分类的精度。
对有监督高光谱遥感图像分类而言，数据标签的获取是一项极其费时费力的工作。而且，由于成像条件的差异性，不同数据集上标签的通用性往往较差。因此，如何需要充分利用有限的数据标签提高高光谱遥感图像分类精度是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于核协同表示的高光谱图像交互式分类方法，充分利用数据标签信息提高分类精度，并在此基础上与用户进行交互，进一步提高分类精度。
实现本发明的技术方案如下：
一种基于核协同表示的高光谱图像交互式分类方法，包括以下步骤：
步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域；
步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；
步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；
步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；
步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。
进一步的，步骤2中核协同表示分类的公式为：
Y＝T(Q+λI)-1P
其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。
进一步的，步骤3中构建空谱联合图的方法具体为：
对高光谱图像进行主成分分析，选取前3个主成分作为特征并规范化到 [0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。
进一步的，步骤4中后处理分类的公式为：
其中，为未标记像元精细化的分类结果，Yl为标记像元的概率化分类结果，Yu为未标记像元的概率化分类结果，L为空谱联合图G对应的图拉普拉斯， Llu和Luu为L对应的标记样本与未标记样本子矩阵，γ用来控制空间光滑程度。
进一步的，步骤5中精细化分类结果预测的具体步骤为：
步骤2-1：保存中间变量矩阵T，F＝(Q+λI)-1和P；
步骤2-2：根据分类图，手工选择部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4；
步骤2-3：根据分类图，手工去除部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4；
步骤2-4：重复执行步骤2-2或2-3，以得到精细化分类结果。
进一步的，步骤2-2中更新中间变量矩阵的公式为：
其中，N'＝(N+λI-ZTFZ)-1，Z'＝-FZN'，M'＝F-FZZ'T，Z为新添加样本与原样本对应的核特征矩阵，N为新添加样本核特征矩阵。
进一步的，步骤2-3中更新中间变量矩阵的公式为：
其中，F＝[M' Z'；Z'T N']按照训练样本和去除训练样本的次序排列。
本发明的有益技术效果是：
本发明将高光谱图像的空谱信息和数据样本的位置信息融入模型，可以在数据样本比较少的情况下进行分类。同时，分类各个阶段的模型都有具体的公式，可以简便快速完成分类任务。
本发明可以在粗分类的基础之上添加和删除部分标签样本，无需重新计算模型，可以满足与用户实时交互的需求。
附图说明
图1是本发明一种基于核协同表示的高光谱图像交互式分类方法流程图。
图2是本发明实施例提供的Indian Pines高光谱遥感图像及其分类图，(a) 伪彩色图，(b)真实地物分类图，(c)SVM分类图，(d)本发明像素级分类图，(e)SVM后处理分类图，(f)本发明分类图。
图3是本发明实施例提供的University of Pavia高光谱遥感图像及其分类图，(a)伪彩色图，(b)真实地物分类图，(c)SVM分类图，(d)本发明像素级分类图，(e)SVM后处理分类图，(f)本发明分类图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
一种基于核协同表示的高光谱图像交互式分类方法，分为五个阶段，即选定初始训练样本，以进行核协同表示分类，建立空谱联合图，以进行后处理分类，通过手工筛选样本，以进一步提高分类结果。
如图1所示，具体包括以下步骤：
步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域。
步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图。
核协同表示分类的公式为：
Y＝T(Q+λI)-1P
其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。
高斯径向核的公式为：
其中，x和y为高光谱像元，σ用来控制核带宽。
步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图。
构建空谱联合图的方法具体为：对高光谱图像进行主成分分析，选取前3 个主成分作为特征并规范化到[0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。
权重矩阵W的公式为：
其中，和为像元对应的主成分向量，β用来控制光滑程度。
步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测。
后处理分类的公式为：
其中，为未标记像元精细化的分类结果，Yl为标记像元的概率化分类结果，Yu为未标记像元的概率化分类结果，L为空谱联合图G对应的图拉普拉斯， Llu和Luu为L对应的标记样本与未标记样本子矩阵，γ＝106用来控制空间光滑程度。
步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。
精细化分类结果预测的具体步骤为：
步骤2-1：保存中间变量矩阵T，F＝(Q+λI)-1和P。
步骤2-2：根据分类图，手工选择部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4。这里，更新中间变量矩阵的公式为：
其中，N'＝(N+λI-ZTFZ)-1，Z'＝-FZN'，M'＝F-FZZ'T，Z为新添加样本与原样本对应的核特征矩阵，N为新添加样本核特征矩阵。
步骤2-3：根据分类图，手工去除部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4。这里，更新中间变量矩阵的公式为：
其中，F＝[M' Z'；Z'T N']按照训练样本和去除训练样本的次序排列。
步骤2-4：重复执行步骤2-2或2-3，以得到精细化分类结果。
现结合一个具体的实施方式对本发明的方法进行进一步的说明。
本实施例采用Indian Pines(参见图2(a)和(b))和University of Pavia (参见图3(a)和(b))高光谱公共数据集，利用本发明所诉方法进行分类。 Indian Pines数据大小为145像素×145像素，空间分辨率为17米，去除噪声波段后，图像包含200个波段。University of Pavia数据大小为610像素×340 像素，空间分辨率为1.3米，去除噪声波段后，图像包含103个波段。本发明仿真实验采用的平台为：MATLAB R2016b，处理器IntelCore i7，主频2.4GHz，内存16GB。
对于Indian Pines数据集，对每类标记地物选择相同百分比样本作为训练样本。对于University of Pavia数据集，对每类标记地物选择相同样本数作为训练样本。
采用核协同表示分类公式进行高光谱图像分类，其中对于Indian Pines和University of Pavia数据集，σ分别设置为0.5和1。同时，采用支持向量机(SVM) 作为对比方法，在类平均正确率(AA)、总体正确率(OA)和运行时间(t) 这三个指标上进行对比，具体结果对比如下。
由结果对比可知，核协同表示与SVM的分类精度是相似的。然而，核协同表示分类所需要的时间更少。当训练样本比较多的时候，核协同表示分类在时间上的优势更加明显。图2(c)和(d)是Indian Pines数据集每类5％训练样本下的分类图，图3(c)和(d)是University of Pavia数据集每类40个训练样本下的分类图。
在核协同表示分类和SVM分类的基础上，结合空谱联合图进行高光谱图像后处理。对于这两组数据集，在构建空谱联合图过程中，光滑程度控制参数β的值设置为430。具体结果比较如下。
由结果对比可知，在空间光谱图后处理的情况下，本发明方法与SVM在分类精度方面无较大的差别。然而，在分类所需要的时间方面，本发明方法所需要的时间较少。图2(e)和(f)是Indian Pines数据集每类5％训练样本下的分类图，图3(e)和(f)是University ofPavia数据集每类40个训练样本下的分类图。
在后处理分类的基础上，通过手工添加或减少训练样本，可以实现分类结果的精细化。假定每次添加或减少的样本数为5，本发明方法与SVM的在处理时间上的对比结果如下。
由结果对比可知，随着样本数的增加，SVM方法所需的时间越来越多，几乎与样本数成正比。然而，对于本发明方法，虽然其处理时间也随着样本数增加而增加，但增加的程度并不明显。
以上所述的仅是本发明的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的基本构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (7)

1.一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，包括如下步骤：
步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域；
步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；
步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；
步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；
步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。
2.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤2中核协同表示分类的公式为：
Y＝T(Q+λI)-1P
其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。
3.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤3中构建空谱联合图的方法，具体为：
对高光谱图像进行主成分分析，选取前3个主成分作为特征并规范化到[0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。
4.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤4中后处理分类的公式为：
其中，为未标记像元精细化的分类结果，Yl为标记像元的概率化分类结果，Yu为未标记像元的概率化分类结果，L为空谱联合图G对应的图拉普拉斯，Llu和Luu为L对应的标记样本与未标记样本子矩阵，γ用来控制空间光滑程度。
5.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤5中精细化分类结果预测的具体步骤为：
步骤2-1：保存中间变量矩阵T，F＝(Q+λI)-1和P；
步骤2-2：根据分类图，手工选择部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4；
步骤2-3：根据分类图，手工去除部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4；
步骤2-4：重复执行步骤2-2或2-3，以得到精细化分类结果。
6.根据权利要求5所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤2-2中更新中间变量矩阵的公式为：
其中，N'＝(N+λI-ZTFZ)-1，Z'＝-FZN'，M'＝F-FZZ'T，Z为新添加样本与原样本对应的核特征矩阵，N为新添加样本核特征矩阵。
7.根据权利要求5所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤2-3中更新中间变量矩阵的公式为：
其中，F＝[M'Z'；Z'T N']按照训练样本和去除训练样本的次序排列。
CN201810895028.4A 2018-08-08 2018-08-08 一种基于核协同表示的高光谱图像交互式分类方法 Pending CN109117783A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810895028.4A CN109117783A (zh) 2018-08-08 2018-08-08 一种基于核协同表示的高光谱图像交互式分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810895028.4A CN109117783A (zh) 2018-08-08 2018-08-08 一种基于核协同表示的高光谱图像交互式分类方法

Publications (1)

Publication Number Publication Date
CN109117783A true CN109117783A (zh) 2019-01-01

Family

ID=64852952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810895028.4A Pending CN109117783A (zh) 2018-08-08 2018-08-08 一种基于核协同表示的高光谱图像交互式分类方法

Country Status (1)

Country Link
CN (1) CN109117783A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570395A (zh) * 2019-08-06 2019-12-13 西安电子科技大学 基于空谱联合协同表示的高光谱异常检测方法
CN111460966A (zh) * 2020-03-27 2020-07-28 中国地质大学（武汉） 基于度量学习和近邻增强的高光谱遥感图像分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451614A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于空间坐标与空谱特征融合的高光谱分类方法
CN107798348A (zh) * 2017-10-27 2018-03-13 广东省智能制造研究所 基于邻域信息深度学习的高光谱图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451614A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于空间坐标与空谱特征融合的高光谱分类方法
CN107798348A (zh) * 2017-10-27 2018-03-13 广东省智能制造研究所 基于邻域信息深度学习的高光谱图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANJUN LIU 等: "Probabilistic-Kernel Collaborative Representation for Spatial–Spectral Hyperspectral Image Classification", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
JIANJUN LIU等: "Hyperspectral image classification via kernel fully constrained least squares", 《2017 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM 》 *
倪鼎等: "基于近邻协同的高光谱图像谱-空联合分类", 《自动化学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570395A (zh) * 2019-08-06 2019-12-13 西安电子科技大学 基于空谱联合协同表示的高光谱异常检测方法
CN110570395B (zh) * 2019-08-06 2022-04-29 西安电子科技大学 基于空谱联合协同表示的高光谱异常检测方法
CN111460966A (zh) * 2020-03-27 2020-07-28 中国地质大学（武汉） 基于度量学习和近邻增强的高光谱遥感图像分类方法
CN111460966B (zh) * 2020-03-27 2024-02-02 中国地质大学（武汉） 基于度量学习和近邻增强的高光谱遥感图像分类方法

Similar Documents

Publication Publication Date Title
Zhou et al. Real-time kiwifruit detection in orchard using deep learning on Android™ smartphones for yield estimation
Lee et al. Detecting industrial oil palm plantations on Landsat images with Google Earth Engine
Khan et al. Oil palm and machine learning: Reviewing one decade of ideas, innovations, applications, and gaps
Kalantar et al. A deep learning system for single and overall weight estimation of melons using unmanned aerial vehicle images
Mishra et al. Weed density estimation in soya bean crop using deep convolutional neural networks in smart agriculture
Chen et al. Crop pest recognition using attention-embedded lightweight network under field conditions
Jia et al. Spatial-spectral-combined sparse representation-based classification for hyperspectral imagery
Hussain et al. Object-based urban land cover classification using rule inheritance over very high-resolution multisensor and multitemporal data
Xiang et al. YOLO POD: a fast and accurate multi-task model for dense Soybean Pod counting
Przybył et al. The recognition of potato varieties using of neural image analysis method
Quan et al. Tree species classification in a typical natural secondary forest using UAV-borne LiDAR and hyperspectral data
Palacios et al. Early yield prediction in different grapevine varieties using computer vision and machine learning
Chen et al. Mapping double-cropped irrigated rice fields in Taiwan using time-series Satellite Pour I'Observation de la Terre data
Minervini et al. An interactive tool for semi-automated leaf annotation
CN109117783A (zh) 一种基于核协同表示的高光谱图像交互式分类方法
Menezes et al. Pseudo-label semi-supervised learning for soybean monitoring
Li et al. High-resolution imagery classification based on different levels of information
Sari et al. The Effect of Batch Size and Epoch on Performance of ShuffleNet-CNN Architecture for Vegetation Density Classification
Gao et al. SSC-SFN: spectral-spatial non-local segment federated network for hyperspectral image classification with limited labeled samples
CN110688934B (zh) 一种空间采样主动学习分类方法、电子设备及存储介质
Kadethankar et al. Deep learning based detection of rhinoceros beetle infestation in coconut trees using drone imagery
Hashim et al. A hybrid vegetation detection framework: Integrating vegetation indices and convolutional neural network
Boniecki et al. SOFM-type artificial neural network for the non-parametric quality-based classification of potatoes
Sharma et al. Convolution neural network based several orange leave disease detection and identification methods: A review
CN116030355A (zh) 一种地物分类方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190101

WD01 Invention patent application deemed withdrawn after publication