CN109325458B - 一种基于四色定理的高光谱图像空谱结合分类方法 - Google Patents

一种基于四色定理的高光谱图像空谱结合分类方法 Download PDF

Info

Publication number
CN109325458B
CN109325458B CN201811156921.1A CN201811156921A CN109325458B CN 109325458 B CN109325458 B CN 109325458B CN 201811156921 A CN201811156921 A CN 201811156921A CN 109325458 B CN109325458 B CN 109325458B
Authority
CN
China
Prior art keywords
classification
pixel
hyperspectral image
probability map
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.)
Active
Application number
CN201811156921.1A
Other languages
English (en)
Other versions
CN109325458A (zh
Inventor
李昌利
平学伟
吴红心
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201811156921.1A priority Critical patent/CN109325458B/zh
Publication of CN109325458A publication Critical patent/CN109325458A/zh
Application granted granted Critical
Publication of CN109325458B publication Critical patent/CN109325458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于四色定理的高光谱图像空谱结合分类方法，利用SVM直接在高光谱图像谱域得到初始的粗略分类结果，进而利用四色定理挖掘高光谱图像的空间信息得到分类概率图矩阵s；对高光谱图像进行分割和边缘提取后，分别利用四色定理挖掘高光谱图像的空间信息得到分类概率图矩阵r和t；将分类概率图矩阵r、s和t按元素相乘，得到最终的分类概率图矩阵p，对分类概率图矩阵p进行极大似然类别判决，得到最终的分类结果。本发明利用四色定理将高光谱图像的空域信息挖掘出来，并与谱域信息相结合，提出一种空谱结合的高光谱图像分类方法，该方法简单而高效，极大地提高了高光谱图像分类精度。

Description

一种基于四色定理的高光谱图像空谱结合分类方法
技术领域
本发明涉及遥感信息处理和智能信号处理领域，具体涉及一种基于四色定理的高光谱图像空谱结合分类方法。
背景技术
高光谱遥感传感器可以获取数百个从可见光到红外的连续波段的数字图像。不同物质反射的电磁波能量也不同，这表现在在某个特定波长处存在独特的峰值点。大量连续波段的数字图像使得对地表物体进行分类、表征、刻画更加准确与健壮。对高光谱图像进行分类是其中一个最为流行的分析处理方法。过去只利用不同波段的信息进行分类，而没有充分利用图像像素的空间信息。事实上，近邻的像素很可能属于同一类。最近几年，空谱结合的高光谱分类方法取得了长足的进展，这类方法在分类的过程中融入了像素的空间知识，同时利用了高光谱谱域和空域信息，大大提高了分类的效率和效果。如何充分利用高光谱图像的空间信息是空谱结合类高光谱图像分类方法的关键所在。本发明首次利用四色定理来挖掘高光谱图像的空间信息，将其应用于高光谱图像的分类中取得了更好的分类结果，极大地提升了分类精度。
四色问题的内容是“任何一张地图只用四种颜色就能使具有共同边界的国家着上不同的颜色。”考虑到四色定理，高光谱图像不同区域分界处的像素最多可能属于四种不同的地物类别，这样构造分类概率图时每个像素只需考虑最多四种不同的类别，对应的概率图元素最多只有四个非零元素，利用这个特性能极大提高分类的精度。
发明内容
为解决现有技术中的不足，本发明提供一种基于四色定理的高光谱图像空谱结合分类方法，解决了高光谱图像分类不准确的问题。
为了实现上述目标，本发明采用如下技术方案：一种基于四色定理的高光谱图像空谱结合分类方法，步骤包括：
Figure BDA0001819112700000021
表示高光谱图像的各个像素对应的序号集合，像素总数为M；
Figure BDA0001819112700000022
表示像素属于不同地物类别的集合，地物类别总数为N；
S1：利用SVM在高光谱图像谱域得到初始的地物类别分类结果；
S2：在SVM得到的地物类别分类结果的基础上，利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵s＝(s1,…,sM)，其中，s是N×M维矩阵，列向量si的元素si,j表示第
Figure BDA0001819112700000023
个像素属于第
Figure BDA0001819112700000024
类地物类别的概率；
S3：对高光谱图像进行分割处理，在SVM得到的地物类别分类结果的基础上，对分割出的各个独立区域利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵r＝(r1,…,rM)，其中r是N×M维矩阵，列向量
Figure BDA00018191127000000220
的元素
Figure BDA0001819112700000025
表示第
Figure BDA00018191127000000219
个像素属于第kb个地物类别的概率；
S4：对高光谱图像进行边缘提取，在SVM得到的地物类别分类结果的基础上，利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵t＝(t1,…,tM)，其中t是N×M维矩阵，列向量
Figure BDA00018191127000000215
的元素
Figure BDA00018191127000000216
表示第
Figure BDA00018191127000000217
个像素属于第fc个地物类别的概率；
S5：将分类概率图矩阵r、s和t按元素相乘，得到最终的分类概率图矩阵p＝r*s*t＝(p1,…,pM)，其中p是N×M维矩阵，*表示哈达玛积，即对任意
Figure BDA0001819112700000026
和
Figure BDA0001819112700000027
有
Figure BDA00018191127000000214
其中
Figure BDA00018191127000000212
和
Figure BDA00018191127000000213
分别表示分类概率图矩阵p、r、s和t的第
Figure BDA00018191127000000218
个列向量
Figure BDA0001819112700000029
和
Figure BDA00018191127000000210
的第n个元素，即第
Figure BDA00018191127000000211
个像素分别在分类概率图矩阵p、r、s和t中属于第n个地物类别的概率；
S6：对分类概率图矩阵p进行极大似然类别判决，得到最终的分类结果，即高光谱图像每个像素所属的地物类别。
优选地，所述步骤S2中，分类概率图矩阵s＝(s1,…,sM)的具体构造方法如下：
21)对高光谱图像第
Figure BDA0001819112700000028
个像素的α×α邻域，基于SVM得到的地物类别分类结果，对邻域内的全部像素按所属的地物类别统计像素个数，得到N个统计值nk(k＝1,…,N)，其中nk表示邻域内属于第k类地物的像素总个数；
22)将N个统计值nk按从大到小的次序取前四个，得到对应的四个地物类别为
Figure BDA0001819112700000039
与之一一对应的像素个数为na，则分类概率图矩阵s的列向量sg的四个非零元素为：
Figure BDA0001819112700000031
Figure BDA0001819112700000032
表示第g个像素属于第ma个地物类别的概率，列向量sg的其余N-4个元素为零；
23)对高光谱图像的所有像素
Figure BDA0001819112700000033
进行步骤21)和22)的计算得到分类概率图矩阵s＝(s1,…,sM)。
优选地，所述步骤S3中，分类概率图矩阵r＝(r1,…,rM)的具体构造方法如下：31)利用图像分割方法对高光谱图像进行分割处理，对分割出的各个独立区域中的任意像素
Figure BDA0001819112700000034
的β×β邻域，基于SVM得到的地物类别分类结果，对各个独立区域内的全部像素按像素所属的地物类别对像素个数进行统计，得到统计值；
32)将第
Figure BDA00018191127000000310
个像素的统计值从大到小的次序取前四个，得到对应的四个地物类别为
Figure BDA0001819112700000035
与之一一对应的像素个数为lb，则分类概率图矩阵r＝(r1,…,rM)的列向量
Figure BDA00018191127000000311
的四个非零元素为：
Figure BDA0001819112700000036
其中，
Figure BDA0001819112700000037
为第
Figure BDA00018191127000000312
个像素属于第kb个地物类别的概率，列向量
Figure BDA00018191127000000313
的其余N-4个元素为零；
33)对高光谱图像的所有像素
Figure BDA0001819112700000038
进行步骤31)和32)的计算得到分类概率图矩阵r＝(r1,…,rM)。
优选地，所述图像分割方法为分水岭分割方法。
优选地，所述步骤S4中，分类概率图矩阵t＝(t1,…,tM)的具体构造方法如下：
41)对高光谱图像进行边缘提取，基于SVM得到的地物类别分类结果，对各个边缘处的第
Figure BDA0001819112700000041
个像素的δ×δ邻域，在邻域内按像素所属的地物类别对像素个数统计像素个数，得到统计值；
42)将第
Figure BDA00018191127000000415
个像素的统计值按从大到小的次序取前四个，得到对应的四个地物类别
Figure BDA0001819112700000042
与之一一对应的像素个数为hc，则分类概率图矩阵t＝(t1,…,tM)的列向量
Figure BDA00018191127000000414
的四个非零元素为：
Figure BDA0001819112700000043
Figure BDA0001819112700000047
为第
Figure BDA0001819112700000048
个像素属于第fc个地物类别的概率，列向量
Figure BDA0001819112700000049
的其余N-4个元素为零；
43)对高光谱图像的所有像素
Figure BDA0001819112700000044
进行步骤41)和42)的计算得到分类概率图矩阵t＝(t1,…,tM)。
优选地，所述进行边缘提取为利用Canny算子进行边缘提取。
优选地，所述步骤S6中，得到高光谱图像每个像素所属的地物类别具体方法为，高光谱图像第
Figure BDA00018191127000000410
个像素所属的地物类别
Figure BDA00018191127000000411
为：
Figure BDA0001819112700000045
其中，argmax表示使得函数取得最大值对应的自变量的取值，利用极大似然类别判决将列向量
Figure BDA0001819112700000046
的四个非零元素最大值对应的标号
Figure BDA00018191127000000412
作为第
Figure BDA00018191127000000413
个像素的地物类别
本发明所达到的有益效果：本发明是一种基于四色定理的高光谱图像空谱结合分类方法，解决了高光谱图像分类不准确的问题。本发明利用四色定理将高光谱图像的空间信息挖掘出来，并与谱域信息相结合，得到的概率图矩阵每列的元素只有四个非零，方法简单而高效，极大地提高了高光谱图像分类精度。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于四色定理的高光谱图像空谱结合分类方法，步骤包括：
Figure BDA0001819112700000051
表示高光谱图像的全部像素从左到右、从上到下一一排列后各个像素对应的序号集合，像素总数为M；
Figure BDA0001819112700000052
表示像素属于不同地物类别的集合，地物类别总数为N；高光谱图像分类的任务是，对任意像素赋予一个地物类别标记。
S1：利用支持向量机(support vector machine，SVM)在高光谱图像谱域得到初始的粗略分类结果(初始的地物类别分类结果)；
S2：在SVM得到的地物类别分类结果的基础上，利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵s＝(s1,…,sM)，其中，s是N×M维矩阵，列向量si的元素si,j表示第
Figure BDA0001819112700000053
个像素属于第
Figure BDA0001819112700000054
类地物类别的概率；
分类概率图矩阵s＝(s1,…,sM)的具体构造方法如下：
21)对高光谱图像第
Figure BDA0001819112700000055
个像素的α×α邻域，基于SVM得到的地物类别分类结果，对邻域内的全部像素按所属的地物类别统计像素个数，得到N个统计值nk(k＝1,…,N)，其中nk表示邻域内属于第k类地物的像素总个数；
22)考虑到四色定理，每个像素只能属于四种不同的地物之一，将N个统计值nk按从大到小的次序取前四个，得到对应的四个地物类别为
Figure BDA0001819112700000056
与之一一对应的像素个数为na，则分类概率图矩阵s的列向量sg的四个非零元素为：
Figure BDA0001819112700000057
Figure BDA0001819112700000058
表示第g个像素属于第ma个地物类别的概率，列向量sg的其余N-4个元素为零；
23)对高光谱图像的所有像素
Figure BDA0001819112700000061
进行步骤21)和22)的计算得到分类概率图矩阵s＝(s1,…,sM)。
S3：为了利用高光谱图像的空域特性，即相邻像素属于同一类地物的可能性很大，对高光谱图像进行分割处理，在SVM得到的地物类别分类结果的基础上，对分割出的各个独立区域利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵r＝(r1,…,rM)，其中r是N×M维矩阵，列向量
Figure BDA0001819112700000068
的元素
Figure BDA0001819112700000062
表示第
Figure BDA0001819112700000069
个像素属于第kb个地物类别的概率；
分类概率图矩阵r＝(r1,…,rM)的具体构造方法如下：
31)利用分水岭分割方法等图像分割方法对高光谱图像进行分割处理，对分割出的各个独立区域中的任意像素
Figure BDA0001819112700000063
(设对应于整个高光谱图像的第
Figure BDA00018191127000000614
个像素)的β×β邻域，基于SVM得到的地物类别分类结果，对各个独立区域内的全部像素按像素所属的地物类别对像素个数进行统计，得到统计值；
32)考虑到四色定理，每个像素最多只能属于四种不同的地物之一，将第
Figure BDA00018191127000000613
个像素的统计值从大到小的次序取前四个，得到对应的四个地物类别为
Figure BDA0001819112700000064
与之一一对应的像素个数为lb，则分类概率图矩阵r＝(r1,…,rM)的列向量
Figure BDA00018191127000000612
的四个非零元素为：
Figure BDA0001819112700000065
其中，
Figure BDA0001819112700000066
为第
Figure BDA00018191127000000610
个像素属于第kb个地物类别的概率，列向量
Figure BDA00018191127000000611
的其余N-4个元素为零；
33)对高光谱图像的所有像素
Figure BDA0001819112700000067
进行步骤31)和32)的计算得到分类概率图矩阵r＝(r1,…,rM)。步骤S3利用了空域信息，相对于步骤S2得到的分类概率图矩阵更准确。
S4：为了进一步利用高光谱图像的空域特性，利用Canny算子等方法对高光谱图像进行边缘提取，在SVM得到的地物类别分类结果的基础上，利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵t＝(t1,…,tM)，其中t是N×M维矩阵，列向量
Figure BDA00018191127000000718
的元素
Figure BDA00018191127000000719
表示第
Figure BDA00018191127000000720
个像素属于第fc个地物类别的概率；
分类概率图矩阵t＝(t1,…,tM)的具体构造方法如下：
41)对高光谱图像进行边缘提取，基于SVM得到的地物类别分类结果，对各个边缘处的第
Figure BDA0001819112700000071
个(
Figure BDA00018191127000000717
为在整个高光谱图像中对应的序号)像素的δ×δ邻域，在邻域内按像素所属的地物类别对像素个数统计像素个数，得到统计值；
42)考虑到四色定理，每个像素最多只能属于四种不同的地物之一，将第
Figure BDA00018191127000000716
个像素的统计值按从大到小的次序取前四个，得到对应的四个地物类别
Figure BDA0001819112700000072
与之一一对应的像素个数为hc，则分类概率图矩阵t＝(t1,…,tM)的列向量
Figure BDA00018191127000000721
的四个非零元素为：
Figure BDA0001819112700000073
Figure BDA00018191127000000713
为第
Figure BDA00018191127000000714
个像素属于第fc个地物类别的概率，列向量
Figure BDA00018191127000000715
的其余N-4个元素为零；
43)对高光谱图像的所有像素
Figure BDA0001819112700000074
进行步骤41)和42)的计算得到分类概率图矩阵t＝(t1,…,tM)。
需要说明的是，分类概率图矩阵t＝(t1,…,tM)中不属于边缘处的像素的分类概率即为SVM地物类别分类结果，步骤S4仅针对边缘处的像素。
S5：将分类概率图矩阵r、s和t按元素相乘，得到最终的分类概率图矩阵p＝r*s*t＝(p1,…,pM)，其中p是N×M维矩阵，*表示哈达玛(Hadamard)积，即对任意
Figure BDA0001819112700000075
和
Figure BDA0001819112700000076
有
Figure BDA0001819112700000077
其中
Figure BDA0001819112700000078
和
Figure BDA0001819112700000079
分别表示分类概率图矩阵p、r、s和t的第
Figure BDA00018191127000000723
个列向量
Figure BDA00018191127000000710
和
Figure BDA00018191127000000711
的第n个元素，即第
Figure BDA00018191127000000712
个像素分别在分类概率图矩阵p、r、s和t中属于第n个地物类别的概率；
S6：对分类概率图矩阵p进行极大似然类别判决，得到最终的分类结果，即高光谱图像每个像素所属的地物类别，高光谱图像第
Figure BDA00018191127000000722
个像素所属的地物类别
Figure BDA00018191127000000724
为：
Figure BDA0001819112700000081
其中，argmax表示使得函数取得最大值对应的自变量的取值，利用极大似然类别判决将列向量
Figure BDA0001819112700000084
的四个非零元素最大值对应的标号
Figure BDA0001819112700000085
作为第
Figure BDA0001819112700000086
个像素的地物类别。
Figure BDA0001819112700000082
表示高光谱图像的全部像素从左到右、从上到下一一排列后各个像素对应的序号集合，像素总数为M；
Figure BDA0001819112700000083
表示像素属于不同地物类别的集合，地物类别总数为N；高光谱图像分类的任务是，对任意像素赋予一个地物类别标记。
本发明利用四色定理将高光谱图像的空间信息挖掘出来，并与谱域信息相结合，得到的概率图矩阵每列的元素只有四个非零，方法简单而高效，极大地提高了高光谱图像分类精度。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于：
Figure FDA0003153083240000011
表示高光谱图像的各个像素对应的序号集合，像素总数为M；
Figure FDA0003153083240000012
表示像素属于不同地物类别的集合，地物类别总数为N；
S1：利用SVM在高光谱图像谱域得到初始的地物类别分类结果；
S2：在SVM得到的地物类别分类结果的基础上，利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵s＝(s1,…,sM)，其中，s是N×M维矩阵，列向量si的元素si,j表示第
Figure FDA0003153083240000013
个像素属于第
Figure FDA0003153083240000014
类地物类别的概率；
S3：对高光谱图像进行分割处理，在SVM得到的地物类别分类结果的基础上，对分割出的各个独立区域利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵r＝(r1,…,rM)，其中r是N×M维矩阵，列向量
Figure FDA00031530832400000118
的元素
Figure FDA0003153083240000015
表示第
Figure FDA00031530832400000119
个像素属于第kb个地物类别的概率；
S4：对高光谱图像进行边缘提取，在SVM得到的地物类别分类结果的基础上，利用四色定理挖掘高光谱图像的空间信息，得到分类概率图矩阵t＝(t1,…,tM)，其中t是N×M维矩阵，列向量
Figure FDA0003153083240000016
的元素
Figure FDA0003153083240000017
表示第
Figure FDA0003153083240000018
个像素属于第fc个地物类别的概率；
S5：将分类概率图矩阵r、s和t按元素相乘，得到最终的分类概率图矩阵p＝r*s*t＝(p1,…,pM)，其中p是N×M维矩阵，*表示哈达玛积，即对任意
Figure FDA0003153083240000019
和
Figure FDA00031530832400000110
有
Figure FDA00031530832400000111
其中
Figure FDA00031530832400000112
和
Figure FDA00031530832400000113
分别表示分类概率图矩阵p、r、s和t的第
Figure FDA00031530832400000114
个列向量
Figure FDA00031530832400000115
和
Figure FDA00031530832400000116
的第n个元素，即第
Figure FDA00031530832400000117
个像素分别在分类概率图矩阵p、r、s和t中属于第n个地物类别的概率；
S6：对分类概率图矩阵p进行极大似然类别判决，得到最终的分类结果，即高光谱图像每个像素所属的地物类别。
2.根据权利要求1所述的一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于，所述步骤S2中，分类概率图矩阵s＝(s1,…,sM)的具体构造方法如下：
21)对高光谱图像第
Figure FDA0003153083240000021
个像素的α×α邻域，基于SVM得到的地物类别分类结果，对邻域内的全部像素按所属的地物类别统计像素个数，得到N个统计值nk， k＝1,…,N，其中nk表示邻域内属于第k类地物的像素总个数；
22)将N个统计值nk按从大到小的次序取前四个，得到对应的四个地物类别为
Figure FDA0003153083240000022
与之一一对应的像素个数为na，则分类概率图矩阵s的列向量sg的四个非零元素为：
Figure FDA0003153083240000023
Figure FDA0003153083240000024
表示第g个像素属于第ma个地物类别的概率，列向量sg的其余N-4个元素为零；
23)对高光谱图像的所有像素
Figure FDA0003153083240000025
进行步骤21)和22)的计算得到分类概率图矩阵s＝(s1,…,sM)。
3.根据权利要求1所述的一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于，所述步骤S3中，分类概率图矩阵r＝(r1,…,rM)的具体构造方法如下：
31)利用图像分割方法对高光谱图像进行分割处理，对分割出的各个独立区域中的任意像素
Figure FDA0003153083240000026
的β×β邻域，基于SVM得到的地物类别分类结果，对各个独立区域内的全部像素按像素所属的地物类别对像素个数进行统计，得到统计值；
32)将第
Figure FDA0003153083240000028
个像素的统计值从大到小的次序取前四个，得到对应的四个地物类别为
Figure FDA0003153083240000027
与之一一对应的像素个数为lb，则分类概率图矩阵r＝(r1,…,rM)的列向量
Figure FDA0003153083240000029
的四个非零元素为：
Figure FDA0003153083240000031
其中，
Figure FDA0003153083240000032
为第
Figure FDA00031530832400000313
个像素属于第kb个地物类别的概率，列向量
Figure FDA00031530832400000314
的其余N-4个元素为零；
33)对高光谱图像的所有像素
Figure FDA0003153083240000033
进行步骤31)和32)的计算得到分类概率图矩阵r＝(r1,…,rM)。
4.根据权利要求3所述的一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于，所述图像分割方法为分水岭分割方法。
5.根据权利要求1所述的一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于，所述步骤S4中，分类概率图矩阵t＝(t1,…,tM)的具体构造方法如下：
41)对高光谱图像进行边缘提取，基于SVM得到的地物类别分类结果，对各个边缘处的第
Figure FDA0003153083240000034
个像素的δ×δ邻域，在邻域内按像素所属的地物类别对像素个数统计像素个数，得到统计值；
42)将第
Figure FDA0003153083240000035
个像素的统计值按从大到小的次序取前四个，得到对应的四个地物类别
Figure FDA0003153083240000036
与之一一对应的像素个数为hc，则分类概率图矩阵t＝(t1,…,tM)的列向量
Figure FDA0003153083240000037
的四个非零元素为：
Figure FDA0003153083240000038
Figure FDA0003153083240000039
为第
Figure FDA00031530832400000310
个像素属于第fc个地物类别的概率，列向量
Figure FDA00031530832400000311
的其余N-4个元素为零；
43)对高光谱图像的所有像素
Figure FDA00031530832400000312
进行步骤41)和42)的计算得到分类概率图矩阵t＝(t1,…,tM)。
6.根据权利要求5所述的一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于，所述进行边缘提取为利用Canny算子进行边缘提取。
7.根据权利要求1所述的一种基于四色定理的高光谱图像空谱结合分类方法，其特征在于，所述步骤S6中，得到高光谱图像每个像素所属的地物类别具体方法为，高光谱图像第
Figure FDA0003153083240000041
个像素所属的地物类别
Figure FDA0003153083240000042
为：
Figure FDA0003153083240000043
其中，argmax表示使得函数取得最大值对应的自变量的取值，利用极大似然类别判决将列向量
Figure FDA0003153083240000044
的四个非零元素最大值对应的标号
Figure FDA0003153083240000045
作为第
Figure FDA0003153083240000046
个像素的地物类别。
CN201811156921.1A 2018-09-30 2018-09-30 一种基于四色定理的高光谱图像空谱结合分类方法 Active CN109325458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811156921.1A CN109325458B (zh) 2018-09-30 2018-09-30 一种基于四色定理的高光谱图像空谱结合分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811156921.1A CN109325458B (zh) 2018-09-30 2018-09-30 一种基于四色定理的高光谱图像空谱结合分类方法

Publications (2)

Publication Number Publication Date
CN109325458A CN109325458A (zh) 2019-02-12
CN109325458B true CN109325458B (zh) 2021-10-15

Family

ID=65266222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811156921.1A Active CN109325458B (zh) 2018-09-30 2018-09-30 一种基于四色定理的高光谱图像空谱结合分类方法

Country Status (1)

Country Link
CN (1) CN109325458B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268579A (zh) * 2014-10-14 2015-01-07 哈尔滨工业大学 基于分层集成学习的高光谱遥感图像分类方法
CN108009559A (zh) * 2016-11-02 2018-05-08 哈尔滨工业大学 一种基于空谱联合信息的高光谱数据分类方法
CN108229551A (zh) * 2017-12-28 2018-06-29 湘潭大学 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
CN108446723A (zh) * 2018-03-08 2018-08-24 哈尔滨工业大学 一种高光谱图像的多尺度空谱协同分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268579A (zh) * 2014-10-14 2015-01-07 哈尔滨工业大学 基于分层集成学习的高光谱遥感图像分类方法
CN108009559A (zh) * 2016-11-02 2018-05-08 哈尔滨工业大学 一种基于空谱联合信息的高光谱数据分类方法
CN108229551A (zh) * 2017-12-28 2018-06-29 湘潭大学 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
CN108446723A (zh) * 2018-03-08 2018-08-24 哈尔滨工业大学 一种高光谱图像的多尺度空谱协同分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向空间自相关信息的高光谱图像分类方法;廖建尚等;《农业机械学报》;20180630;215-224 *

Also Published As

Publication number Publication date
CN109325458A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN103971115B (zh) 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法
CN104331698B (zh) 一种遥感图像城区提取方法
CN108154157B (zh) 一种基于集成的快速谱聚类方法
CN107563413A (zh) 无人机航拍影像农田块对象精准提取方法
CN102842044B (zh) 高分辨率可见光遥感图像变化检测方法
CN106709517A (zh) 红树林识别方法及系统
CN109948593A (zh) 基于结合全局密度特征的mcnn人群计数方法
CN106971397B (zh) 基于改进jseg算法的城市高分辨率遥感影像分割方法
CN103077515A (zh) 一种多光谱图像建筑物变化检测方法
CN113298137B (zh) 一种基于局部相似度数据引力的高光谱影像分类方法
CN104217440B (zh) 一种从遥感图像中提取建成区的方法
CN105160351B (zh) 基于锚点稀疏图的半监督高光谱分类方法
CN105069459B (zh) 一种针对高分辨率sar图像地物类型提取方法
Amoda et al. Detection and classification of plant diseases by image processing
Güneş et al. Determination of the varieties and characteristics of wheat seeds grown in Turkey using image processing techniques
Kiadtikornthaweeyot et al. Region of interest detection based on histogram segmentation for satellite image
Manaf et al. Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images.
CN108596244A (zh) 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法
Zhu et al. HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion
CN109325458B (zh) 一种基于四色定理的高光谱图像空谱结合分类方法
CN105023269A (zh) 一种车载红外图像彩色化方法
Plaza et al. Spectral mixture analysis of hyperspectral scenes using intelligently selected training samples
CN115311566A (zh) 一种云掩模图像的生成方法和预训练网络训练方法
Phyo et al. Classification of Cluster Area Forsatellite Image
Napoleon et al. Color Image Segmentation using OTSU Method and Color Space

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