CN109948421B

CN109948421B - 基于pca和属性配置文件的高光谱图像分类方法

Info

Publication number: CN109948421B
Application number: CN201910027339.3A
Authority: CN
Inventors: 吕宁; 陈晨; 刘佳凤; 胡少哲; 万春曼
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2019-01-11
Filing date: 2019-01-11
Publication date: 2021-04-13
Anticipated expiration: 2039-01-11
Also published as: CN109948421A

Abstract

本发明涉及一种基于PCA和属性配置文件的高光谱图像分类方法，包括步骤：对待分类高光谱图像进行降维操作，得到目标成分的灰度图像；将灰度图像生成树结构，统计树结构的目标特征及树结构中每个结点的形态学属性，并根据目标特征和形态学属性选取阈值；根据形态学属性和阈值，对树结构进行属性滤波操作，得到若干扩展属性配置文件；将若干扩展属性配置文件的数据与标准数据集融合，得到融合样本，利用融合样本对支持向量机进行训练，并利用训练好的支持向量机对若干扩展属性配置文件进行分类，得到分类结果。本发明实施例根据目标特征和形态学属性选取阈值，减少了对人工经验的依赖程度，提高了计算速度，并且改善了分类结果，提高了分类精度。

Description

基于PCA和属性配置文件的高光谱图像分类方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于PCA和属性配置文件的高光谱图像分类方法。

背景技术

高光谱遥感影像数据不仅具有图像的空间信息，还具有空间维度高，数据量大的特点，具有丰富的光谱信息。在传统方法中，将空间和光谱信息结合的算法相较于仅使用光谱信息分类精度更高。

由于高光谱影像数据波段较多，使用高维的光谱-空间信息进行计算会产生“Huges”现象，因此数据降维的方法被广泛研究，其中一种线性降维方法是PCA(PrincipalAnalysis，主成分分析)。PCA方法具有易于计算和不受样本标签控制的优点，传统算法是直接对光谱图像数据进行PCA降维。然而，传统的PCA降维方法的高光谱图像数据受光不对称等效果的影响较大，其分类结果也较差。

图像中物体的空间特征可以由多种方法建立，应用最广泛的方法之一就是基于数学形态学提取空间特征。在基于数学形态学提取空间特征的所有算法中，形态学连接算子能保留图像结构的几何特征，故被证明是合适提取空间信息的算法。使用MPs提取的空间信息特征可以很好的表示图像中结构的多尺度可变性，但是对于其他几何特性进行建模存在不足。因此，为了避免该限制，形态学属性滤波器被提出代替基于测地重建的传统算子的方法。AP(Attribute Profile，属性配置文件)是MP(Morphological Profile，形态学配置文件)的一种扩展并且可以通过使用一系列的形态学属性滤波器对图像进行多级表征。为了处理高光谱图像，AP的概念扩展为EAP(Extended Attribute Profile，扩展属性配置文件)和EMAP(Extended Multi-Attribute profile，扩展多属性配置文件)，其中EAP与SVM(Support Vector Machine，支持向量机)分类器结合可以对高光谱图像进行空间和光谱信息结合的分类。

生成属性配置文件的关键步骤是选取属性和阈值；用不同的属性对图像中同一类别的对象进行分类结果有所不同，针对不同的属性也会选取不同的阈值进行分类；在属性已经确定的情况下，阈值的选择决定属性配置文件对高光谱图像空间信息的提取效果。在传统方法中，阈值的选择一般是依据经验人工进行选择，不能实现自动化选取阈值的部分，而在实现算法的过程中需要确定多个阈值相关的参数，从而导致分类效果较差，分类精度不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于PCA和属性配置文件的高光谱图像分类方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于PCA和属性配置文件的高光谱图像分类方法，包括步骤：

对待分类高光谱图像进行降维操作，得到目标成分的灰度图像；

将所述灰度图像生成树结构，统计所述树结构的目标特征及所述树结构中每个结点的形态学属性，并根据所述目标特征和所述形态学属性选取阈值；

根据所述形态学属性和所述阈值，对所述树结构进行属性滤波操作，得到若干扩展属性配置文件；

将若干所述扩展属性配置文件的数据与标准数据集融合，得到融合样本，利用所述融合样本对支持向量机进行训练，并利用训练好的所述支持向量机对若干所述扩展属性配置文件进行分类，得到分类结果。

在本发明的一个实施例中，对待分类高光谱图像进行降维操作，得到目标成分的灰度图像之前，包括：

对原始高光谱图像进行归一化操作，得到第一高光谱图像；

利用所述第一高光谱图像，对所述原始高光谱图像进行直方图均衡化操作，得到待分类高光谱图像。

在本发明的一个实施例中，对待分类高光谱图像进行降维操作，得到目标成分的灰度图像，包括：

将待分类高光谱图像的每个通道图像拉伸为一维数据，将所述一维数据进行存储，得到高维数据；

采用主成分分析方法，对所述高维数据进行主成分分析，得到目标成分图像；

对所述目标成分图像进行归一化操作，得到所述灰度图像。

在本发明的一个实施例中，所述目标成分包括累积方差大于99％的主成分，所述灰度图像的像素值为0～255。

在本发明的一个实施例中，将所述灰度图像生成树结构，统计所述树结构的目标特征及所述树结构中每个结点的形态学属性，并根据所述目标特征和所述形态学属性选取阈值，包括：

将所述灰度图像生成最大树，统计所述最大树的树层数和所述最大树中每个结点的面积属性，其中，所述面积属性包括第一面积和第二面积；

根据所述树层数、所述第一面积和所述第二面积选取阈值。

在本发明的一个实施例中，选取所述阈值的公式为：

λ_a＝{a_min,a_min+δ_a,a_min+2δ_a...,a_max}

其中，a_min＝y，a_max＝x，

λ_a为阈值，x为第一面积，y为第二面积，p为树层数。

在本发明的一个实施例中，所述属性滤波操作包括属性增厚操作和属性变薄操作，所述属性滤波操作的公式为：

其中，γ是基于判决条件T的增厚操作，φ是基于判决条件T的变薄操作，

是L个有序的判决条件T的序列，λ表示阈值。

在本发明的一个实施例中，利用所述融合样本对支持向量机进行训练，包括：

选取所述融合样本中预设比例的数据作为训练样本，剩余数据作为测试样本，对支持向量机进行训练。

在本发明的一个实施例中，所述预设比例范围为40％～60％。

在本发明的一个实施例中，得到分类结果之后，还包括：

根据所述分类结果计算分类精度。

与现有技术相比，本发明的有益效果：

1、本发明生成属性配置文件过程中采用根据目标特征和形态学属性选取阈值的算法，减少了算法实现过程中人工确定多个阈值相关参数的步骤，减少了对人工经验的依赖程度，提高了计算速度，并且改善了分类结果，提高了分类精度。

2、本发明在对高光谱图像降维之前，采用归一化和直方图均衡化操作对原始高光谱图像进行预处理，降低了高光谱图像数据受光不对称效果的影响，进而在一定程度上提高了分类精度。

附图说明

图1为本发明实施例提供的一种基于PCA和属性配置文件的高光谱图像分类方法的流程示意图；

图2为本发明是实施例提供的一种生成最大树方法的示意图；

图3为本发明实施例提供的一种最大树的结构示意图；

图4为本发明实施例提供的一种属性滤波操作的示意图；

图5为本发明实施例提供的一种扩展属性配置文件的框架图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1，图1为本发明实施例提供的一种基于PCA和属性配置文件的高光谱图像分类方法的流程示意图，包括步骤：

S1、对原始高光谱图像进行预处理；包括：

S11、对原始高光谱图像进行归一化操作，得到第一高光谱图像；

进一步地，高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块，高光谱图像的三维数据结构可表示为x*y*λ，其中，x和y表示二维平面像素信息坐标轴，λ表示波长信息坐标轴，对波长信息坐标轴进行细致分割，可得到N个通道，从而得到N个通道图像；具体地，本发明实施例的原始高光谱图像一组610*340*103的图像，具有103幅通道图像。

进一步地，对原始高光谱图像进行归一化操作，是指将原始高光谱图像的每幅通道图像中的每个像素值都进行归一化操作，使得每幅通道图像中每个像素点的像素值均为0～255，从而通道图像转换为灰度图像，所有灰度图像的组合即为第一高光谱图像。具体地，归一化操作的方法为：

其中，y为归一化后的像素值，x为归一化前的像素值，x_min为通道图像像素值的最小值，x_max为通道图像像素值的最大值。具体地，经过归一化操作，得到103幅像素值为0～255的灰度图像。

S12、利用第一高光谱图像，对所述原始高光谱图像进行直方图均衡化操作，得到待分类高光谱图像；

进一步地，直方图均衡化操作针对的是原始高光谱图像中的每一幅通道图像，直方图均衡化操作的过程为：

S121、列出原通道图像和归一化后灰度图像的灰度级f_k(k＝0，1，2，…，L-1)，其中，L是灰度等级总数。

S122、计算直方图各灰度等级的出现总数；

其中，P_f(f_k)表示该灰度出现的频率，n_k为原通道图像各灰度级的像素个数，n为原通道图像的像素总个数，k＝(0，1，2，…，L-1)，L是灰度等级总数。

S123、计算累积分布函数；

其中，n_k为原通道图像各灰度级的像素个数，n为原通道图像的像素总个数，k＝(0，1，2，…，L-1)，L是灰度等级总数。

S124、计算出直方图均衡后图像的灰度等级gi；

gi＝INT[(g_max-g_min)C(f)+g_min+0.5]

其中，gi为直方图均衡后图像的灰度等级，i＝(0，1，2，…，255)，INT是取整运算，g_max是灰度等级最大值，g_min是灰度等级最小值。

S125、计算输出图像的灰度等级；

其中，n_i为各个灰度级的像素个数，i＝(0，1，2，…，255)，对原通道图像进行直方图均衡化操作时利用的是gi和f_k的映射关系，映射后可得到直方图均衡化操作后的通道图像。

具体地，经过直方图均衡化操作后，得到103幅通道图像，这103幅通道图像为待分类的高光谱图像。

本发明实施例在对高光谱图像降维之前，采用归一化和直方图均衡化操作对原始高光谱图像进行预处理，降低了高光谱图像数据受光不对称效果的影响，进而在一定程度上提高了分类精度。

S2、对待分类高光谱图像进行降维操作，得到目标成分的灰度图像；包括：

S21、将待分类高光谱图像的每个通道图像拉伸为一维数据，将所述一维数据进行存储，得到高维数据；

进一步地，将经过直方图均衡化操作的每幅通道图像拉伸为一维数据，数据的长度为M，M＝m*n，其中，m为每幅通道图像的长，n为每幅通道图像的宽；然后，将所有通道图像的数据存储为M*B的数组，其中，B为通道图像的个数，得到一组高维数据，高维数据包括B组一维数据；具体地，本发明实施例中最终得到103组一维数据。

S22、采用主成分分析方法，对所述高维数据进行主成分分析，得到所述目标成分图像；

进一步地，进行主成分分析时，目标成分可以选择一个，也可以选择多个，具体根据算法的需求而定；具体地，本发明实施例目标成分包括以下两种情况：a、通过累计方差占预定比例来选择主成分；b、给定选择前几个主成分；选择目标成分时，可以选择任意一种或同时选择两种主成分。

具体地，在本发明实施例中，采用PCA方法对103组一维数据进行主成分分析，从103组数据选取满足目标成分的数据，得到一部分幅图像的一维数据，这部分图像即为目标成分图像，图像的个数为103个通道图像中的若干个；具体的，进行主成分分析时，本发明实施例选择目标成分是指累计方差大于99％的主成分。

S23、对所述目标成分图像进行归一化操作，得到所述灰度图像；

进一步地，对目标成分进行归一化操作，是指对每个目标成分图像中的每个像素值都进行归一化操作，使得每个像素值均为0～255，从而得到目标成分的灰度图像。具体地，归一化操作的方法为：

其中，y为归一化后的像素值，x为归一化前的像素值，x_min为目标成分图像像素值的最小值，x_max为目标成分图像像素值的最大值。具体地，经过归一化操作，使得目标成分图像的像素值为0～255，也就是目标成分的灰度图像；灰度图像的个数与目标成分图像的个数一致。

S3、将所述灰度图像生成树结构，统计所述树结构的目标特征及所述树结构中每个结点的形态学属性，并根据所述目标特征和所述形态学属性选取阈值；

进一步地，形态学属性包括面积属性、区域对角线长度属性、标准差属性和惯性矩属性中的一种或多种，使用不同的属性滤波，会获得图像不同类型的特征；本发明实施例选择面积属性进行操作；为了解决高光谱图像分类运算量大、效率低的问题，本发明实施例的树结构选择最大树(max-tree)结构；同时，匹配面积属性，树结构的目标特征采用树层数；具体步骤包括：

S31、将所述灰度图像生成最大树，统计所述最大树的树层数和所述最大树中每个结点的面积属性，其中，所述面积属性包括第一面积和第二面积；

具体地，本发明实施例中，第一面积为面积属性中的最大面积，第二面积为面积属性中的最小面积。

具体地，请参见图2，图2为本发明是实施例提供的一种生成最大树方法的示意图。图2中，图(a)像素值的范围为0～3，其中，像素值相同并且相邻的像素点构成的区域为连通区域，例如，所有像素点为0的像素点均相同，这些像素点构成的区域为一个连通区域；图(b)，将每个连通区域中的像素点用相同的符号表示：例如，像素值为0的连通区域中的像素点均用

表示，

表示图像中的背景区域，有且仅有一个区域；像素值为1的连通区域包括2个，分别用

和

表示，

表示第一个像素值为1的连通区域，

表示像素值为1的第二个连通区域；像素值为2的连通区域分别用

表示；像素值为3的连通区域分别用

表示；图(c)为生成的最大树，其中，C表示最大树上的结点，每个连通区域表示一个结点，像素值最小的点就是根结点，从下到上像素值依次递增。

进一步地，在生成最大树的过程中，统计最大树的树层数和每个结点的面积属性；具体到图2，树层数为4层，有8个结点，每个结点都具有相应的面积，统计出8个结点的面积，并且统计出这8个面积中的最大面积和最小面积。

S32、根据所述树层数、所述第一面积和所述第二面积选取阈值；

进一步的，第一面积为面积属性中的最大面积，第二面积为面积属性中的最小面积；选取阈值的公式为：

λ_a＝{a_min,a_min+δ_a,a_min+2δ_a...,a_max}

其中，a_min＝y，a_max＝x，

λ_a为阈值，x为最大面积，y为最小面积，p为树层数。

需要说明的是，本发明实施例选取阈值是系统根据上述公式进行选取的，传统方法中是人工根据经验选取的。

S4、根据所述形态学属性和所述阈值，对所述树结构进行属性滤波操作，得到若干扩展属性配置文件；包括：

进一步地，属性滤波操作包括属性开操作和属性闭操作，属性开操作和属性闭操作是对偶操作，属性开操作是保留属性≥阈值的结点，属性闭操作是保留属性≤阈值的结点。具体地，根据所选属性的性质，属性开操作和属性闭操作对应不同的效果；当选取形态学属性为面积属性时，属性开操作也被叫做属性增厚操作(thickening)和属性变薄操作(thinning)；进一步地，属性滤波操作的公式为：

是L个有序的判决条件T的序列，λ表示阈值。

具体地，请参见图3和图4，图3为本发明实施例提供的一种最大树的结构示意图，图4为本发明实施例提供的一种属性滤波操作的示意图。图3中，(a)为灰度图像，(b)为灰度图像(a)中连通区域的最大树结构，(b)中每个结点包括面积属性A、惯性矩属性I和标准差属性；以面积属性、面积＞20000为例，对比图3和图4，

是

的父结点，因为

的面积属性不满足条件，所以在图4中

结点被删除了，从而结点中所有像素点的像素值都变成满足条件的父结点

的像素值。

进一步的，通过对灰度图像生成最大树并进行属性滤波操作，得到一系列EAPs；具体地，由于属性滤波操作包括属性增厚操作和属性变薄操作，假设对灰度图像进行n次属性增厚操作、n次属性变薄操作，则得到2n个EAPs，加上原有的1个灰度图像，则一系列EAPs为2n+1个EAPs，请参见图5，图5为本发明实施例提供的一种扩展属性配置文件的框架图。

S5、将若干所述扩展属性配置文件的数据与标准数据集(groundtruth)融合，得到融合样本，利用所述融合样本对支持向量机进行训练，并利用训练好的所述支持向量机对若干所述扩展属性配置文件进行分类，得到分类结果；

进一步地，融合的过程为：首先将groudtruth中标记不为0的像素点找出来，并记下每个满足条件的像素点在groudtruth中的标记值，然后再找这些满足条件的像素点在EAPs中对应的像素值，将这两部分结合起来组成全部的样本数据，即为融合样本。具体地，以EAPs有36个EAP即36个图像为例，groundtruth中有一个标记为3的像素点A，那么给A的第一个数据就是它的标记值3，得到A的第1个数据，接着在EAPs中找A对应位置的像素值，就可以得到36个像素值，也就是36个数据，将这两部分数据结合，也就是A用这37个数据表示，从而生成了一个样本数据；EAPs中所有满足条件的像素点都用类似方法与groudtruth融合，就得到融合样本。

进一步地，利用所述融合样本对支持向量机进行训练，包括：选取所述融合样本中预设比例的数据作为训练样本，剩余数据作为测试样本，对支持向量机进行训练。具体地，本发明实施例选取训练样本的比例为40％～60％，优选地，选取训练样本的比例为50％。进一步地，选取50％的数据进行训练，用剩余50％数据进行测试得到训练的精度，当训练达到一定精度时，SVM即训练好。

然后，将所有的EAPs输入到训练好的支持向量机中，对EAPs进行分类，得到分类结果。

S6、根据所述分类结果计算分类精度；

进一步的，分类精度为分类正确的像素点个数与所有像素点个数的比值。通过计算分类精度，对比本发明实施例的方法与传统方法，得到该方法的分类精度优于传统方法的分类精度；其中，传统方法是指：在以属性配制文件为基础，进行高光谱图像分类时，采用传统PCA、选择面积属性、人工选择阈值的方法；具体的，请参见表1，表1为本发明实施例的方法与传统方法的分类结果对比表，表1中的数值越接近1，说明分类精度越高，数值为1说明该类别识别全部正确；本发明实施例方法得到的分类结果在平均分类精度(OA)上高于传统方法的分类精度，在整体分类精度(AA)上与传统方法的分类精度相近，而且本发明实施例方法的自动化处理更好。

	本发明实施例方法	传统方法
			Asphalt(柏油)	0.993	0.979
Meadows(草地)	0.996	0.994
			Gravel(砂砾)	0.975	0.982
Trees(树)	0.998	0.995
			Painted Metal sheets(金属板画)	1	1
Bare soil(裸地)	0.990	0.989
			Bitumen(沥青)	1	1
Self-Blocking Bricks(隔断砖)	0.988	0.985
			Shadows(阴影)	1	1
平均分类精度(OA)	0.993	0.965
			整体分类精度(AA)	0.994	0.998

表1本发明实施例的方法与传统方法的分类结果对比表

本发明实施例生成属性配置文件过程中采用根据目标特征和形态学属性选取阈值的算法，减少了算法实现过程中人工确定多个阈值相关参数的步骤，减少了对人工经验的依赖程度，提高了计算速度，并且改善了分类结果，提高了分类精度。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims

1.一种基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，包括步骤：

将若干所述扩展属性配置文件的数据与标准数据集融合，得到融合样本，利用所述融合样本对支持向量机进行训练，并利用训练好的所述支持向量机对若干所述扩展属性配置文件进行分类，得到分类结果；

其中，所述将所述灰度图像生成树结构，统计所述树结构的目标特征及所述树结构中每个结点的形态学属性，并根据所述目标特征和所述形态学属性选取阈值包括：

将所述灰度图像生成最大树，统计所述最大树的树层数和所述最大树中每个结点的面积属性；所述面积属性包括第一面积和第二面积；第一面积为面积属性中的最大面积，第二面积为面积属性中的最小面积；

根据所述树层数、所述第一面积和所述第二面积选取阈值；

选取阈值的公式为：

λ_a＝{a_min,a_min+δ_a,a_min+2δ_a...,a_max}

其中，a_min＝y，a_max＝x，

λ_a为阈值，x为最大面积，y为最小面积，p为树层数；

所述属性滤波操作包括属性增厚操作和属性变薄操作，所述属性滤波操作的公式为：

是L个有序的判决条件T的序列，λ表示阈值。

2.如权利要求1所述的基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，对待分类高光谱图像进行降维操作，得到目标成分的灰度图像之前，包括：

对原始高光谱图像进行归一化操作，得到第一高光谱图像；

3.如权利要求1所述的基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，对待分类高光谱图像进行降维操作，得到目标成分的灰度图像，包括：

对所述目标成分图像进行归一化操作，得到所述灰度图像。

4.如权利要求1所述的基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，所述目标成分包括累积方差大于99％的主成分，所述灰度图像的像素值为0～255。

5.如权利要求1所述的基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，利用所述融合样本对支持向量机进行训练，包括：

6.如权利要求5所述的基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，

所述预设比例范围为40％～60％。

7.如权利要求1所述的基于PCA和属性配置文件的高光谱图像分类方法，其特征在于，得到分类结果之后，还包括：

根据所述分类结果计算分类精度。