CN110232317B - 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 - Google Patents
基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 Download PDFInfo
- Publication number
- CN110232317B CN110232317B CN201910367171.0A CN201910367171A CN110232317B CN 110232317 B CN110232317 B CN 110232317B CN 201910367171 A CN201910367171 A CN 201910367171A CN 110232317 B CN110232317 B CN 110232317B
- Authority
- CN
- China
- Prior art keywords
- training sample
- sample data
- classification
- superpixel
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012417 linear regression Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 4
- 238000004422 calculation algorithm Methods 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- MYSWGUAQZAJSOK-UHFFFAOYSA-N ciprofloxacin Chemical compound C12=CC(N3CCNCC3)=C(F)C=C2C(=O)C(C(=O)O)=CN1C1CC1 MYSWGUAQZAJSOK-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种基于超像素分割及两阶段分类策略的超光谱图像分类方法，包括以下步骤：A、准备待处理的超光谱图像以及初始训练样本数据集；B、对超光谱图像执行超像素分割处理，并判断超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的初始训练样本数据只属于一类时，将超像素数据中的所有数据分类到与初始训练样本数据相同的类，并将已分类超像素数据添加到初始训练样本数据集，以生成扩大的训练样本数据集；C、判断超光谱图像中的数据是否已分类到一个类，若否，则基于扩大训练样本数据集对未进行分类的数据实施第二分类处理。
Description
技术领域
本发明涉及超光谱图像处理领域，特别涉及一种基于超像素分割及两阶段分类策略的超光谱图像分类方法。
背景技术
谱-空间高光谱图像分类(HIC)方法是先进的HIC方法。与那些仅使用光谱信息的方法相比，谱-空间HIC方法结合光谱和空间信息进一步改善分类精度。近年来，基于超像素的方法已经受到越来越多的关注。超像素由许多具有相似光谱特征的一个小区域的像素组成。超像素在表征HSI中的空间背景信息方面发挥着重要作用。
由于超像素对HSI中物体空间结构的强大表现能力，近年来已经提出了许多基于超像素分割的谱-空间HIC方法。文献[1]中提出了一种基于超像素和极限学习机的HIC框架；文献 [3]中提出了一种基于超像素聚类策略和模糊逻辑组合规则的改进的谱-空间分类框架。文献[4] 中将支持向量机(SVM)和超像素分割结合在一起用于HIC。文献[5]中通过多核(SC-MK) 引入了基于超像素的分类，利用均值滤波器和加权平均滤波器来提取超像素内的空间特征，提出了一种基于超像素的多核(SC-MK)HIC方法。文献[6]提出了超像素级高光谱图像的SRC 框架。文献[7]基于多尺度超像素稀疏表示来利用多尺度超像素的谱-空间信息。文献[8]中提出了一种基于集合到集合的距离的基于超像素过分割技术的谱-空间分类方法。文献[9]中提出了一种基于区域的松弛多核协作表示方法，称为R2MK。文献[10]中利用超像素提取空间光谱特征，并为HIC提出了一个基于超像素的多任务学习框架。文献[11]中提出了一种基于局部二值模式(LBP)的HIC超像素级决策融合方法。文献[2]将基于超像素的分裂增广拉格朗日收缩算法(SuperSALSA)用于解决基于超像素的空间凸正则化问题。
在上面提到的那些基于超像素的HIC方法中，熵率超像素(ERS)[12]算法是一种基于图形的方法，可以形成均匀聚类，已被广泛用于超像素分割[6,8,9,11,13,14]。另一种超像素分割算法是简单线性迭代聚类(SLIC)[15]，最初是为了在CILAB色图中着色图像而引入的，参见文献[2,16,17]。
另外，在HIC[18,19]中，获得已知类别标签的训练样本通常是困难并且成本高昂，并且小标签训练样本量(SLTSS)问题仍然是超光谱图像(HSI)分类中的一个重要的亟待解决的问题，该问题影响超光谱图像分类精确度。
发明内容
本发明针对谱-空间高光谱图像分类中的小标签训练样本量问题，提出一种基于超像素分割及两阶段分类策略的超光谱图像分类方法。
首先，本发明提出一种基于超像素分割及两阶段分类策略的超光谱图像分类方法，包括以下步骤：
A、准备待处理的超光谱图像以及初始训练样本数据集；
B、对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只属于一类时，将所述超像素数据中的所有数据分类到与所述初始训练样本数据相同的类，并将所述已分类超像素数据添加到初始训练样本数据集，以生成扩大的训练样本数据集；
C、判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的数据实施第二分类处理。
进一步，在本发明所提出的上述方法中，所述第二分类处理所使用的分类器为加权线性回归分类器。
进一步，在本发明所提出的上述方法中，在所述加权线性回归分类器中包括距离加权项。
进一步，在本发明所提出的上述方法中，所述距离加权项包括第一权重参数和第二权重参数。
进一步，在本发明所提出的上述方法中，所述第一权重参数权衡空间信息，所述第二权重参数权衡光谱信息。
其次，本发明提出一种基于超像素分割及两阶段分类策略的超光谱图像分类装置，包括以下模块：
初始化模块，用于准备待处理的超光谱图像以及初始训练样本数据集，其中，所述训练样本数据集包括分类到至少一个类的样本数据；
第一分类模块，用于对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只分类到一个类时，将所述超像素数据像中的所有数据分类到与所属初始训练样本数据相同的类，并将所述数据补充到初始样本数据集，以生成扩大训练样本数据集；
第二分类模块，用于判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的数据实施第二分类处理。
最后，本发明提出一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益成果是：通过本发明所提出的方法，能够扩大训练样本，解决现有技术中存在的小标签训练样本量问题，以提高超光谱图像分类精确度。
附图说明
图1为本发明提出的一种基于超像素分割及两阶段分类策略的超光谱图像分类方法的第一实施例的流程图；
图2本发明提出的一种基于超像素分割及分类提高超光谱图像分类精度的装置的第二实施例的框架图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本申请中所使用的上、下、左、右等描述仅仅是相对于附图中本申请各组成部分的相互位置关系来说的。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本文及附图所描述的示例性实施例不应视为限制。在不脱离本文和权利要求的范围的情况下，可以进行各种机械的、组成的、结构的、电气的和操作性的变形，包括等同物。在某些情况下，未详细示出或描述公知的结构和技术，以免与本公开混淆。两幅或多幅图表中的相同的附图标记表示相同或类似的元件。此外，参考一个实施例所详细描述的元件及其相关特征，可以在任何可行的情况下包括在未具体示出或描述它们的其他实施例中。例如，如果参考一个实施例详细描述了某个元件，并且没有参考第二实施例描述该元件，则也可以主张包括该元件在第二实施例中。
此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本申请中可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本申请范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”。
在本发明的实施例中，方法步骤可以按另一个顺序执行。本发明并不限于所述的方法步骤确定的顺序。
参照图1所示的本发明提出的一种基于超像素分割及两阶段分类策略的超光谱图像分类方法的第一实施例的流程图，在图中示出了以下步骤：
A、准备待处理的超光谱图像以及初始训练样本数据集；
B、对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只属于一类时，将所述超像素数据中的所有数据分类到与所述初始训练样本数据相同的类，并将所述已分类超像素数据添加到初始训练样本数据集，以生成扩大的训练样本数据集；
C、判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的数据实施第二分类处理。
优选地，在本发明的一个实施例中，上述的初始训练样本数据集是随机选取的。
优选地，在本发明的一个实施例中，上述的初始训练样本数据集包含一些已知的分类数据。
优选地，在本发明的在本发明的一个实施例中，上述步骤B还包括以下子步骤：
B1、当超像素数据所包含的初始训练样本数据归类到多于一个类时，则应用第二分类处理方法进行处理。
具体地，在本发明的一个实施例中，第一分类处理目的是将能够通过简单判断即可进行归类的数据进行归类，例如包含训练样本数据的超像素数据，并扩大训练样本集。
优选地，在本发明的一个实施例中，所述第二分类处理所使用的分类器为加权线性回归分类器。
优选地，在本发明的一个实施例中，在所述加权线性回归分类器中包括距离加权项。
优选地，在本发明的一个实施例中，所述距离加权项包括第一权重参数和第二权重参数。
优选地，在本发明的一个实施例中，所述第一权重参数权衡空间信息，所述第二权重参数权衡光谱信息。
具体地，上述的第二分类处理称为基于距离加权的线性回归分类(DWLRC)，在本发明中，其推导的过程如下：
假设在给定的HSI数据集H中有C种已知的分类，令
为第i类的ni个训练样本所组成的矩阵，l为超光谱图像的波段数，
为具有空间坐标
的 Ai中的第j个样本。定义A＝[A1,…,AC]∈Rl×n，其中
为训练样本的总数。令b∈Rl×1为具有空间坐标(xt,yt)的测试样本。
则基于线性回归(LRC)的分类方法第一步需要求解下列等式(1)中的最小二乘问题：
然后通过下列等式(2)确定测试样本b：
由于LRC并不应用到对于HIC来说非常重要的空间信息，因此，通过LRC算法得到的HIC精度不如理想。在本发明中所提出的DWLRC方法，是在上述等式(1)中加入了距离加权项的基础上得到下列等式(3)，因此问题变成了如何求解下列等式的最优解：
在等式(3)中，λ为正则化参数，Wi,b为距离加权的对角矩阵，其通过下列等式(4)进行定义：
并通过下列等式(5)，重新定义距离加权的对角矩阵W′i,b，其中，Γi,b为Tikhonov矩阵，其表达式通过等式(6)给出，其只包含Ai和b两项的光谱信息。
在等式(5)中，r1为权衡光谱信息的权重参数，r2为权衡空间信息的权重参数。
W′i,b＝r1·Wi,b+r1·Γi,b (5)
上述等式(3)存在如下等式(7)的解：
得出解
后，可以通过等式(2)确定出b。
优选地，在本发明的一个实施例中，第一权重参数为r2，第二权重参数为r1，且此处中，第一及第二的表述方式并不表示顺序，而仅仅为了区分开两个分别权衡光谱信息和空间信息的参数。
具体地，在本发明的一个实施例中，所提出的基于超像素分割及两阶段分类策略的超光谱图像分类方法(STSE DWLR)通过以下的伪代码进一步进行解释说明：
输入：具有l个波段np个像素的HSI数据集H，训练样本矩阵A以及训练样本标签向量Lbs；
1)基于RCSPP算法(基于区域类聚的空间预处理)进行超像素分割：
令{Spi|i＝1,2,…,nsp}为所获取的超像素数据集，nsp为超像素的总数；
2)训练样本扩大(第一分类)
3)使用扩大的训练样本A及Lbs，应用DWLRC算法对所有未分类超像素实施分类(第二分类)：
输出：关于H的分类结果
具体地，上述的A步骤基于区域聚类的空间预处理(RCSPP)，首先通过等距采样过程选择一些初始的聚类中心。然后，将每个聚类中心的邻域设置为聚类中心周围的矩形，以限制聚类搜索范围以降低计算复杂度。在主循环步骤中，对于每个聚类中心，算法采用距离标准来聚类局部邻域中的每个像素。每次迭代后，将更新新的集群中心以进行下一次迭代。
具体地，在上述的算法步骤中，应用了基于区域聚类的空间预处理(RCSPP)用于获得超像素初始HSI的细分。在完成超像素分割之后，将那些包含仅属于一个类的训练样本的超像素第一次搜索出来。如果超像素仅包含属于第c类的训练样本，则将该超像素的所有像素确定为c类。这是合理的。因为同一个超像素中的像素具有高度相似的特征，并且通常以极高的概率属于同一个类。将这些已分类的像素添加到训练样本集中，并应用于下一分类步骤。因此，上述的这个分类步骤也是超像素引导的训练样本集扩大步骤。该训练样本集扩大方法提供了解决SLTSS问题的策略，并且有利于HIC精度的提高。
参照图2所示的本发明提出的一种基于超像素分割及两阶段分类策略的超光谱图像分类装置的第二实施例的框架图，在本发明的一个实施例中，该装置包括以下模块：
初始化模块，用于准备待处理的超光谱图像以及初始训练样本数据集，其中，所述训练样本数据集包括分类到至少一个类的样本数据；
第一分类模块，用于对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只分类到一个类时，将所述超像素数据像中的所有数据分类到与所属初始训练样本数据相同的类，并将所述数据补充到初始样本数据集，以生成扩大训练样本数据集；
第二分类模块，用于判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的超像素实施第二分类处理。
优选地，在本发明的一个实施例中，上述的初始训练样本数据集是随机选取的。
优选地，在本发明的一个实施例中，上述第一分类模块还包括以下子模块：
判断处理子模块，用于当超像素数据所包含的初始训练样本数据归类到多于一个类时，则应用第二分类处理方法进行处理。
具体地，在本发明的一个实施例中，应用第一分类模块目的是将能够通过简单判断即可进行归类的数据进行归类，例如包含训练样本数据的超像素数据，并扩大训练样本集。
优选地，在本发明的一个实施例中，第二分类模块使用的分类器为加权线性回归分类器。
优选地，在本发明的一个实施例中，在所述加权线性回归分类器中包括距离加权项。
优选地，在本发明的一个实施例中，所述距离加权项包括第一权重参数和第二权重参数。
优选地，在本发明的一个实施例中，所述第一权重参数权衡空间信息，所述第二权重参数权衡光谱信息。
实验结果讨论
表1
为了验证本发明所提出的方法，与表1列出的六种算法进行了对比，其结果如表2、表3 及表4所示。
表2
表3
表4
其中，表2、表3和表4示出了上述七种算法分别对印度派恩斯、帕维亚大学和萨利纳斯三个不同的场景案例进行处理的对比情况。每个案例中，每类的训练样本数量为10个。在表2、表3、表4中的类分别表示的是图像中不同的事物。例如，表2中的目标包括苜蓿、玉米、大豆等植物，表3中的目标包括沥青、裸土、砖、砾石等，表4中的目标包括芹菜、葡萄、莴苣等植物。
在表2和表3中，通过本发明所提出的算法得到的OA、AA和KA的结果值都非常显著地比其他比较算法得到的结果更好。例如，在表2中，通过本发明所提出的算法得到的OA，AA和KA的值分别为2.29％，2.72％和2.64％高于其他比较算法中最高的算法。表3的这些值分别为5.24％，1.24％和6.70％高于其他比较算法中最高的算法。
表4中的OA，AA和KA的值表明，除了ULBPSPG算法外，本发明所提出的STSE DWLR 比其他比较算法的精确度更好。
最后，本发明提出一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
结论
本发明提出了一种基于超像素分割及两阶段分类策略的超光谱图像分类方法，并提供了一种具体的实现方案，通过实验结果的对比，证明了本发明的具体实现方案优于现有的一些最先进的算法，这也说明了本发明所提出的解决SLTSS问题的方法是合理并且是有效的。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作-根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
进一步，该方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
本文描述了本公开的实施例，包括发明人已知用于执行本发明的最佳模式。在阅读了上述描述后，这些所述实施例的变化对本领域的技术人员将变得明显。发明人希望技术人员视情况采用此类变型，并且发明人意图以不同于如本文具体描述的方式来实践本公开的实施例。因此，经适用的法律许可，本公开的范围包括在此所附的权利要求书中叙述的主题的所有修改和等效物。此外，本公开的范围涵盖其所有可能变型中的上述元素的任意组合，除非本文另外指示或以其他方式明显地与上下文矛盾。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
因此，应以说明性意义而不是限制性意义来理解本说明书和附图。然而，将明显的是：在不脱离如权利要求书中阐述的本申请的更宽广精神和范围的情况下，可以对本申请做出各种修改和改变。
其他变型在本申请的精神内。因此，尽管所公开的技术可容许各种修改和替代构造，但在附图中已示出并且在上文中详细描述所示的其某些实施例。然而，应当理解，并不意图将本申请局限于所公开的一种或多种具体形式；相反，其意图涵盖如所附权利要求书中所限定落在本申请的精神和范围内的所有修改、替代构造和等效物。
参考文献：
[1]W.Duan,S.Li,and L.Fang,“Spectral-spatial hyperspectral imageclassification using superpixel and extreme learning machines,”in ChineseConference on Pattern Recognition. Springer,2014,pp.159–167.
[2]Y.Liu,F.Condessa,J.M.Bioucas-Dias,J.Li,P.Du,and A.Plaza,“ConvexFormulation for Multiband Image Classification With Superpixel-Based SpatialRegularization,”IEEE Transactions on Geoscience and Remote Sensing,vol.PP,no.99,pp.1–18,2018.
[3]Z.Chen and B.Wang,“An improved spectral-spatial classificationframework for hyperspectral remote sensing images,”in 2014InternationalConference on Audio,Language and Image Processing,Jul.2014,pp.532–536.
[4]Z.He,Y.Shen,M.Zhang,Q.Wang,Y.Wang,and R.Yu,
“Spectral-spatial hyperspectral image classification via SVM andsuperpixel segmentation,”in 2014IEEE International Instrumentation andMeasurement Technology Conference(I2MTC) Proceedings,May 2014,pp.422–427.
[5]L.Fang,S.Li,W.Duan,J.Ren,and J.A.Benediktsson,“Classification ofhyperspectral images by exploiting spectral-patial information of superpixelvia multiple kernels,”IEEE Transactions on Geoscience and Remote Sensing,vol.53,no.12,pp.6663–6674,2015.
[6]J.Li,H.Zhang,and L.Zhang,“Efficient Superpixel-Level MultitaskJoint Sparse Representation for Hyperspectral Image Classification,”IEEETransactions on Geoscience and Remote Sensing,vol.53,no.10,pp.5338–5351,Oct.2015.
[7]S.Zhang and S.Li,“Spectral-spatial classification of hyperspectralimages via multiscale superpixels based sparse representation,”in 2016 IEEEInternational Geoscience and Remote Sensing Symposium(IGARSS),Jul.2016,pp.2423–2426.
[8]T.Lu,S.Li,L.Fang,L.Bruzzone,and J.A.Benediktsson,“Set-to-SetDistance-Based Spectral-Spatial Classification of Hyperspectral Images,”IEEETransactions on Geoscience and Remote Sensing,vol.54,no.12,pp.7122–7134,Dec.2016.
[9]J.Liu,Z.Wu,Z.Xiao,and J.Yang,“Region-Based Relaxed Multiple KernelCollaborative Representation for Hyperspectral Image Classification,”IEEEAccess,vol.5,pp.20 921–20 933, 2017.
[10]S.Jia,B.Deng,J.Zhu,X.Jia,and Q.Li,“Superpixel-Based MultitaskLearning Framework for Hyperspectral Image Classification,”IEEE Transactionson Geoscience
and Remote Sensing,vol.55,no.5,pp.2575–2588,May 2017.
[11]S.Jia,B.Deng,J.Zhu,X.Jia,and Q.Li,“Local binary pattern-basedhyperspectral image classification with superpixel guidance,”IEEETransactions on Geoscience and Remote Sensing, vol.56,no.2,pp.749–759,Feb.2018.
[12]M.-Y.Liu,O.Tuzel,S.Ramalingam,and R.Chellappa,“Entropy ratesuperpixel segmentation,”in Computer Vision and Pattern Recognition(CVPR),2011 IEEE Conference on. IEEE,2011,pp.2097–2104.
[13]T.Priya,S.Prasad,and H.Wu,“Superpixels for Spatially ReinforcedBayesian Classification of Hyperspectral Images,”IEEE Geoscience and RemoteSensing Letters,vol.12,no. 5,pp.1071–1075,May 2015.
[14]J.Fan,T.Chen,and S.Lu,“Superpixel Guided Deep-Sparse-Representation Learning For Hyperspectral Image Classification,”IEEETransactions on Circuits and Systems for Video Technology,vol.PP,no.99,pp.1–1,2017.
[15]R.Achanta,A.Shaji,K.Smith,A.Lucchi,P.Fua,and S.Susstrunk,“SLICsuperpixels compared to state-ofthe-art superpixel methods,”IEEE Transactionson Pattern Analysis and Machine Intelligence,vol.34,no.11,pp.2274–2282,2012.
[16]S.Li,X.Jia,and B.Zhang,“Superpixel-based Markov random field forclassification of hyperspectral images,”in 2013 IEEE International Geoscienceand Remote Sensing Symposium- IGARSS,Jul.2013,pp.3491–3494.
[17]Y.Liu,G.Cao,Q.Sun,and M.Siegel,“Hyperspectral classification viadeep networks and superpixel segmentation,”International Journal of RemoteSensing,vol.36,no.13,pp. 3459–3482,2015.
Claims (3)
1.一种基于超像素分割及两阶段分类策略的超光谱图像分类方法，其特征在于，包括以下步骤：
A、准备待处理的超光谱图像以及初始训练样本数据集；
B、对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只属于一类时，将所述超像素数据中的所有数据分类到与所述初始训练样本数据相同的类，并将已分类的超像素数据添加到初始训练样本数据集，以生成扩大的训练样本数据集；
C、判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的数据实施第二分类处理；其中，
所述第二分类处理所使用的分类器为加权线性回归分类器，在所述加权线性回归分类器中包括距离加权项，所述距离加权项包括第一权重参数和第二权重参数，并且，所述第一权重参数为用于权衡空间信息的权重参数，所述第二权重参数为用于权衡光谱信息的权重参数。
2.一种基于超像素分割及两阶段分类策略的超光谱图像分类装置，其特征在于，包括以下模块：
初始化模块，用于准备待处理的超光谱图像以及初始训练样本数据集，其中，所述训练样本数据集包括分类到至少一个类的样本数据；
第一分类模块，用于对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只分类到一个类时，将所述超像素数据像中的所有数据分类到与所属初始训练样本数据相同的类，并将已分类的数据补充到初始样本数据集，以生成扩大训练样本数据集；
第二分类模块，用于判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的数据实施第二分类处理；其中，
所述第二分类处理所使用的分类器为加权线性回归分类器，在所述加权线性回归分类器中包括距离加权项，所述距离加权项包括第一权重参数和第二权重参数，并且，所述第一权重参数为用于权衡空间信息的权重参数，所述第二权重参数为用于权衡光谱信息的权重参数。
3.一种计算机可读存储介质，其上储存有计算机程序，其特征在于所述计算机程序被处理器执行时实现如权利要求1中所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367171.0A CN110232317B (zh) | 2019-05-05 | 2019-05-05 | 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367171.0A CN110232317B (zh) | 2019-05-05 | 2019-05-05 | 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110232317A CN110232317A (zh) | 2019-09-13 |
| CN110232317B true CN110232317B (zh) | 2023-01-03 |
Family
ID=67860421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910367171.0A Active CN110232317B (zh) | 2019-05-05 | 2019-05-05 | 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232317B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101381B (zh) * | 2020-08-30 | 2022-10-28 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 张量协作图判别分析遥感图像特征提取方法 |
| CN112417188B (zh) * | 2020-12-10 | 2022-05-24 | 桂林电子科技大学 | 一种基于图模型的高光谱图像分类方法 |
| CN112950654B (zh) * | 2021-02-26 | 2022-12-06 | 南京理工大学 | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 |
| CN113963198B (zh) * | 2021-10-09 | 2024-08-09 | 山东农业大学 | 一种高光谱图像分类方法、装置、存储介质及终端 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6075891A (en) * | 1998-07-06 | 2000-06-13 | General Dynamics Government Systems Corporation | Non-literal pattern recognition method and system for hyperspectral imagery exploitation |
| CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
| CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
| CN105787430A (zh) * | 2016-01-12 | 2016-07-20 | 南通航运职业技术学院 | 加权协同表征与线性表示分类相融合的二级人脸识别方法 |
| WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
| CN108764309A (zh) * | 2018-05-16 | 2018-11-06 | 五邑大学 | 一种递进式动态高光谱图像分类方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060269140A1 (en) * | 2005-03-15 | 2006-11-30 | Ramsay Thomas E | System and method for identifying feature of interest in hyperspectral data |
| WO2010111545A1 (en) * | 2009-03-25 | 2010-09-30 | Trustees Of Boston University | Classification techniques for medical diagnostics using optical spectroscopy |
| US10311566B2 (en) * | 2015-06-12 | 2019-06-04 | International Business Machines Corporation | Methods and systems for automatically determining image characteristics serving as a basis for a diagnosis associated with an image study type |
| US10806334B2 (en) * | 2017-02-28 | 2020-10-20 | Verily Life Sciences Llc | System and method for multiclass classification of images using a programmable light source |
| US10936921B2 (en) * | 2017-06-15 | 2021-03-02 | Spynsite Llc | Machine learning and/or image processing for spectral object classification |
-
2019
- 2019-05-05 CN CN201910367171.0A patent/CN110232317B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6075891A (en) * | 1998-07-06 | 2000-06-13 | General Dynamics Government Systems Corporation | Non-literal pattern recognition method and system for hyperspectral imagery exploitation |
| CN105303198A (zh) * | 2015-11-17 | 2016-02-03 | 福州大学 | 一种自定步长学习的遥感影像半监督分类方法 |
| CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
| CN105787430A (zh) * | 2016-01-12 | 2016-07-20 | 南通航运职业技术学院 | 加权协同表征与线性表示分类相融合的二级人脸识别方法 |
| WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
| CN108764309A (zh) * | 2018-05-16 | 2018-11-06 | 五邑大学 | 一种递进式动态高光谱图像分类方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于主动学习和空间约束的高光谱影像分类;敖平平等;《测绘与空间地理信息》;20180825(第08期);全文 * |
| 基于超像素分割的形态学标准差属性剖面特征自动生成;陈军丽等;《工业控制计算机》;20180325(第03期);全文 * |
| 融合光谱-空间信息的高光谱遥感影像增量分类算法;王俊淑等;《测绘学报》;20150915(第09期);全文 * |
| 融合空谱特征和集成超限学习机的高光谱图像分类;谷雨等;《测绘学报》;20180915(第09期);全文 * |
| 超像素与主动学习相结合的遥感影像变化检测方法;王成军等;《地球信息科学学报》;20180228(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110232317A (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232317B (zh) | 基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质 | |
| Yu et al. | Multiscale superpixel-level subspace-based support vector machines for hyperspectral image classification | |
| Zhao et al. | Superpixel-based multiple local CNN for panchromatic and multispectral image classification | |
| Hang et al. | Matrix-based discriminant subspace ensemble for hyperspectral image spatial–spectral feature fusion | |
| Nguyen et al. | Optimal feature selection for support vector machines | |
| Yang et al. | Superpixel-based unsupervised band selection for classification of hyperspectral images | |
| Song et al. | Hyperspectral image classification based on KNN sparse representation | |
| Jia et al. | Flexible Gabor-based superpixel-level unsupervised LDA for hyperspectral image classification | |
| Imani | Anomaly detection using morphology-based collaborative representation in hyperspectral imagery | |
| CN111563544B (zh) | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 | |
| US10810433B2 (en) | Method and system for tracking objects | |
| Kumar et al. | Spectral–spatial classification of hyperspectral imagery based on moment invariants | |
| Tu et al. | Feature extraction via 3-D block characteristics sharing for hyperspectral image classification | |
| Borhani et al. | Hyperspectral image classification based on spectral-spatial features using probabilistic SVM and locally weighted Markov random fields | |
| Prasad et al. | Segmented mixture-of-Gaussian classification for hyperspectral image analysis | |
| Liu et al. | Region-based relaxed multiple kernel collaborative representation for hyperspectral image classification | |
| Shu et al. | Learning spatial–spectral features for hyperspectral image classification | |
| Shang et al. | Iterative spatial-spectral training sample augmentation for effective hyperspectral image classification | |
| Sun et al. | A label similarity probability filter for hyperspectral image postclassification | |
| Liu et al. | Kernel low-rank representation based on local similarity for hyperspectral image classification | |
| Li et al. | A dual-kernel spectral-spatial classification approach for hyperspectral images based on Mahalanobis distance metric learning | |
| Zhang et al. | Spatially constrained Bag-of-Visual-Words for hyperspectral image classification | |
| Zhang et al. | Locally homogeneous covariance matrix representation for hyperspectral image classification | |
| Wang et al. | Fast high-order sparse subspace clustering with cumulative MRF for hyperspectral images | |
| Sun et al. | Hyperspectral classification employing spatial–spectral low rank representation in hidden fields |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230116 Address after: 529000 room 1101, building 6, No. 10, Huangzhuang Avenue West, Pengjiang district, Jiangmen City, Guangdong Province Patentee after: Jiangmen Huaxun ark Technology Co.,Ltd. Address before: No.22, Dongcheng village, Pengjiang district, Jiangmen City, Guangdong Province Patentee before: WUYI University |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Hyperspectral image classification method, device, and medium based on superpixel segmentation and two-stage classification strategy Effective date of registration: 20231124 Granted publication date: 20230103 Pledgee: Jiangmen Rural Commercial Bank Co.,Ltd. Huanshi Branch Pledgor: Jiangmen Huaxun ark Technology Co.,Ltd. Registration number: Y2023980067379 |