CN110298414B - 基于去噪组合降维和引导滤波的高光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于去噪组合降维和引导滤波的高光谱图像分类方法，其实现步骤为：(1)读取高光谱图像数据集；(2)对数据集进行最小噪声分离变换；(3)对分离变换后的结果进行组合降维；(4)使用主成分分析降维得到引导滤波输入图像，使用独立成分分析降维得到引导图像；(5)将包含信息量最多的若干主成分作为输入图像，将包含统计信息最多第一独立成分作为引导图像；(6)应用依次增加的滤波半径进行引导滤波得到多尺度空间特征；(7)利用支持向量机进行分类。本发明主要解决了现有技术对空间特征利用不充分及小数量样本分类难的问题，降低了计算复杂度，提高了分类效果。

Description

基于去噪组合降维和引导滤波的高光谱图像分类方法

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中的一种基于去噪组合降维和引导滤波的高光谱图像分类方法。本发明可应用于对资源勘探森林覆盖、灾害监测中的地物进行分类与目标识别。

背景技术

高光谱采用数十个乃至数百个很窄光谱波段对地物进行遥感成像，从而获取高光谱分辨率影像。高光谱图像分类技术的关键在于，利用小数量的训练样本获得较高的分类精度。初期，高光谱图像主要是利用光谱信息进行分类，而近几年研究者发现，高光谱图像的空间信息也十分重要，因此，如何同时并且充分地利用空间信息成为提高高光谱图像分类精度的关键。

山东女子学院在其申请的专利文献“一种融合多尺度空间特征的DCNN高光谱图像分类方法”(专利申请号：201811604873.8，申请公布号：CN 109726757 A)中提出了一种深度空间特征提取的方法用于高光谱图像分类。该方法对高光谱图像进行主成分分析降维后，将引导图像和输入图像输入到引导滤波中进行特征提取，然后利用支持向量SVM进行分类。该方法存在的不足之处是，对空间信息的利用不够充分，仅使用了一种主成分分析降维，无法得到高光谱图像的统计信息，所以由主成分分析降维得到的引导图像对高光谱的统计特征提取不完全；此外，该方法将得到的空间特征以像素的形式输入到卷积神经网络中进行训练，空间邻域特征利用不充分，计算复杂度较大，导致分类耗时过长。

西安电子科技大学在其申请的专利文献“基于空间坐标与空谱特征融合的高光谱分类方法”(专利申请号：201710644479.6，申请公布号：CN 107451614 A)中提出了一种基于空间坐标与空谱特征融合的高光谱图像分类方法。该方法的步骤如下：1、对高光谱图像进行空间邻域划分采样。2、将空间坐标作为空间特征，并将空间特征与光谱特征分别利用支持向量机进行分类。3、将分类所得像素点属于每类的概率作为概率特征。4、将空间特征分类得到的概率特征与光谱特征所得概率特征融合。5、利用支持向量机进行分类，得出最终分类结果。该方法存在的不足之处是，高光谱图像的空间信息利用不足，仅利用了空间坐标来获得空间特征，而空间坐标对于样本分布不集中的高光谱图像分类精确度不好。

王雷光等人在其发表的论文“高光谱影像的引导滤波多尺度特征提取”(遥感学报,[J].2018，22(2):293-303)中提出了一种利用引导滤波来提取高光谱图像多尺度空间特征的方法。首先，利用主成分分析降维对高光谱影像进行降维，突出主要特征；然后将由主成分分析降维得到的第一主成分作为引导影像，将包含信息量最多的若干主成分作为输入影像，应用依次增加的滤波半径对输入图像分别进行引导滤波处理提取多个尺度的空间特征，获得图像不同尺度的空间信息；最后将多尺度空间特征输入分类器中进行图像监督分类。该方法存在的不足之处是，对含有噪声的未预处理图像直接进行分类，导致分类精度降低，且该方法仅利用了主成分分析降维来获取空间特征，高光谱图像的空间信息利用不足，而主成分分析降维得到的引导图像对样本量很少的地物类别分类精确度不好。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于去噪组合降维和引导滤波的高光谱图像分类方法，通过对去噪之后的图像进行组合降维来获得具有抗噪能力的引导滤波输入图像和具有统计信息的引导图像，同时使用引导滤波获取高光谱图像的多尺度空间特征，用于解决现有高光谱图像分类方法中分类精度不高，空间信息利用不充分，样本分布不集中或样本量很少的地物类别分类效果不好的问题。

实现本发明目的的思路是，先对输入的高光谱图像进行最小噪声分离变换，去除噪声分量，然后对去噪后的图像分别采用主成分分析降维和独立成分分析降维，将主成分分析降维得到的图像作为引导滤波的输入图像，将独立成分分析降维得到的图像作为引导滤波的引导图像，然后利用引导滤波的引导图像对引导滤波的输入图像进行多尺度引导滤波，得到多尺度引导滤波空间特征，将得到的多尺度引导滤波空间特征进行深度上的堆叠得到多尺度引导滤波空间特征集，最后将多尺度引导滤波空间特征集输入到支持向量机中进行分类。

为实现上述目的，本发明的技术方案包括如下：

(1)输入高光谱图像：

输入一幅高光谱图像，该高光谱图像是一个特征立方体F∈R^m×n×b，高光谱图像中每个波段对应特征立方体中的一个二维矩阵F_i∈R^m×n，其中，∈表示属于符号，R表示实数域符号，m表示高光谱图像的长，n表示高光谱图像的宽，b表示高光谱图像的光谱波段总数，i表示高光谱图像中光谱波段的序号，i＝1,2,…,b；

(2)对输入图像进行预处理；

利用最小噪声分离变换MNF方法，对输入的高光谱图像进行最小噪声分离变换，得到最小噪声分离变换MNF分量；

(3)主成分分析降维；

利用主成分分析PCA方法，对最小噪声分离变换MNF分量进行降维，从降维后的最小噪声分离变换MNF分量按维度顺序从中提取前15个主成分，组成具有抗噪声能力的引导滤波的输入图像；

(4)独立成分分析降维；

(4a)利用独立成分分析ICA方法，对最小噪声分离变换MNF分量进行降维，得到降维后具有统计信息的最小噪声分离变换MNF分量；

(4b)从降维后的最小噪声分离变换MNF分量按维度顺序从中提取第1个独立成分作为引导滤波的引导图像；

(5)获取多尺度引导滤波空间特征；

利用3×3、5×5、7×7像素大小的窗口对引导滤波的输入图像进行引导滤波，得到所有引导滤波输入图像的多尺度引导滤波空间特征；

(6)特征堆叠；

将所有引导滤波输入图像的多尺度引导滤波空间特征进行堆叠，堆叠按照半径依次增大的顺序，得到多尺度引导滤波空间特征集；

(7)支持向量机SVM分类；

将多尺度引导滤波空间特征集输入到支持向量机SVM进行分类，完成高光谱图像分类。

本发明与现有技术相比具有如下优点：

第一、本发明使用了最小噪声分离变换对输入图像进行预处理，用于去除输入图像中的噪声，克服了现有技术中对含有噪声的未预处理图像直接进行分类，导致分类精度降低的不足，使得本发明具有图像抗噪声干扰能力的优点，提高了高光谱图像中地物的分类精度。

第二、本发明使用了独立成分分析降维来获取引导滤波的引导图像，克服了仅使用一种主成分分析降维无法得到高光谱图像的统计信息，带来对高光谱图像的统计信息提取不完全的缺点，使得本发明分类特征图具有图像统计信息的优点，提高了高光谱图像中样本量很少的地物类别的分类精确度。

第三、本发明使用了多尺度引导滤波空间特征堆叠的方法，克服了将得到的空间特征以像素的形式输入到卷积神经网络中进行训练，空间邻域特征利用不充分的缺点，使得本发明充分利用了不同尺度空间上的结构差异来深层次的提取空间信息，类别数少的样本得到空间特征扩充，克服了小数量样本分类精度低的问题，并且降低了分类所需时间。

附图说明

图1是本发明的实现流程图；

图2是利用引导滤波提取多尺度引导滤波空间特征结构图。

具体实施方式

下面结合附图对本发明作进一步的详细描述。

参照图1，对本发明的具体实施作进一步的详细描述。

步骤1，输入高光谱图像。

输入一幅高光谱图像，该高光谱图像是一个特征立方体F∈R^m×n×b，高光谱图像中每个波段对应特征立方体中的一个二维矩阵F_i∈R^m×n，其中，∈表示属于符号，R表示实数域符号，m表示高光谱图像的长，n表示高光谱图像的宽，b表示高光谱图像的光谱波段总数，i表示高光谱图像中光谱波段的序号，i＝1,2,…,b。

步骤2，对输入图像进行预处理。

利用最小噪声分离变换MNF(Minimum Noise Fraction Rotation)方法，对输入的高光谱图像进行最小噪声分离变换，得到最小噪声分离变换MNF分量。

所述的最小噪声分离变换MNF方法的步骤如下：

第1步，将高光谱图像输入到高通滤波器中，输出高光谱图像的噪声协方差矩阵；

第2步，按照下式，对噪声协方差矩阵进行标准主成分变换：

D＝V^TCV

其中，D表示主成分变换后的对角矩阵，C表示输出高光谱图像的噪声协方差矩阵，V表示由噪声协方差矩阵C的特征向量组成的正交矩阵，T表示转置操作；

第3步，将V的转置矩阵与输入的高光谱图像相乘，得到去噪后的最小噪声分离变换MNF分量。

步骤3，主成分分析降维。

利用主成分分析PCA(Principal Component Analysis)方法，对最小噪声分离变换MNF分量进行降维，从降维后的最小噪声分离变换MNF分量按维度顺序从中提取前15个主成分，组成具有抗噪声能力的引导滤波的输入图像。

所述主成分分析PCA方法的步骤如下：

第1步，将最小噪声分离变换MNF分量中每个像素点的所有维光谱展开成一个光谱特征向量，将所有像素点的光谱特征向量按行排列组成光谱特征矩阵。

第2步，对光谱特征矩阵中每列元素求平均值，并用光谱特征矩阵中的每个元素分别减去该元素在光谱特征矩阵中对应列的平均值。

第3步，对光谱特征矩阵中每两列元素求协方差，构造光谱特征矩阵的协方差矩阵。

第4步，利用协方差矩阵的特征方程中的光谱特征向量，求每列元素对应的特征值。

第5步，将所有特征值按照从大到小排序，从排序中选择前15个特征值，将15个特征值分别对应的光谱特征向量按列组成主特征矩阵。

第6步，将最小噪声分离变换MNF分量投影到主特征矩阵上，得到降维后的最小噪声分离变换MNF分量。

步骤4，独立成分分析降维。

利用独立成分分析ICA(Independent Component Correlation Algorithm)方法，对最小噪声分离变换MNF分量进行降维，得到降维后具有统计信息的最小噪声分离变换MNF分量。

从降维后的最小噪声分离变换MNF分量按维度顺序从中提取第1个独立成分作为引导滤波的引导图像。

所述独立成分分析ICA方法的步骤如下：

第1步，将输入的高光谱图像表示为x＝As，其中，x表示输入的高光谱图像，A表示模型的混合矩阵，s表示所求分量；

第2步，将输入的高光谱图像中心化得到均值为零的向量，对该向量进行白化得到方差为1且各分量互不相关的向量z；

第3步，将独立成分分析ICA的最优方向A^-1设为w，则w中的第一分量w₁是当

的非高斯性四阶度量矩阵取最大时对应的值，第二分量w₂是当

的非高斯性四阶度量矩阵取最大时对应的值，第三分量w₃是当

的非高斯性四阶度量矩阵取最大时对应的值，得到独立成分分析ICA最优方向向量w＝(w₁,w₂,w₃)；

第4步，将最小噪声分离变换MNF分量，按照最优方向投影到低维空间中，得到降维后具有统计信息的最小噪声分离变换MNF分量。

步骤5，获取多尺度引导滤波空间特征。

利用3×3、5×5、7×7像素大小的窗口对引导滤波的输入图像进行引导滤波，得到所有引导滤波输入图像的多尺度引导滤波空间特征。

所述的对引导滤波的输入图像进行引导滤波的步骤如下：

第1步，从15张引导滤波的输入图像中任选一张未选过的图像；

第2步，将所选图像中每个像素点与其相邻的所有邻近像素点组成集合S，将引导图像中每个像素点与其相邻的所有邻近像素点组成集合T，按照下式，计算两个集合S和T的线性相关系数：

其中，a_k表示集合S＝{n₁,n₂,...,n_k}和T＝{t₁,t₂,...,t_d}的线性相关系数，k和d对应相等，当k分别取9，25，49三个值时，得到对应的三个不同的线性相关系数值，Σ表示求和操作，t_i表示引导图像上的第g个像素点的邻近像素点，n_i表示所选图像上的第p个像素点的邻近像素点，μ_p表示S集合中所有元素的均值，μ_g表示T集合中所有元素的均值，

表示T集合中所有元素的方差值；

第3步，按照下式，将引导滤波输入图像上的像素点进行引导滤波，得到线性变换值：

q＝a_k×g+b_k

b_k＝μ_p-a_k×μ_g

其中，q表示引导滤波后得到的线性变换值，b_k表示线性变换的偏移项；

第4步，将所选图像中所有像素点在三种线性相关系数下的线性变换值，组成多尺度空间特征矩阵，得到引导滤波输入图像的多尺度引导滤波空间特征；

第5步，判断是否选完所有引导滤波的输入图像，若是，则得到所有引导滤波输入图像的多尺度引导滤波空间特征，否则，执行第一步。

步骤6，特征堆叠。

将所有引导滤波输入图像的多尺度引导滤波空间特征进行堆叠，堆叠按照半径依次增大的顺序，得到多尺度引导滤波空间特征集。

所述的将多尺度引导滤波空间特征进行堆叠的步骤如下：

第1步，将15张引导滤波输入图像中的第一张图像，分别通过引导滤波三个3×3、5×5、7×7像素大小的窗口，得到三个特征向量

其中上角标表示第几张输入图像，下角标表示引导滤波窗口大小。

第2步，将剩余的14张引导滤波输入图像分别通过引导滤波三个3×3、5×5、7×7像素大小的窗口，得到特征向量

第3步，将所有的特征向量组成多尺度引导滤波空间特征集。

步骤7，支持向量机SVM分类。

将多尺度引导滤波空间特征集输入到支持向量机SVM(Support Vector Machine)进行分类，完成高光谱图像分类。

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：

本发明的仿真实验的硬件平台为：处理器为Inter Core i5-4210U，主频为1.70GHz，内存4GB。

本发明的仿真实验的软件平台为：Windows 10企业版64位操作系统和python 3.6进行仿真测试。

本发明的仿真实验中所使用到的高光谱图像数据集，是由AVIRIS sensor在印第安纳州西北部的Indian Pines测试场地上收集的Indian pines数据集以及ROSIS高光谱遥感卫星在意大利北部帕维亚大学拍摄获得的Pavia university数据集。

Indian pines数据集图像大小为145*145，具有200个光谱波段，包含16类地物，每类地物的类别与数量如表1所示。

Pavia university数据集图像大小为610*340，具有103个光谱波段，包含9类地物，每类地物的类别与数量如表2所示。

表1 Indian pines样本类别与数量

类标	地物类别	数量
			1	Alfalfa	46
2	Corn-notill	1428
			3	Corn-mintill	830
4	Corn	237
			5	Grass-pasture	483
6	Grass-trees	730
			7	Grass-pasture-mowed	28
8	Hay-windrowed	478
			9	Oats	20
10	Soybean-nottill	972
			11	Soybean-mintill	2455
12	Soybean-clean	593
			13	Wheat	205
14	Woods	1265
			15	Buildings-grass-trees-drives	386
16	Stone-steel-towers	93

表2 Pavia university样本类别与数量

类标	地物类别	数量
			1	Asphalt	6631
2	Meadows	18649
			3	Gravel	2099
4	Trees	3064
			5	Sheets	1345
6	Bare soil	5029
			7	Bitumen	1330
8	Bricks	3682
			9	Shadows	947

2.仿真内容及其结果分析：

本发明仿真实验是采用本发明和四个现有技术(支持向量机SVM分类方法、空间特征提取DeepLab分类方法、深度空间特征提取MSCNN分类方法，引导滤波多尺度特征提取MGFF)分别对输入上述的两个数据集进行高光谱图像分类，获得分类后的精确度。

在仿真实验中，采用的四个现有技术是指：

现有技术支持向量机SVM分类方法是指，Melgani等人在“Classification ofhyperspectral remote sensing images with support vector machines,IEEETrans.Geosci.Remote Sens,vol.42,no.8,pp.1778–1790,Aug.2004”中提出的高光谱图像分类方法，简称支撑向量机SVM分类方法。

现有技术空间特征提取DeepLab分类方法是指，Zijia等人在“DeepLab-BasedSpatial Feature Extraction for Hyperspectral Image Classification,IEEEGeoscience and Remote Sensing Letters,16(2):251-255,2019”中提出的高光谱图像分类方法，简称空间特征提取DeepLab分类方法。

现有技术深度空间特征提取MSCNN分类方法是指，Yanhui Guo等人在“HighEfficient Deep Feature Extraction and Classification of Spectral-SpatialHyperspectral Image Using Cross Domain Convolutional Neural Networks,IEEEJournal of Selected Topics in Applied Earth Observations&Remote Sensing,11(1):345-356,2019”中提出的高光谱图像分类方法，简称深度空间特征提取MSCNN分类方法。

现有技术引导滤波多尺度特征提取MGFF分类方法是指，王雷光等人在“高光谱影像的引导滤波多尺度特征提取,遥感学报[J],22(2):293-303,2018”中提出的高光谱图像分类方法，简称引导滤波多尺度特征提取MGFF分类方法。

仿真实验一：

为了验证本发明所提方法的有效性，将本实例与高光谱领域现有的三种高光谱图像分类方法在上述两个高光谱数据集上得到的分类结果进行对比，结果如表3和表4所示。

本发明与前三种现有技术在两个高光谱数据集上的整体分类精度OA、平均分类精度AA和kappa系数k的对比，如表3所示。

表3现有技术与本发明在分类精度上的对比结果

表3中OA是所有测试集分类结果的整体分类精度，AA是测试集中每类分类结果的平均分类精度，k是衡量一致性的系数。

从表3可以看出，不论是在Indiana pines数据集还是Pavia university数据集上，本方法的分类结果在关于分类精度的3个指标上都明显优于这三种现有技术。

本发明与现有方法MSCNN分类所需时间对比，如表4所示。

表4 MSCNN与本发明在运行所需时间(s)上的对比结果

数据集	MSCNN	本发明
			Indiana	743.56	103.72
Pavia	983.75	292.25

从表4可以看出，相比现有技术MSCNN，本发明在分类所需时间上大大缩短。

综上，DeepLab、MSCNN与本发明虽然都是提取高光谱图像的多尺度空间特征，但是这两种方法由于使用卷积神经网络进行特征提取和分类，因而导致运行时间特别长，而本发明利用主成分分析PCA对光谱信息进行降维处理，使得光谱信息保留较完整的同时大大降低了计算复杂度；此外，本发明使用最小噪声分离MNF和组合降维来提取引导滤波输入图像和引导图像，使得利用主成分分析降维得到的引导滤波输入图像具有对噪声的抵抗能力，利用独立成分分析降维得到的引导滤波的引导图像具有基于统计信息的独立分布能力，解决了对高光谱图像仅使主成分分析降维所引起的分类精度低的问题。

仿真实验二：

本实验将本发明与上文中第四种现有技术进行对比。在本对比实验中，实验条件与该论文保持一致，采用的数据集为Indian pines高光谱数据集，训练样本比例选择为10％。具体的对比结果见表5：

表5本发明与MGFF在分类精度上的对比结果

评价指标	MGFF	本发明
			OA(％)	97.99	99.13
AA(％)	95.91	98.66
			k	0.9753	0.9901

所述Indiana pines图像的特点是具有几个样本数很少的类别，例如：如表1中所示类别为9的Oats仅有20个，选取10％训练样本后，训练样本数仅有2个，因此如何更好地预测这些样本个数太少的类别，是Indiana pines图像分类的一个难题。

从表5中可以看出，本发明的平均精度AA明显优于MGFF，即对数量较小的类别同样可以实现较好的分类。因为相比于MGFF，本发明使用了最小噪声分离进行图像预处理，并使用了主成分分析降维和独立成分分析降维两种降维方式来提取特征，使得样本量少的类别的像素点信息能够保留得更多，从而提升了平均分类精度AA。

综合上述实验一和实验二的结果分析，本发明提出的方法能有效解决引导滤波用于高光谱分类时引导滤波输入图像和引导图像特征提取不充分的问题，并且能够解决利用单一降维进行高光谱分类时平均分类精度AA低的问题。

Claims (6)

1.一种基于去噪组合降维和引导滤波的高光谱图像分类方法，其特征在于，对输入高光谱图像进行去噪组合降维得到具有抗噪声能力的引导滤波输入图像和具有统计信息的引导图像，用引导图像对引导滤波输入图像进行引导滤波，获得高光谱图像的多尺度引导滤波空间特征并进行分类，该方法具体步骤如下：

(1)输入高光谱图像：

输入一幅高光谱图像，该高光谱图像是一个特征立方体F∈R^m×n×b，高光谱图像中每个波段对应特征立方体中的一个二维矩阵F_i∈R^m×n，其中，∈表示属于符号，R表示实数域符号，m表示高光谱图像的长，n表示高光谱图像的宽，b表示高光谱图像的光谱波段总数，i表示高光谱图像中光谱波段的序号，i＝1,2,…,b；

(2)对输入图像进行预处理；

利用最小噪声分离变换MNF方法，对输入的高光谱图像进行最小噪声分离变换，得到最小噪声分离变换MNF分量；

(3)主成分分析降维；

利用主成分分析PCA方法，对最小噪声分离变换MNF分量进行降维，从降维后的最小噪声分离变换MNF分量按维度顺序从中提取前15个主成分，组成具有抗噪声能力的引导滤波的输入图像；

(4)独立成分分析降维；

(4a)利用独立成分分析ICA方法，对最小噪声分离变换MNF分量进行降维，得到降维后具有统计信息的最小噪声分离变换MNF分量；

(4b)从降维后的最小噪声分离变换MNF分量按维度顺序从中提取第1个独立成分作为引导滤波的引导图像；

(5)获取多尺度引导滤波空间特征；

利用3×3、5×5、7×7像素大小的窗口对引导滤波的输入图像进行引导滤波，得到所有引导滤波输入图像的多尺度引导滤波空间特征；

(6)特征堆叠；

将所有引导滤波输入图像的多尺度引导滤波空间特征进行堆叠，堆叠按照半径依次增大的顺序，得到多尺度引导滤波空间特征集；

(7)支持向量机SVM分类；

将多尺度引导滤波空间特征集输入到支持向量机SVM进行分类，完成高光谱图像分类。

2.根据权利要求1所述的基于去噪组合降维和引导滤波的高光谱图像分类方法，其特征在于，步骤(2)中所述的最小噪声分离变换MNF方法的步骤如下：

第一步，将高光谱图像输入到高通滤波器中，输出高光谱图像的噪声协方差矩阵；

第二步，按照下式，对噪声协方差矩阵进行标准主成分变换：

D＝V^TCV

其中，D表示主成分变换后的对角矩阵，C表示输出高光谱图像的噪声协方差矩阵，V表示由噪声协方差矩阵C的特征向量组成的正交矩阵，T表示转置操作；

第三步，将V的转置矩阵与输入的高光谱图像相乘，得到去噪后的最小噪声分离变换MNF分量。

3.根据权利要求1所述的基于去噪组合降维和引导滤波的高光谱图像分类方法，其特征在于，步骤(3)中所述主成分分析PCA方法的步骤如下：

第一步，将最小噪声分离变换MNF分量中每个像素点的所有维光谱展开成一个光谱特征向量，将所有像素点的光谱特征向量按行排列组成光谱特征矩阵；

第二步，对光谱特征矩阵中每列元素求平均值，并用光谱特征矩阵中的每个元素分别减去该元素在光谱特征矩阵中对应列的平均值；

第三步，对光谱特征矩阵中每两列元素求协方差，构造光谱特征矩阵的协方差矩阵；

第四步，利用协方差矩阵的特征方程中的光谱特征向量，求每列元素对应的特征值；

第五步，将所有特征值按照从大到小排序，从排序中选择前15个特征值，将15个特征值分别对应的光谱特征向量按列组成主特征矩阵；

第六步，将最小噪声分离变换MNF分量投影到主特征矩阵上，得到降维后的最小噪声分离变换MNF分量。

4.根据权利要求1所述的基于去噪组合降维和引导滤波的高光谱图像分类方法，其特征在于，步骤(4a)所述独立成分分析ICA方法的步骤如下：

第一步，将输入的高光谱图像表示为x＝As，其中，x表示输入的高光谱图像，A表示模型的混合矩阵，s表示所求分量；

第二步，将输入的高光谱图像中心化得到均值为零的向量，对该向量进行白化得到方差为1且各分量互不相关的向量z；

第三步，将独立成分分析ICA的最优方向A^-1设为w，则w中的第一分量w₁是当

的非高斯性四阶度量矩阵取最大时对应的值，第二分量w₂是当

的非高斯性四阶度量矩阵取最大时对应的值，第三分量w₃是当

的非高斯性四阶度量矩阵取最大时对应的值，得到独立成分分析ICA最优方向向量w＝(w₁,w₂,w₃)；

第四步，将最小噪声分离变换MNF分量，按照最优方向投影到低维空间中，得到降维后具有统计信息的最小噪声分离变换MNF分量。

5.根据权利要求1所述的基于去噪组合降维和引导滤波的高光谱图像分类方法，其特征在于，步骤(5)中所述的对引导滤波的输入图像进行引导滤波的步骤如下：

第一步，从15张引导滤波的输入图像中任选一张未选过的图像；

第二步，将所选图像中每个像素点与其相邻的所有邻近像素点组成集合S，将引导图像中每个像素点与其相邻的所有邻近像素点组成集合T，按照下式，计算两个集合S和T的线性相关系数：

其中，a_k表示集合S＝{n₁,n₂,...,n_k}和T＝{t₁,t₂,...,t_d}的线性相关系数，k和d对应相等，当k分别取9，25，49三个值时，得到对应的三个不同的线性相关系数值，Σ表示求和操作，t_i表示引导图像上的第g个像素点的邻近像素点，n_i表示所选图像上的第p个像素点的邻近像素点，μ_p表示S集合中所有元素的均值，μ_g表示T集合中所有元素的均值，

表示T集合中所有元素的方差值；

第三步，按照下式，将引导滤波输入图像上的像素点进行引导滤波，得到线性变换值：

q＝a_k×g+b_k

b_k＝μ_p-a_k×μ_g

其中，q表示引导滤波后得到的线性变换值，b_k表示线性变换的偏移项；

第四步，将所选图像中所有像素点在三种线性相关系数下的线性变换值，组成多尺度空间特征矩阵，得到引导滤波输入图像的多尺度引导滤波空间特征；

第五步，判断是否选完所有引导滤波的输入图像，若是，则得到所有引导滤波输入图像的多尺度引导滤波空间特征，否则，执行第一步。

6.根据权利要求1所述的基于去噪组合降维和引导滤波的高光谱图像分类方法，其特征在于，步骤(6)中所述的将所有引导滤波输入图像的多尺度引导滤波空间特征进行堆叠的步骤如下：

第一步，将15张引导滤波输入图像中的第一张图像，分别通过引导滤波三个3×3、5×5、7×7像素大小的窗口，得到三个特征向量

其中上角标表示第几张输入图像，下角标表示引导滤波窗口大小；

第二步，将剩余的14张引导滤波输入图像分别通过引导滤波三个3×3、5×5、7×7像素大小的窗口，得到特征向量

第三步，将所有的特征向量组成多尺度引导滤波空间特征集。

Images