CN110738171A - 基于类特征迭代随机采样的高光谱图像谱空分类方法 - Google Patents
基于类特征迭代随机采样的高光谱图像谱空分类方法 Download PDFInfo
- Publication number
- CN110738171A CN110738171A CN201910976493.5A CN201910976493A CN110738171A CN 110738171 A CN110738171 A CN 110738171A CN 201910976493 A CN201910976493 A CN 201910976493A CN 110738171 A CN110738171 A CN 110738171A
- Authority
- CN
- China
- Prior art keywords
- class
- classification
- iteration
- calculating
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005070 sampling Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 title claims description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000002924 energy minimization method Methods 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 abstract description 6
- 239000013598 vector Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
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 Analysis (AREA)
Abstract
本发明公开了一种基于类特征迭代随机采样的高光谱图像谱空分类方法,包括根据高光谱图像数据和地物类别标签信息计算各类的类特征准则;根据类特征准则迭代地计算每个类别在分类时应分配的训练样本数目;根据每类已分配的训练样本数目和目标地物样本集参数信息计算目标地物的平均光谱特征和自相关矩阵,根据各地物平均光谱特征、自相关矩阵的逆矩阵、通过约束能量最小化方法计算针对于该地物、高光谱图像中每个像元对应的丰度信息,根据分类图像信息计算相邻两次迭代分类结果的相似性系数,判断所述相似性系数是否已满足迭代分类的截止条件、对融合更新后的数据进行迭代分类。
Description
技术领域
本发明涉及基于类特征迭代随机采样和空间信息反馈的高光谱图像分类方法,尤其涉及一种基于类特征迭代随机采样的高光谱图像谱空分类方法。
背景技术
高光谱遥感图像包括数百个连续窄谱的光谱波段,所以具有大量的光谱细节可以用来准确判断地物类别。因而,在土地利用变化与覆盖、灾害监测、地质评估、农林调查等方面得到了广泛应用。高光谱图像分类是对高光谱图像中的每一个像元都进行类别标注,相对于常规遥感,高光谱影像在保留较高空间分辨率的同时,光谱分辨率得到极大的提高,这使得无论在描述同类地物的细节方面,还是识别不同类别地物的能力等方面都有大幅提高,在地物分类方面存在巨大优势。但是,高光谱图像具有高维非线性、波段间相关性高以及训练样本标记难以获得等特点,给分类工作带来了巨大的挑战。因此,在已标记样本比较少的情况下,如何有效利用光谱和空间信息,快速、准确地对高光谱遥感图像地物目标进行分类成为数据挖掘、机器学习和模式识别等领域的热点研究问题之一。
近年来,基于支持向量机(SVM)的高光谱图像分类方法得到了一定程度的发展,针对高光谱图像中包含的空间信息,建立了SVM分类器与马尔可夫随机场、边缘滤波器等空间算子结合的分类方法。但是这类方法一方面对支持向量比较敏感,对部分地物类别的分类效果会很差;另一方面SVM分类效果在很大程度上,依赖于随机选择的训练样本数目的多少和光谱特征的好坏,这导致了每次分类结果不一致,因此,常用的一种方法是将SVM运行若干次,以获得分类结果的平均值。另外,基于混合像素的光谱分类器也受到了广泛关注,最近,约束能量最小化(CEM)被扩展到迭代CEM(ICEM)来作为高光谱图像的分类器。ICEM作为分类器实现时,是通过特定类的类均值指定所需的信号来执行该类的分类,通过空间滤波算子将光谱信息和空间信息结合,将这些经过空间滤波的CEM检测映射反馈到当前的输入图像数据中,形成一个新的图像数据立方体,作为新的输入数据再次实现CEM。同样的过程不断重复,迭代次数越多,用于分类的空间信息越多,高光谱图像分类效果越好。但是,当已知类别样本数量较少的情况下,ICEM的分类效果较差,所以实现ICEM需要已知样本的全部类标签信息,以计算每个目标类别光谱均值作为目标光谱。但在实际情况下,获取高光谱数据样本的标注耗时、费力、成本巨大,以至于获取类别全部的样本标签信息在实现上非常困难。
发明内容
根据现有技术存在的问题,本发明公开了一种基于类特征迭代随机采样的高光谱图像谱空分类方法,具体包括如下步骤:
S1:根据高光谱图像数据和地物类别标签信息,计算特定的类特征准则pCS,包括pCD和pSR;
S2:根据类特征准则pCS,迭代地计算类别i在分类时所需训练样本数目ni training,其中,1≤i≤M,M为类别总数;
S3:根据所述每类已分配的训练样本数目和目标地物样本集的参数,包括高光谱图像数据信息、地物类别标签信息和选取样本像元的光谱特征,计算目标地物的平均光谱特征d和自相关矩阵R;
S4:根据各地物光谱特征d以及自相关矩阵R的逆矩阵R-1,通过约束能量最小化CEM的方法,计算出高光谱图像中每个像元rn对应的丰度信息F(rn),其中,1≤n≤N,N为高光谱图像包含的所有目标地物的样本总数;
S5:利用高斯滤波器提取所述丰度信息F(rn)的空间特征SF(rn),并对所述空间特征SF(rn)应用最大概率准则(MAP),对像元rn进行类别判定,得到该次分类的信息图像C(rn);
S6:根据所述分类图像信息C(rn),计算相邻两次迭代分类结果的相似性系数,判断所述相似性系数是否已满足迭代分类的停止条件,若满足,则迭代结束,该次分类结果即为最终分类结果;若不满足,则将所述的该次空间特征图像SF(rn)反馈融合至上次迭代的高光谱图像中,并更新原高光谱图像数据信息,对融合更新后的数据进行迭代分类。
进一步地,所述根据高光谱图像数据H和地物类别标签信息,计算特定的类特征准则pCS,包括pCD和pSR,计算公式分别为:
其中,Ci,Cj为类别i和类别j,1≤i,j≤M,和为Ci在该类特征准则下的值,M为高光谱图像包含的总类别数目,μi为Ci的光谱特征均值,由该类所包含的所有像元计算平均光谱得到,为Ci包含所有像元的方差,ni为Ci包含的样本点总数,N为高光谱图像包含的所有目标地物的样本总数,
进一步地,所述根据类特征准则pCS,迭代地计算类别i在分类时所需训练样本数目的方法为,设置迭待次数初始值ktraining=1,设置初始所需训练样本总数设置所需训练样本数目的上限和下限;根据不同的类别特征pCS(Ci),计算在该ktraining次迭代时,各目标类被分配的训练样本数目所有类已分配的训练样本数目以及前ktraining次迭代下,各目标类已分配的训练样本总数和已分配的所有样本总数计算公式为(3)、(4)、(5)和(6):
在ktraining次迭代时,判断是否满足迭代停止条件M表示高光谱数据中包含的类别总数,若满足,迭代停止,得到在所需样本总数为Ntraining下,最终分配给每类的样本数目若不满足,ktraining=ktraining+1,在下次迭代中,对训练未达到上限的类别重新计算pCS(Ci),并对未分配的像元点数目按类别和pCS(Ci)再次分配。
进一步地,所述根据每类已分配的训练样本数目和目标地物样本集的参数,包括高光谱图像数据信息、地物类别标签信息和选取样本像元的光谱特征,计算目标地物的平均光谱特征d,包括:
根据公式(7)计算第i类目标地物的光谱特征向量di;
采用所述公式(7),计算所有M个类别目标地物的光谱特征向量。
进一步地,计算所述高光谱图像的自相关矩阵R及其逆矩阵R-1:
其中,rn为高光谱图像数据的一个样本像元,N为高光谱图像包含的所有目标地物的样本总数。
进一步地,根据所述地物光谱特征d以及自相关矩阵R的逆矩阵R-1,通过约束能量最小化CEM的方法,采用基于约束能量最小化CEM原理的单目标分类器,获得所述待分类像元集合针对于该地物的分类丰度信息F(rn),其包括:
设置迭代次数k的初始值为1,初始化高光谱图像H1=H,初始化各类别地物的丰度图像Fi k(rn)为空集;
利用所述光谱特征向量d,自相关矩阵的逆矩阵R-1,定义单目标分类器为:
根据所述单目标分类器,得到第i类目标地物的分类丰度图像为
根据所述单目标分类器,可获得全部M类目标地物的分类丰度图像为
至此,该次迭代下,单目标分类结束。
进一步地,所述利用高斯滤波器提取所述丰度信息F(rn)的空间特征SF(rn),并对所述空间特征SF(rn)应用最大概率准则(MAP),对像元rn进行类别判定,得到该次分类的信息图像C(rn),包括:
进一步地,所述根据迭代的相邻两次分类结果的相似性系数判断是否已满足迭代停止条件,包括:
设定迭代停止阈值TI,根据公式(13)计算相邻两次分类结果的相似性系数:
其中,ξ为相似性系数,N为高光谱图像包含的所有目标地物的样本总数,ni为第i类地物目标的样本总数,为第i类在第k-1次迭代时的分类结果,为第i类在第k次迭代时的分类结果,当k>1时,若ξ≥TI,则迭代停止,得到最终分类结果Cfinal(rn)=Ck(rn),否则,k=k+1,将所述的该次空间特征图像反馈融合至原高光谱图像Hk-1中,更新原光谱图像数据信息为对融合更新后的数据重新选取训练样本,计算对应的光谱特征d,进行迭代分类。
由于采用了上述技术方案,本发明提供的一种基于类特征迭代随机采样的高光谱图像谱空分类方法,该方法根据高光谱图像数据和地物类别标签信息,计算特定的类特征准则;基于类特征准则迭代地计算每个类别在分类时应分配的训练样本数目;在迭代分类中根据各类别已分配的训练样本数目随机采样、生成训练样本数据集,计算地物目标的光谱特征;采用约束能量最小化得到对应地物目标的丰度图像;利用高斯滤波器提取其空间特征信息,并依据最大概率准则,对高光谱图像进行分类;将待分类高光谱图像与空间特征图像融合,通过迭代的方式进行分类,直到达到设定的迭代停止条件,得到最终分类图像。该方法有效挖掘了类别自身特性,从一定程度上解决了高光谱图像训练样本少导致分类精度不高的问题,在高光谱图像地表精细分类等方面具有重要的应用价值。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中基于类特征迭代随机采样的高光谱图像分类方法的技术流程图;
图2为实施例中待分类的高光谱源图像;
图3为实施例中高光谱源图像的地物类别标签;
图4为实施例中每种地物目标第一次的检测结果图;
图5为实施例中每种地物目标第一次提取到的空间特征结果图;
图6为实施例中每种地物目标第二次的检测结果图;
图7为实施例中每种地物目标第二次提取到的空间特征结果图;
图8为实施例中迭代随机采样的高光谱图像谱空分类器的流程图;
图9为实施例中在不同迭代次数下分类器得到的各目标地物的分类显示图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
如图1所示的一种基于类特征迭代随机采样的高光谱图像谱空分类方法,具体步骤包括:
步骤101、根据高光谱图像数据和地物类别标签信息,计算特定的类特征准则,具体而言,待分类的类别总数为M,i和j为类别号,1≤i,j≤M,针对分类任务,类特征准则pCS分为两个:pCD和pSR,计算公式分别为(1)和(2):
其中,Ci,Cj为类别i和类别j,1≤i,j≤M,M为高光谱图像包含的总类别数目,和为Ci的两种类特征值,μi为Ci的光谱特征均值,由该类所包含的所有像元计算平均光谱得到,为Ci包含所有像元的方差,ni为Ci包含的样本点总数,N为高光谱图像包含的所有目标地物的样本总数,
步骤102:根据类特征准则,迭代地计算每个类在分类时所需训练样本数目;
具体而言,设置迭代次数初始值ktraining=1,设置初始类别集合为设置初始所需训练样本总数设置每类所需训样本数目上限为和下限为根据不同的类特征pCS(Ci),在该ktraining=1次迭代时,每个目标类别被分配的训练样本数目总体训练样本总数在前ktraining次迭代,第i类已分配的样本数目和已分配的所有样本总数的计算公式分别为(3)、(4)、(5)和(6):
其中,在迭代次数为ktraining时,判断是否满足迭代停止条件M表示高光谱数据中包含的类别总数,若满足,迭代停止,得到在所需样本总数为Ntraining下,最终分配给每类的样本数目若不满足,ktraining=ktraining+1,在下次迭代中,对训练未达到上限的类别重新计算pCS(Ci),并对未分配的像元点数目按类别和pCS(Ci)再次分配。
步骤103:根据所述每类分配的训练样本数目和目标地物样本集的参数,包括地物类别标签信息,选取样本像元的光谱特征,计算目标地物的平均光谱特征和自相关矩阵;
具体而言,待分类的高光谱数据的类别总数为M,i为类别号,1≤i≤M,M类目标地物的光谱特征向量记为DM,初值设置为空集;
根据第i类目标地物分配的训练样本数目和样本集的参数计算该类地物的光谱特征di,采用公式(7)进行计算,
根据公式(7),遍历M个类别,计算所有M个类别目标地物的光谱特征向量DM=[d1,d2,...,di,...,dj,...,dM];
根据公式(8)和(9),计算高光谱图像H的自相关矩阵R及其逆矩阵R-1:
其中,rn为高光谱图像数据的一个样本像元,N为高光谱图像包含的所有目标地物的样本总数。
步骤104:根据各地物光谱特征以及自相关矩阵的逆矩阵,通过约束能量最小化,计算得到针对于该地物,高光谱图像中每个像元分别对应的丰度信息;
利用光谱特征向量d,自相关矩阵的逆矩阵R-1,定义单目标分类器为:
根据所述单目标分类器,可获得全部M类目标地物的分类丰度图像为
至此,该次迭代下,单目标分类结束。
步骤105:利用高斯滤波器提取所述丰度信息的空间特征,并将所述空间特征进行最大概率准则(MAP)对像元进行类别判定,得到该次分类结果;
进一步地,所述利用高斯滤波器提取单目标分类器的空间特征,包括:
采用公式
对丰度图像进行卷积计算得到地物的空间特征,其中Sk为高斯滤波窗口,σ是高斯滤波的标准偏差,r是高斯滤波的过滤半径。
步骤106、根据所述分类图像信息,计算相邻两次迭代分类结果的相似性系数,判断所述相似性系数是否满足迭代分类的停止条件,若满足,则迭代结束,该次分类结果即为最终分类结果;若不满足,则将所述的该次空间特征反馈融合至高光谱图像中,并更新原高光谱图像数据信息,对融合更新后的数据进行迭代分类;
具体而言,设定迭代停止阈值TI,当k>1时,计算两次相邻分类结果的相似性系数ξ,相似性系数义为
其中,ξ为相似性系数,N为高光谱图像包含的所有目标地物的样本总数,ni为第i类地物目标的样本总数,为第i类在第k-1次迭代时的分类结果,为第i类在第k次迭代时的分类结果,当k>1时,若ξ≥TI,则迭代停止,得到最终分类结果Cfinal(rn)=Ck(rn),否则,k=k+1,将上一步得到空间特征图像1≤i≤M反馈融合至高光谱图像Hk-1中,更新原高光谱图像数据信息Hk-1为Hk,对融合更新后的数据按所述步骤102重新选取训练样本,计算对应的光谱特征d,对融合更新后的数据Hk再次进行迭代分类。
实施例
本发明实施的基于类特征迭代随机采样的高光谱图像谱空分类方法的具体步骤如下:
A.样本数据来源:样本高光谱数据来源于Purdue大学提供的美国印第安州IndianPine实验区的高光谱数据,该数据拥有220个波段,其第186个波段图像如图2所示。图像数据大小为145×145个像素,包含16类地物目标,共计10249个像元点,其分布及类别种类如图3所示。
B.类特征提取:按照公式(1)和(2),分别计算上述Indian Pine实验区的16类地物的类特征概率,具体16类地物的类特征概率pCD和值pSR如表1所示。
表1
C.设置16类地物所需训练样本总数为16类样本总数的10%,按照公式(3)、(4)、(5)和(6)迭代的计算16个地物类别最终应分配的训练样本数目,其中pCS分为两个:pCD和pSR,具体各类分配的训练样本数目n(pCD)i和n(pSR)i如表2所示。
表2
D.利用迭代谱空分类器对16类地物进行分类。
首先进行参数设置,包括:高斯滤波器的标准差为1,卷积核窗口尺寸为5×5,迭代停止阈值TI=0.99。
k=1,进行第一次迭代,初始高光谱图像包含220个波段。根据表2得到的16类地物计算光谱特征所需的训练样本数目,此处选择n(pCD)i作为每类采样数目,对高光谱数据进行随机采样,根据公式(7)分别计算16种目标地物在k=1时的光谱特征,分别记为根据公式(8)和(9),计算高光谱数据样本的自相关矩阵R和其逆矩阵R-1。
根据公式(11)定义的单目标分类器分别对16类地物目标进行目标检测,得到16类的检测结果,如图4所示;利用公式(14)定义的高斯滤波算子对目标检测的结果进行高斯滤波,得到16张大小为145×145的空间信息图像,如图5所示。
E.对16类的空间信息图像应用最大概率准则(MAP),对高光谱数据每个像元点进行类别判定,得到k=1时分类结果。至此,k=1时,分类结束,更新高光谱数据图像,即将空间信息图像反馈融合现高光谱数据图像中,高光谱图像的波段数目增加至236,进入下一次迭代。
k=2时,根据表2得到的用于计算16类地物计算光谱特征所需的训练样本数目,对更新后的高光谱数据图像重新进行随机采样与分类。k=2时,其丰度信息图像和空间特征信息图像如图6和图7所示。得到k=1和k=2迭代的分类结果后,根据公式(15)计算两次分类结果的相似性系数ξ,判断ξ是否大于0.99,若满足,迭代结束,最终分类结果为k=2时的分类结果;若不成立,则更新高光谱数据图像,即将空间信息图像反馈融合至现高光谱数据图像中,对16类目标进行重新采样,进行迭代分类。
F.最终,得到基于类特征随机采样的高光谱谱空分类器的分类流程图如图8所示。
在训练样本比例取10%时,即Ntraining=N×10%,不同迭代次数下的分类结果和最终分类结果如图9所示。
为了比较基于类特征随机采样的迭代分类器(IRS-CEM)和使用全部样本均值作为目标光谱进行分类的ICEM分类器的分类效果,分别取总样本数目10249的5%到50%,作为随机采样的初始目标采样总数进行随机采样,并通过每类采样样本计算目标光谱进行迭代分类,以及取全部样本(100%)计算16类目标光谱进行迭代分类,分别计算了第i类目标的单类精度PA(Ci)、单类准确度PPR(Ci)、16类目标的平均分类精度PAA、整体分类精度POA、整体分类准确度PPR和所用迭代次数对分类效果进行评价。
其中,PA(Ci)、PPR(Ci)、PAA、POA和PPR分别由以下公式计算得出,
M为待分类的高光谱数据的类别总数,Ci为第i类,i为类别号,1≤i≤M,nii为地物标签信息为第i类、分类器也分类为第i类的像元数目,ni为地物标签信息为第i类的像元数目,N为图像中所有地物像元的总数目,为分类器分类为第i类、地物标签信息也为第i类的像元数目,为分类器分类为第i类的像元数目。
表3为不同训练样本百分比和类特征准则下,具体的PAA、POA、PPR和所用迭代次数结果值比较。
表3
为了证明IRS-CEM分类方法的性能,取总样本数目的10%作为初始目标采样总数,分别比较了每次迭代时,利用两种类特征准则计算每类所需采样数目并进行随机采样和迭代过程中固定训练样本计算目标光谱特征进行迭代谱空分类的分类性能,表4为具体的PA(Ci)、PPR(Ci)、PAA、POA和PPR结果比较。
表4
通过表3,可以看出本发明所提出的基于类特征随机采样的高光谱谱空分类方法,在利用小部分样本标签信息获得的目标光谱进行谱空分类时,其分类效果可以超过利用全部标签信息计算目标光谱进行空谱分类的分类效果,且迭代次数相当。
表4可以看出,当选取的训练样本百分比相同时,利用基于类特征pSR和pCD迭代随机采样计算得到的目标光谱比利用固定样本采样得到的目标光谱,对后续谱空分类的效果更好,前者PAA最高提升2%左右,POA最高提升6%左右,PPR最高提升3%左右。
本发明公开的一种基于类特征迭代随机采样的高光谱图像谱空分类方法,该方法根据类别自身特性定义了决定各类别采样数目的准则,然后根据类特征准则决定了各类在分类过程中的采样数目;其次,在每次迭代中对训练样本进行随机抽样,这不仅降低了获取全部样本标签信息来计算类均值的困难度,又减少了随机采样带来的不确定性,可以有效提高分类性能。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于类特征迭代随机采样的高光谱图像谱空分类方法,其特征在于包括:
根据高光谱图像数据和地物类别标签信息计算各类的类特征准则;
根据类特征准则迭代地计算每个类别在分类时应分配的训练样本数目;
根据每类已分配的训练样本数目和目标地物样本集参数信息计算目标地物的平均光谱特征和自相关矩阵,其中目标地物样本集参数信息包括高光谱图像数据信息、地物类别标签信息和选取样本像元的光谱特征;
根据各地物平均光谱特征、自相关矩阵的逆矩阵通过约束能量最小化方法计算针对于该地物、高光谱图像中每个像元对应的丰度信息,提取丰度信息的空间特征信息,并对所述空间特征进行最大概率准则MAP判定,对像元进行类别归属获取该次分类图像;
根据分类图像信息计算相邻两次迭代分类结果的相似性系数,判断所述相似性系数是否已满足迭代分类的截止条件,若满足,则迭代结束,该次分类结果即为最终分类结果;若不满足,则将所述的该次空间特征信息反馈融合至上次迭代的高光谱图像中、并更新原高光谱图像数据信息,对融合更新后的数据进行迭代分类。
3.根据权利要求2所述的方法,其特征还在于:计算训练样本数目时首先设置迭代次数初始值ktraining=1,设置初始所需训练样本总数设置所需训练样本数目上限和下限;根据不同的类别特征pCS(Ci)计算在第ktraining次迭代时各目标类被分配的训练样本数目所有类已分配的训练样本数目以及前ktraining次迭代下各目标类已分配的训练样本总数和已分配的所有样本总数计算公式为(3)、(4)、(5)和(6):
5.根据权利要求1所述的方法,其特征还在于:根据迭代的相邻两次分类结果的相似性系数判断是否已满足迭代停止条件时:
设定迭代停止阈值TI,根据公式(13)计算相邻两次分类结果的相似性系数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976493.5A CN110738171B (zh) | 2019-10-15 | 2019-10-15 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976493.5A CN110738171B (zh) | 2019-10-15 | 2019-10-15 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738171A true CN110738171A (zh) | 2020-01-31 |
CN110738171B CN110738171B (zh) | 2023-05-05 |
Family
ID=69269334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976493.5A Active CN110738171B (zh) | 2019-10-15 | 2019-10-15 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738171B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580705A (zh) * | 2020-12-08 | 2021-03-30 | 大连海事大学 | 一种基于深度前馈网络的高光谱分类方法 |
CN113284102A (zh) * | 2021-05-14 | 2021-08-20 | 国网新源张家口风光储示范电站有限公司 | 一种基于无人机的风机叶片损伤智能检测方法及装置 |
WO2022082848A1 (zh) * | 2020-10-23 | 2022-04-28 | 深圳大学 | 高光谱图像分类方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
CN107967694A (zh) * | 2017-12-22 | 2018-04-27 | 大连海事大学 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
WO2018076138A1 (zh) * | 2016-10-24 | 2018-05-03 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
-
2019
- 2019-10-15 CN CN201910976493.5A patent/CN110738171B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
WO2018076138A1 (zh) * | 2016-10-24 | 2018-05-03 | 深圳大学 | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 |
CN107967694A (zh) * | 2017-12-22 | 2018-04-27 | 大连海事大学 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
Non-Patent Citations (4)
Title |
---|
YULEI WANG 等: ""Iterative anomaly detection"", 《IEEE》 * |
于纯妍 等: ""基于目标约束与谱空迭代的高光谱图像分类方法"", 《光学学报》 * |
冉琼 等: ""结合超像元和子空间投影支持向量机的高光谱图像分类"", 《中国图象图形学报》 * |
贾艳立: ""高光谱遥感影像目标探测方法研究与应用"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022082848A1 (zh) * | 2020-10-23 | 2022-04-28 | 深圳大学 | 高光谱图像分类方法及相关设备 |
CN112580705A (zh) * | 2020-12-08 | 2021-03-30 | 大连海事大学 | 一种基于深度前馈网络的高光谱分类方法 |
CN112580705B (zh) * | 2020-12-08 | 2024-04-05 | 大连海事大学 | 一种基于深度前馈网络的高光谱分类方法 |
CN113284102A (zh) * | 2021-05-14 | 2021-08-20 | 国网新源张家口风光储示范电站有限公司 | 一种基于无人机的风机叶片损伤智能检测方法及装置 |
CN113284102B (zh) * | 2021-05-14 | 2022-11-01 | 国网新源张家口风光储示范电站有限公司 | 一种基于无人机的风机叶片损伤智能检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110738171B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11205098B1 (en) | Single-stage small-sample-object detection method based on decoupled metric | |
CN110738171A (zh) | 基于类特征迭代随机采样的高光谱图像谱空分类方法 | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN105956612B (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
CN109472199B (zh) | 一种图像融合分类的方法及装置 | |
CN106408034B (zh) | 一种基于空间特征迭代的高光谱图像分类方法 | |
EP2291794B1 (en) | Image processing | |
CN110443139B (zh) | 一种面向分类的高光谱遥感影像噪声波段探测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
CN110033039B (zh) | 一种基于目标约束检测的高光谱实时分类方法 | |
CN107967694A (zh) | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 | |
CN113011528B (zh) | 一种基于上下文和级联结构的遥感图像小目标检测方法 | |
CN113139515A (zh) | 基于条件随机场和深度特征学习的高光谱图像分类方法 | |
WO2023104130A1 (zh) | 柚木林识别方法、系统及终端 | |
Yu et al. | Multi-class constrained background suppression approach to hyperspectral image classification | |
LU500715B1 (en) | Hyperspectral Image Classification Method Based on Discriminant Gabor Network | |
CN112580705B (zh) | 一种基于深度前馈网络的高光谱分类方法 | |
Grana et al. | Further results on AMM for endmember induction | |
Mantripragada et al. | Evaluation of Dirichlet process Gaussian mixtures for segmentation on noisy hyperspectral images | |
CN108108724B (zh) | 一种基于多子区域图像特征自动学习的车辆检测器训练方法 | |
CN112766371B (zh) | 一种基于极少训练样本的高分辨率遥感影像监督分类方法 | |
Shahi et al. | A multi-sensor subspace-based clustering algorithm using RGB and hyperspectral data | |
Gupta et al. | A new technique for road extraction using mathematical, morphology, fuzzy and genetic algorithm | |
Jafari et al. | Independent base vector representation to address endmember variability in hyperspectral unmixing | |
Zhang et al. | Using superpixels to improve the efficiency of Laplacian Eigenmap based methods for target detection in hyperspectral imagery |
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 |