CN110796038B - 结合快速区域生长超像素分割的高光谱遥感图像分类方法 - Google Patents
结合快速区域生长超像素分割的高光谱遥感图像分类方法 Download PDFInfo
- Publication number
- CN110796038B CN110796038B CN201910978733.5A CN201910978733A CN110796038B CN 110796038 B CN110796038 B CN 110796038B CN 201910978733 A CN201910978733 A CN 201910978733A CN 110796038 B CN110796038 B CN 110796038B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- pixel
- super
- pixels
- classification
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结合快速区域生长超像素分割的高光谱遥感图像分类方法,该方法通过区域生长的方法生成超像素,其中构造距离映射图,加速了超像素的生成,通过超像素分割图与基于像素的高光谱分类图的纹理自适应融合,突破了传统的基于超像素的高光谱分类方法中将超像素当作一个单元所造成分类精度不高的问题,实现了高光谱图像分类的精度的提升,对于环境管理、农作物监测、矿物填图等方面具有重要的实际意义。
Description
技术领域
本发明涉及高光谱遥感图像分类方法领域,特别是一种结合快速区域生长超像素分割的高光谱遥感图像分类方法。
背景技术
高光谱遥感图像分类作为地球遥感的一项关键技术,受到越来越多的人们关注,其应用于环境监测、城市测绘、精准农业等多个领域。近几十年来,利用高光谱图像的光谱信息,引入了大量的图像分类技术,典型的方法有多项逻辑回归,随机森林,稀疏表示和支持向量机等。随着高光谱遥感图像的空间分辨率得到了显著提高,研究人员尝试利用空间信息提高分类精度,其中超像素技术被广泛应用于高光谱图像的空间信息提取。超像素是由颜色和纹理特征相似的像素组成的区域,生成超像素的算法大致可以分为基于图和基于梯度上升的方法。超像素分割技术在高光谱图像分类方法中得到了广泛的应用,一定程度上提高了分类的结果。然而,目前基于超像素的高光谱图像分类仍然存在两个主要的挑战:(1)现有的超像素算法大多是针对二维的自然图像处理,对于三维的高光谱图像,超像素算法的性能可能会下降;(2)传统的基于超像素的高光谱分类方法一般将每个分割后的超像素作为一个单元进行图像分类,这可能会提高算法的效率,但通常会降低分类的精度。
发明内容
本发明的目的在于提供一种结合快速区域生长超像素分割的高光谱遥感图像分类方法,它能有效的提高高光谱图像的分类精度。
实现本发明目的的技术解决方案为:一种结合快速区域生长超像素分割的高光谱遥感图像分类方法,该方法基于快速区域生长的超像素分割与用于高光谱图像分类的纹理自适应的融合策略,包括以下步骤:
步骤1、对高光谱图像进行特征提取,使用主成分分析的降维方法,计算各个波段对给定主成分的贡献率,得到前三个贡献率高的主成分图像,合成假彩色图像;
步骤2、在假彩色图像中初始化聚类中心,通过欧式距离计算聚类中心与未标签像素点的空间距离和光谱距离,并进行归一化,得到超像素与其邻域的未标签像素点相似性距离;
步骤3、对每个超像素进行区域生长,并构建距离映射图,对未标签像素点进行相似性距离与距离映射的比较,生成超像素;
步骤4、选取高光谱遥感图像,对每一类样本按照相同比例提取像素作为训练样本,进行基于像素的高光谱分类;
步骤5、对生成的每个超像素计算纹理自适应阈值;
步骤6、根据高光谱图像分类的纹理自适应融合策略确定每个像素的类别完成分类;其中所述融合策略是在基于像素的分类图中,当最大类别占比大于该超像素的自适应阈值时,将整个超像素内的类别均设为最大占比所对应的类别,否则不进行操作。
其中,在步骤2中,按照设定的超像素个数,在合成的假彩色图像内均匀的分配聚类中心点;假设图像总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离近似为S=sqrt(N/K),聚类中心为C[k]={xk,sk},由空间坐标xk和光谱值sk构成,并用新的元素表示ek={xk,sk,k,dk,k},其中k为超像素的序号,dk,k为第k的聚类中心与第k个超像素的相似性距离,使这些元素进入优先队列;在超像素的四邻域或八邻域通过欧式距离计算未标签像素与超像素的空间相似性和光谱相似性,并进行归一化;假设四邻域或八邻域其中一个像素表示为aj={xj,sj,k,dj,k},则与第k个超像素的相似性距离为:
在步骤3中,为减少未标签像素的遍历次数,定义一个存取像素与超像素的最短距离矩阵D,在步骤2中计算的相似性距离dj,k后,若dj,k<D(xj),将更新D(xj)并且该元素进入优先队列;当队首元素出队时,该像素的分割标签确定,直至优先队列为空,即所有的元素的分割标签确定。
在步骤4中,对包含多类的高光谱图像,按照一定百分比提取每一类图像像素作为训练样本,采用基于像素的高光谱分类方法支持向量机进行分类,得到基于像素的高光谱分类图。
在步骤5中,对生成的超像素,使用对应假彩色图像中的光谱值方差vk来表示第k超像素的纹理复杂程度,第k超像素的纹理自适应阈值δk为vk与所有超像素方差的最大值max(v)的比值,表示如下:
与现有技术相比,本发明的显著优点在于:在对高光谱遥感图像通过区域生长生成超像素时,其中距离映射图的构造,在保证超像素分割的准确性之下,减少了超像素生成过程中像素遍历次数,加速了超像素的生成,并通过纹理自适应融合策略,提高了高光谱分类的精度,突破了传统的基于超像素的高光谱分类方法中,由于将超像素当作一个单元造成分类精度不高的问题。
附图说明
图1是本发明结合快速区域生长超像素分割的高光谱遥感图像分类方法的流程图。
图2是本发明结合快速区域生长超像素分割的高光谱遥感图像分类方法的结构框图。
图3是本发明在高光谱三维图像Salinas-A scene与Indian_Pines上的基于区域生长分割后的超像素图。依此为高光谱三维图像的成像立方体,前三个主成分图像,生成的假彩色图像以及分割后的超像素图。
图4与图6分别是高光谱三维图像Salinas-A scene与Indian_Pines的成像立方体,及标准类别分块图。左为三维成像立方体,右为标准类别分块图。
图5与图7分别是高光谱三维图像Salinas-A scene与Indian_Pines的图像6类和16类标签色块图例及按照10%比例提取的训练样本与测试样本数目示例图。
图8是本发明与其他方法分类结果的比较示例图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述。
本发明以高光谱三维图像作为输入,本发明实施示例的流程如图1所示,结构框图如图2所示。
(1)在GIC(Grupo De Inteligencia Computacional)高光谱场景图像网站上下载得到的高光谱三维图像Salinas-A scene与Indian_Pines大小分别为86×83×224与145×145×224,通过去除覆盖吸水区域的波段将波段数量减少到204个与220个,即校正后的可用图像大小分别为86×83×204与145×145×200;图4与图6给出了高光谱三维图像Salinas-A scene与Indian_Pines的成像立方体及标准类别分块图。左为三维成像立方体,右为标准类别分块图,分别为6类和16类。
(2)分别对于校正后的高光谱三维数据Salinas-A scene与Indian_Pines,通过特征提取,即主成分分析,得到高光谱图像的前三个主成分图像,并进行假彩色合成。
(3)分别设定超像素的个数为100与800,对两个假彩色图像进行初始化,确定聚类中心的空间坐标和光谱值,利用此信息和与超像素的距离表示为新的元素,进入优先队列。为了减少未标签像素的遍历次数,构造一个存取像素与超像素的最短距离的距离映射图,判断超像素邻域内未标签像素是否进入优先队列。当队内未标签像素出队时,该像素的分割标签得到确定。直至优先队列为空,即所有的元素的分割标签确定。图3给出了高光谱三维图像Salinas-A scene与Indian_Pines基于区域生长之后的超像素分割图。依此为高光谱三维图像的成像立方体,前三个主成分图像,生成的假彩色图像以及分割后的超像素图。
(5)对于一个大小为86×83×204的高光谱三维数据Salinas-Ascene,将大小为86×83的二维投影图像上的每一个像素点视为一个样本,且每一个样本具有204维特征,结合自带类标签(Groundtruth),从每一类中随机选取10%的样本构成训练集,剩余样本作为测试集。进行基于像素的高光谱分类,即支持向量机,得到基于像素的高光谱分类图。对于高光谱三维图像Indian_Pines进行相同的比例提取训练集。图5与图7分别给出了高光谱三维图像Salinas-Ascene与Indian_Pines 6类和16类标签色块图例及按照10%的比例提取的训练样本与测试样本数目示例图。
(6)对于生成的每个超像素,为表示纹理复杂程度,对超像素求方差,并进行与最大的方差求比例的归一化操作,得到每个超像素的纹理自适应阈值。
(7)对于每个超像素对应的高光谱分类标签,计算最大类别所占比例,如果比例大于该超像素的自适应阈值,则将整个超像素中的所有像素标签设置为该类标签。否则超像素纹理较复杂,自适应阈值过大,无法改变超像素分类标签。完成所有测试样本的类别判定即获得整个高光谱三维图像Salinas-Ascene与Indian_Pines的分类结果。
(8)图8给出了本发明的分类结果与基于像素的分类方法的结果的比较示例图,其中第一列为标准分类结果,第二列为基于像素的高光谱分类结果,第三列为本发明分类结果。
本发明实现了高光谱图像分类精度的提高,在使用区域生长生成超像素时,通过构造距离映射图,减少了超像素生成过程中像素遍历次数,加速了超像素的生成,并通过纹理自适应融合策略,提高了高光谱分类的精度,突破了传统的基于超像素的高光谱分类方法中,将超像素当作一个单元所造成分类精度不高的问题。本发明获得的平均分类精度基本优于基于像素的分类方法,实现了高光谱图像分类的精度的提升,对于环境管理、农作物监测、矿物填图等方面具有重要的实际意义。
Claims (3)
1.一种结合快速区域生长超像素分割的高光谱遥感图像分类方法,其特征在于包括以下步骤:
步骤1、对高光谱图像进行特征提取,使用主成分分析的降维方法,计算各个波段对给定主成分的贡献率,得到前三个贡献率高的主成分图像,合成假彩色图像;
步骤2、在假彩色图像中初始化聚类中心,通过欧式距离计算聚类中心与未标签像素点的空间距离和光谱距离,并进行归一化,得到超像素与其邻域的未标签像素点相似性距离;按照设定的超像素个数,在合成的假彩色图像内均匀的分配聚类中心点;假设图像总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的大小为N/K,则相邻种子点的距离近似为S=sqrt(N/K),光谱相似度归一化因子为m,聚类中心为C[k]={xk,sk},由空间坐标xk和光谱值sk构成,并用新的元素表示ek={xk,sk,k,dk,k},其中k为超像素的序号,dk,k为第k的聚类中心与第k个超像素的相似性距离,使这些元素进入优先队列;在超像素的四邻域或八邻域通过欧式距离计算未标签像素与超像素的空间相似性和光谱相似性,并进行归一化;假设四邻域或八邻域其中一个像素j表示为aj={xj,sj,k,dj,k},则与第k个超像素的相似性距离为:
步骤3、对每个超像素进行区域生长,并构建距离映射图,对未标签像素点进行相似性距离与距离映射的比较,生成超像素;
步骤4、选取高光谱遥感图像,对每一类样本按照相同比例提取像素作为训练样本,进行基于像素的高光谱分类;
步骤5、对生成的每个超像素计算纹理自适应阈值;对生成的超像素,使用对应假彩色图像中的光谱值方差vk来表示第k超像素的纹理复杂程度,第k超像素的纹理自适应阈值δk为vk与所有超像素方差的最大值max(v)的比值,表示如下:
步骤6、根据高光谱图像分类的纹理自适应融合策略确定每个像素的类别完成分类;所述融合策略是在基于像素的分类图中,当最大类别占比大于该超像素的自适应阈值时,将整个超像素内的类别均设为最大占比所对应的类别,否则不进行操作。
2.根据权利要求1所述的结合快速区域生长超像素分割的高光谱遥感图像分类方法,其特征在于:所述步骤3中,定义一个存取像素与超像素的最短距离矩阵D,在步骤2中计算的相似性距离dj,k后,若dj,k<D(xj),将更新D(xj)并且该元素进入优先队列;当队首元素出队时,该像素的分割标签确定,直至优先队列为空,即所有的元素的分割标签确定。
3.根据权利要求1所述的结合快速区域生长超像素分割的高光谱遥感图像分类方法,其特征在于:所述步骤4中,对包含多类的高光谱图像,按照一定百分比提取每一类图像像素作为训练样本,采用基于像素的高光谱分类方法支持向量机进行分类,得到基于像素的高光谱分类图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978733.5A CN110796038B (zh) | 2019-10-15 | 2019-10-15 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978733.5A CN110796038B (zh) | 2019-10-15 | 2019-10-15 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796038A CN110796038A (zh) | 2020-02-14 |
CN110796038B true CN110796038B (zh) | 2023-04-18 |
Family
ID=69439171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978733.5A Active CN110796038B (zh) | 2019-10-15 | 2019-10-15 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796038B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882573B (zh) * | 2020-07-31 | 2023-08-18 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
CN112329887B (zh) * | 2020-11-26 | 2023-12-05 | 深圳大学 | 基于尺度自适应滤波的高光谱和LiDAR联合分类方法 |
CN112766338B (zh) * | 2021-01-11 | 2023-06-16 | 明峰医疗系统股份有限公司 | 一种计算距离图像的方法、系统及计算机可读存储介质 |
CN112800138B (zh) * | 2021-02-04 | 2021-10-15 | 广东云曌医疗科技有限公司 | 大数据分类方法及系统 |
CN113052216B (zh) * | 2021-03-15 | 2022-04-22 | 中国石油大学(华东) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 |
CN113065518A (zh) * | 2021-04-25 | 2021-07-02 | 中国电子科技集团公司第二十八研究所 | 基于lbp特征的超像素空谱多核高光谱图像分类方法 |
CN113902717B (zh) * | 2021-10-13 | 2022-04-26 | 自然资源部国土卫星遥感应用中心 | 一种基于光谱库的星载高光谱农田裸土目标识别方法 |
CN113902759B (zh) * | 2021-10-13 | 2022-04-22 | 自然资源部国土卫星遥感应用中心 | 一种空谱信息联合的星载高光谱影像分割与聚类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346620A (zh) * | 2013-07-25 | 2015-02-11 | 佳能株式会社 | 对输入图像中的像素分类的方法和装置及图像处理系统 |
CN106097252A (zh) * | 2016-06-23 | 2016-11-09 | 哈尔滨工业大学 | 基于图Graph模型的高光谱图像超像素分割方法 |
CN108447065A (zh) * | 2018-03-12 | 2018-08-24 | 哈尔滨工业大学 | 基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法 |
-
2019
- 2019-10-15 CN CN201910978733.5A patent/CN110796038B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346620A (zh) * | 2013-07-25 | 2015-02-11 | 佳能株式会社 | 对输入图像中的像素分类的方法和装置及图像处理系统 |
CN106097252A (zh) * | 2016-06-23 | 2016-11-09 | 哈尔滨工业大学 | 基于图Graph模型的高光谱图像超像素分割方法 |
CN108447065A (zh) * | 2018-03-12 | 2018-08-24 | 哈尔滨工业大学 | 基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110796038A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796038B (zh) | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 | |
Le Goff et al. | Deep learning for cloud detection | |
CN109325484B (zh) | 基于背景先验显著性的花卉图像分类方法 | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN102005034B (zh) | 基于区域聚类的遥感影像分割方法 | |
CN110866896B (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
CN108629783B (zh) | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 | |
JP2002319024A (ja) | 色と質感との組み合わせに基づく映像検索方法 | |
CN112036231B (zh) | 一种基于车载视频的车道线和路面指示标志检测与识别方法 | |
CN105184314B (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111179193B (zh) | 基于DCNNs和GANs的皮肤镜图像增强和分类方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及系统 | |
CN112686902A (zh) | 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法 | |
CN111833362A (zh) | 基于超像素和区域生长的非结构化道路分割方法及系统 | |
CN110378272A (zh) | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 | |
Li et al. | Optimized automatic seeded region growing algorithm with application to ROI extraction | |
CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN113762251A (zh) | 一种基于注意力机制的目标分类方法及系统 | |
CN105894494A (zh) | 基于gpu技术的三线阵立体航测相机并行谱段配准方法 | |
CN111274936B (zh) | 多光谱图像地物分类方法、系统、介质及终端 |
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 |