CN110796163B - 一种顾及光谱重要性的高光谱影像空谱分类方法及装置 - Google Patents

一种顾及光谱重要性的高光谱影像空谱分类方法及装置 Download PDF

Info

Publication number
CN110796163B
CN110796163B CN201910891041.7A CN201910891041A CN110796163B CN 110796163 B CN110796163 B CN 110796163B CN 201910891041 A CN201910891041 A CN 201910891041A CN 110796163 B CN110796163 B CN 110796163B
Authority
CN
China
Prior art keywords
classification
spectrum
spectral
importance
hyperspectral
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
Application number
CN201910891041.7A
Other languages
English (en)
Other versions
CN110796163A (zh
Inventor
赵�济
王力哲
王为琼
董宇婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910891041.7A priority Critical patent/CN110796163B/zh
Publication of CN110796163A publication Critical patent/CN110796163A/zh
Application granted granted Critical
Publication of CN110796163B publication Critical patent/CN110796163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种顾及光谱重要性的高光谱影像空谱分类方法及装置，对于给定具有数百个光谱波段的高光谱遥感影像，通过随机森林计算光谱特征重要性；自定义光谱权重特征核函数，利用提取的光谱特征权重，建模每一个光谱波段在分类中的相对作用，对地物类别识别更有益的波段赋予更大的权重，增加地物的光谱判别能力；在条件随机场统一的框架下构建光谱一元势能和空间二元势能，在光谱一元势能中考虑光谱特征权重，集成光谱权重核函数在非线性空间中提升不同光谱特征的区分能力，并通过空间二元势能建模地物的空间相关性。实施本发明的有益效果是：减轻了不重要波段对于分类的影响，提高类别的可区分性，提升分类效果。

Description

一种顾及光谱重要性的高光谱影像空谱分类方法及装置
技术领域
本发明属于高光谱遥感影像处理领域，特别涉及一种顾及光谱重要性的高光谱影像空谱分类方法及装置。
背景技术
高光谱遥感影像具有光谱分辨率高、图谱合一的独特优势，可以提供不同地物的诊断性光谱特征，是地物分类识别的重要数据来源。近年来，随着高光谱技术的飞速发展，具有高空间分辨率的高光谱遥感影像(双高遥感影像)开始不断涌现，例如国产天宫一号卫星、航空ROSIS、CASI以及无人机等纳米级高光谱影像的空间分辨率已达米级，甚至亚米级。这种具有高空间分辨率的高光谱影像同时包含精细化光谱和丰富的空间信息，可以从光谱和几何空间维度清晰表达地物，为精细地物分类提供了可能，因此，如何综合利用影像的光谱和空间信息的互补性，开展高光谱遥感影像的空谱联合分类，是高光谱遥感影像处理的前沿和研究热点。
目前高光谱遥感影像空谱联合分类的研究主要集中在以下三个方面：(1)基于空谱特征的分类方法。该类方法联合光谱信息，基于像元与邻域像元的空间模式提取各种形式的空间特征，从而利用新形成的空间特征增强光谱可分性。常用的空谱特征主要有纹理特征、形态学结构特征等；(2)面向对象的分类方法。面向对象的高光谱影像分类方法从高分辨率遥感影像分类借鉴而来，首先通过分割算法将影像分割成相对同质区域的对象，然后基于分割对象不同的属性特征将其分类识别成不同的地物。因此，面向对象的方法不是以单个像元为处理单元，而是使用分割对象作为基本分析单元，可以集成如大小、形状、纹理和几何结构等对象的空间信息，有效缓解类内光谱可变性，有助于克服分类噪声现象。然而，面向对象的分类结果直接受到分割尺度的影响，影像中地物均以不同的尺度形式存在，从而难以在影像中选取一个最佳尺度，同时兼顾不同的地物；(3)基于空间上下文信息的分类方法。空间上下文信息可描述不同空间位置的像元或者图块所具有的相关性，是消除地物类别光谱不确定性的重要互补信息。因此，基于空间上下文的分类方法可以基于地物的光谱信息，利用影像的空间上下文信息改善分类效果。代表性方法有：基于概率滤波的方法，即基于考虑空间信息的局部滤波或者扩展随机游走算法对类别概率图进行精化，以得到最终融合空间信息的分类结果，但其往往是启发式的，缺乏统一的理论框架；基于随机场的分类方法可以在统一的概率框架下建模分类标记的上下文信息，其中典型的马尔科夫随机场和条件随机场模型，目前已在高光谱影像分类中进行了成功应用，如研究学者提出了结合支持向量机的马尔科夫随机场模型，融合多元逻辑回归的条件随机场模型等，该类方法具有很强的空间建模能力，但往往缺乏对光谱信息的关注，丢失了一定的局部细小结构。
高光谱遥感影像空谱联合分类方法虽然取得了一定的研究进展，可以有效改善地物分类效果，但大多沿用高空间分辨率的分类方法，在面临地物分布复杂、光谱多变的具有高空间分辨率的高光谱遥感影像时，仍存在地物关键光谱信息学习机制缺乏问题。高光谱影像往往使用数百个光谱波段精细刻画地物光谱，而不同地物之间的主要差别往往集中反应在光谱吸收、反射峰谷等一些关键光谱片段上，使得不同的光谱特征在分类识别过程中重要性不同。然而当前以随机场模型为代表的基于空间上下文信息的空谱分类方法，其侧重于空间信息的建模，缺乏地物敏感光谱信息的学习机制，从而难以利用空间信息抑制分类噪声的同时保持局部细节信息。因此，有必要开展一种顾及光谱重要性的高光谱影像空谱分类方法。
综上所述，考虑到高光谱遥感影像一般具有数百个光谱波段，不同光谱波段对于地物的判别能力以及在分类识别中作用往往不同，因此，亟需发明一种顾及光谱重要性的高光谱影像空谱分类方法，基于不同的光谱特征在分类识别过程中的重要性不同，利用先验领域知识，对地物类别区分更有益的光谱波段赋予更大的权重，学习出具有类别区分性的关键光谱信息，提高对不同类别的识别能力，更加准确地识别地物种类，提高分类准确率。
发明内容
本发明所提供的这种顾及光谱重要性的高光谱影像空谱分类方法及装置，对于原始具有数百个光谱波段的高光谱遥感影像，基于随机森林的特征重要性建模每一个光谱波段在分类中的相对作用，为了利用提取的光谱特征权重，增加地物的光谱判别能力，自定义光谱权重特征核函数，对地物类别识别更有益的波段赋予更大的权重，提升光谱可分性。为了充分挖掘高光谱遥感影像光谱和空间的互补信息，本发明在条件随机场统一的框架下构建光谱一元势能和空间二元势能，在光谱一元势能中考虑光谱特征权重，集成光谱权重核函数在非线性空间中提升不同光谱特征的区分能力，并通过空间二元势能建模地物的空间相关性，进一步提高分类效果。
具体的，本发明为解决其技术问题，所采用的顾及光谱重要性的高光谱影像空谱分类方法，包含如下步骤：
S1、采用随机森林算法，判断光谱波段的重要性，将实际采集到的高光谱遥感影像的光谱波段作为分类中的特征变量，对于高光谱遥感影像N个光谱波段，对应有N个特征变量；M为大于1的正整数；
S2、若训练数据以及待分类的高光谱遥感影像是二分类问题，则所述支持向量机为：
Figure GDA0002833293530000031
其中zi∈{+1,-1}是分类目标标记，α是拉格朗日乘子，M是训练数据的个数，b是偏置项，f(x)为输出，K(x,x′)＝Φ(x)TΦ(x′)是核函数，Φ(x)是特征映射函数；核函数具体如下：
Figure GDA0002833293530000032
其中，S＝diag(S)为对角矩阵，权向量S＝{s1,s2，…，sM}对应于各光谱波段的权值，由下式计算：
Figure GDA0002833293530000033
其中μ、σ分别是光谱波段重要性的中值和方差；
基于Platt概率估算方法，将支持向量机的输出f进行处理，转化为下述后验概率，然后采用所述高光谱遥感影像所形成的带分类目标标记的训练数据对转化为后验概率的支持向量机进行训练：
Figure GDA0002833293530000034
其中，A和B是待拟合的参数，通过所述训练数据进行估计得到；
若训练数据以及待分类的高光谱遥感影像是大于2的多分类问题，则基于OVO策略，通过每两个类别训练一个二类分类器，经过投票方法获得多个分类结果，然后再采用采用所述高光谱遥感影像所形成的带分类目标标记的训练数据对转化为后验概率的所述支持向量机进行训练；
S3、给定一幅待分类的高光谱遥感影像，其中V＝{1,2，…，N1}表示N1个像素集合，利用xi表示影像像素i的光谱值，将待分类的高光谱遥感影像表示为x＝{x1,x2，…，xN1}，将y＝{y1,y2，…，yN1}作为分类标记，其中像素的分类标记yi从标记集合L＝{1,2，…，K}中获取，K为分类类别数；条件随机场将后验概率建模为下述吉布斯分布：
Figure GDA0002833293530000041
其中Z为满足概率和为一要求的归一化函数，ψc(yc,x)为势团c中随机变量关系建模的势函数；
S4、将吉布斯分布转换为成对条件随机场形成，转换的形式为：
Figure GDA0002833293530000042
其中ψi(yi|x)表示光谱一元势能项，建模像素的分类标记yi与x之间的关系,根据像素P(yi＝lk)的概率计算像素i使用类标签lk的代价，其中概率由步骤S2训练后的支持向量机得到，ψij(yi,yj|x)是空间二元势能，建模空间相关性，参数λ是一个非负常数，Ni是像素i的邻域系统；且，
ψi(yi|x)＝-ln(P(yi＝lk|x))
Figure GDA0002833293530000043
θ是自由参数，为一个0至10之间的常数，参数β设置为2<||xi-xj||2>，其中<>表示取平均值；
S5、通过最小化能量函数E(y|x)，得到最优解，从而预测出预测xi的最优标记，获取最终分类结果：
Figure GDA0002833293530000044
E(y|x)即成对条件随机场形成的吉布斯分布能量。
进一步地，在本发明的顾及光谱重要性的高光谱影像空谱分类方法中，步骤S1中，所述采用随机森林算法，判断光谱波段的重要性具体是指：
波段的重要性为随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度通过到达该节点的概率进行加权得到，该概率由到达该节点的样本所占比例进行计算，从而光谱波段的第m个特征变量Xm的重要性通过在预测标记Y的过程中对于所有使用Xm的节点对加权的不纯度减少量进行累加后取平均得到，即
Figure GDA0002833293530000051
其中，Imp表示重要性，NT为随机森林中决策树的数量，T是随机森林中决策树的集合，p(t)为样本到达节点t的比例，v(st)为划分st中使用的变量，Δi(st,t)为划分st在节点t处不纯度的减少量，m＝1、2、3、…、M。
进一步地，在本发明的顾及光谱重要性的高光谱影像空谱分类方法中，邻域系统使用的是8邻域系统。
本发明为解决其技术问题，还提供了一种顾及光谱重要性的高光谱影像空谱分类装置，该装置具备存储介质，所述存储介质内存储有计算机可执行指令，用于实现上述任一项所述的顾及光谱重要性的高光谱影像空谱分类方法。
本发明提供的技术方案带来的有益效果是：
1.本顾及光谱重要性的高光谱影像空谱分类方法利用自定义光谱权重核挖掘高光谱遥感影像光谱波段具有不同重要性的特点，减轻了不重要波段的影响，有利于提高类别的可区分性；
2.本方法使用随机森林算法学习光谱波段重要性，具有高维数据处理能力和噪声鲁棒性强的优点；
3.本方法在条件随机场统一的概率框架下建模光谱和空间信息的交互，集成地物光谱重要性，建模空间相关性，可以减轻光谱分类的不确定性，提升像素分类精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明所提供的这种顾及光谱重要性的高光谱影像空谱分类方法的流程图；
图2是本发明实施例中输入的Salinas AVIRIS高光谱遥感影像(a)和地面真实类别情况(b)；
图3是本发明实施例中步骤2中对于Salinas AVIRIS数据集使用传统RBF核的分类结果(a)和自定义光谱权重核的分类结果(b)；
图4是本发明实施例中对Salinas AVIRIS数据集顾及光谱重要性的条件随机场空谱分类结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1,其为本发明所提供的这种顾及光谱重要性的高光谱影像空谱分类方法的流程图，依据本发明的高光谱影像空谱分类方法实现的核心点，将本发明的主要实现划分为如下步骤：
步骤1：光谱波段重要性提取
步骤2：自定义光谱权重核
步骤3：条件随机场框架构建
步骤1的具体实现包括如下子步骤，
步骤1.1，采用随机森林算法，判断光谱波段的重要性，将高光谱遥感影像的光谱波段作为分类中的特征变量，对于实际采集的高光谱遥感影像M光谱波段，对应有M个特征变量；M为大于1的正整数；参见图2，图2是本发明实施例中输入的Salinas AVIRIS高光谱遥感影像(a)和地面真实类别情况(b)。
基于随机森林算法，求取光谱波段的重要性的具体原理是：光谱波段的重要性为随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度可以通过到达该节点的概率进行加权，该概率由到达该节点的样本所占比例近似计算，从而光谱波段特征变量Xm的重要性可以通过在预测标记Y的过程中对于所有使用Xm的节点对加权的不纯度减少量进行累加后取平均，即
Figure GDA0002833293530000061
其中，Imp()表示重要性，NT为随机森林中决策树的数量，T是随机森林中决策树的集合，p(t)为样本到达节点t的比例，v(st)为划分st中使用的变量，Δi(st,t)为划分(split)st在节点t处不纯度(impurity)的减少量。
步骤2的具体实现包括如下子步骤，
采用支持向量机算法对步骤1中产生的数据进行分析，在二分类问题中，支持向量机可以表示为：
Figure GDA0002833293530000071
其中zi∈{+1,-1}是分类目标标记，α是拉格朗日乘子，M是训练数据的个数，b是偏置项。K(x,x′)＝Φ(x)TΦ(x′)是核函数，Φ(x)是特征映射函数，可以将数据映射到高维特征空间，增加数据可分性的几率。
基于Platt概率估算方法，将支持向量机的输出f进行后处理，转化为后验概率：
Figure GDA0002833293530000072
其中，A和B是待拟合的参数，可以通过将步骤1中的数据作为训练样本最小化负似然函数进行估计。在高光谱遥感影像分类多类情况下，可以采用“OVO”策略，通过每两个类别训练一个二类分类器，经过投票方法获得多类结果，如此再通过将步骤1中的数据所形成的带分类目标标记的训练数据最小化负似然函数进行估计。“OVO”策略属于现有技术，本发明在此不做具体阐述。
由于高光谱影像中数百个光谱波段在地物分类识别过程中的不同作用，考虑光谱权重的核函数设计如下：
Figure GDA0002833293530000073
其中，S＝diag(S)为对角矩阵，权向量S＝{s1,s2，…，sM}对应于各波段的权值，可由下式计算：
Figure GDA0002833293530000074
其中μ、σ分别是光谱波段重要性的中值和方差。在光谱权重核中，权重被设计成对应于每个光谱波段的相对效用。因此，重要性较大的光谱波段在归一化尺度上具有较大的权重，不太重要的光谱特征可以不加强调，从而隐含地进行特征选择。
参考图3，图3是本发明实施例中步骤2中对于Salinas AVIRIS数据集使用传统RBF核的分类结果(a)和自定义光谱权重核的分类结果(b)
步骤3的具体实现包括如下子步骤，
步骤3.1，给定高光谱影像，其中V＝{1,2，…，N1}表示N1个像素集合，利用xi表示图像像素i的光谱值，将待分类的高光谱遥感影像数据表示为x＝{x1,x2，…，xN1}，将y＝{y1,y2，…，yN1}作为分类标记，其中像素的分类标记yi可以从标记集合L＝{1,2，…，K}中获取，K为分类类别数。条件随机场将后验概率建模为吉布斯分布，其形式如下：
Figure GDA0002833293530000081
其中Z为满足概率和为一要求的归一化函数，ψc(yc,x)为势团c中随机变量关系建模的势函数。
步骤3.2，不同类型的势函数可以分为一元光谱势能、二元空间势能、甚至高阶势能。成对条件随机场是一种应用广泛的分类模型，包含一元光谱势能和二元空间势能，其形式可以表示为：
Figure GDA0002833293530000082
其中ψi(yi|x)表示光谱一元势能项，建模像素的分类标记yi与x之间的关系，,ψij(yi,yj|x)是空间二元势能，建模空间相关性，参数λ是一个非负常数，Ni是像素i的邻域系统，使用的是8邻域系统。
步骤3.3，在贝叶斯极大后验规则下，分类问题倾向于搜索最优的标记y，使后验概率最大化。因此，分类问题也可以通过最小化能量函数E(y|x)，即对应步骤3.2式的吉布斯能量，得到最优结果：
Figure GDA0002833293530000083
光谱一元势能用负对数似然来建模。空间二元势能作为平滑项，支持影像的同质区域在分类中采用相同的标签。一元势能和二元势能的定义如下:
ψi(yi|x)＝-ln(P(yi＝lk|x))
Figure GDA0002833293530000084
一元光谱势能ψi(yi|x)根据像素P(yi＝lk)的概率计算像素i使用类标签lk的代价，其中概率可以利用自定义光谱权重核的支持向量机分类算法(即步骤2中训练后的支持向量机)得到。根据ψi(yi,yj|x)建模空间相关性，二元空间势能考虑空间相互作用，鼓励相邻像素共享相同的标签。利用单位常数来缓解小而孤立区域造成的空间不一致性。θ是自由参数，为一个取值范围0-10之间的常数，并优选为0至4之间，参数β设置为2<||xi-xj||2>，其中<>表示取平均值。基于条件随机场一元势能和二元势能的构建，采用图割推理算法预测最优标记，获取最终分类结果。
参考图4，图4是本发明实施例中对Salinas AVIRIS数据集顾及光谱重要性的条件随机场空谱分类结果
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.一种顾及光谱重要性的高光谱影像空谱分类方法，其特征在于，包含如下步骤：
S1、采用随机森林算法，判断光谱波段的重要性，将实际采集到的高光谱遥感影像的光谱波段作为分类中的特征变量，对于高光谱遥感影像N个光谱波段，对应有N个特征变量；N为大于1的正整数；
S2、若训练数据以及待分类的高光谱遥感影像是二分类问题，则支持向量机为：
Figure FDA0002833293520000011
其中zi∈{+1,-1}是分类目标标记，α是拉格朗日乘子，M是训练数据的个数，b是偏置项，f(x)为输出，K(x,x′)＝Φ(x)TΦ(x′)是核函数，Φ(x)是特征映射函数；核函数具体如下：
Figure FDA0002833293520000012
其中，S＝diag(S)为对角矩阵，权向量S＝{s1,s2，…，sM}对应于各光谱波段的权值，由下式计算：
Figure FDA0002833293520000013
其中μ、σ分别是光谱波段重要性的中值和方差；Imp()表示重要性；Xi为特征变量；
基于Platt概率估算方法，将支持向量机的输出f进行处理，转化为下述后验概率然后采用所述高光谱遥感影像所形成的带分类目标标记的训练数据对转化为后验概率的支持向量机进行训练：
Figure FDA0002833293520000014
其中，A和B是待拟合的参数，通过所述训练数据进行估计得到；
若训练数据以及待分类的高光谱遥感影像是大于2的多分类问题，则基于OVO策略，通过每两个类别训练一个二类分类器，经过投票方法获得多个分类结果，然后再采用采用所述高光谱遥感影像所形成的带分类目标标记的训练数据对转化为后验概率的所述支持向量机进行训练；
S3、给定一幅待分类的高光谱遥感影像，其中V＝{1,2，…，N1}表示N1个像素集合，利用xi表示影像像素i的光谱值，将待分类的高光谱遥感影像表示为x＝{x1,x2，…，xN1}，将y＝{y1,y2，…，yN1}作为分类标记，其中像素的分类标记yi从标记集合L＝{1,2，…，K}中获取，K为分类类别数；条件随机场将后验概率建模为下述吉布斯分布：
Figure FDA0002833293520000021
其中Z为满足概率和为一要求的归一化函数，ψc(yc,x)为势团c中随机变量关系建模的势函数；
S4、将吉布斯分布转换为成对条件随机场形成，转换的形式为：
Figure FDA0002833293520000022
其中ψi(yi|x)表示光谱一元势能项，建模像素的分类标记yi与x之间的关系,根据像素P(yi＝lk)的概率计算像素i使用类标签lk的代价，其中概率由步骤S2训练后的支持向量机得到，ψij(yi,yj|x)是空间二元势能，建模空间相关性，参数λ是一个非负常数，Ni是像素i的邻域系统；且，
ψi(yi|x)＝-ln(P(yi＝lk|x))
Figure FDA0002833293520000023
θ是自由参数，为一个0至10之间的常数，参数β设置为2<||xi-xj||2>，其中<>表示取平均值；
S5、通过最小化能量函数E(y|x)，得到最优解，从而预测出预测xi的最优标记，获取最终分类结果：
Figure FDA0002833293520000024
E(y|x)即成对条件随机场形成的吉布斯分布能量。
2.根据权利要求1所述的顾及光谱重要性的高光谱影像空谱分类方法，其特征在于，步骤S1中，所述采用随机森林算法，判断光谱波段的重要性具体是指：
波段的重要性为随机森林中所有决策树节点不纯度减少量的平均值，节点不纯度通过到达该节点的概率进行加权得到，该概率由到达该节点的样本所占比例进行计算，从而光谱波段的第m个特征变量Xm的重要性通过在预测标记Y的过程中对于所有使用Xm的节点对加权的不纯度减少量进行累加后取平均得到，即
Figure FDA0002833293520000031
其中，Imp表示重要性，NT为随机森林中决策树的数量，T是随机森林中决策树的集合，p(t)为样本到达节点t的比例，v(st)为划分st中使用的变量，Δi(st,t)为划分st在节点t处不纯度的减少量，m＝1、2、3、…、M。
3.根据权利要求1所述的顾及光谱重要性的高光谱影像空谱分类方法，其特征在于，所述邻域系统使用的是8邻域系统。
4.一种顾及光谱重要性的高光谱影像空谱分类装置，其特征在于，具备存储介质，所述存储介质内存储有计算机可执行指令，用于实现如权利要求1-3任一项所述的顾及光谱重要性的高光谱影像空谱分类方法。
CN201910891041.7A 2019-09-19 2019-09-19 一种顾及光谱重要性的高光谱影像空谱分类方法及装置 Active CN110796163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910891041.7A CN110796163B (zh) 2019-09-19 2019-09-19 一种顾及光谱重要性的高光谱影像空谱分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910891041.7A CN110796163B (zh) 2019-09-19 2019-09-19 一种顾及光谱重要性的高光谱影像空谱分类方法及装置

Publications (2)

Publication Number Publication Date
CN110796163A CN110796163A (zh) 2020-02-14
CN110796163B true CN110796163B (zh) 2021-03-19

Family

ID=69438612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910891041.7A Active CN110796163B (zh) 2019-09-19 2019-09-19 一种顾及光谱重要性的高光谱影像空谱分类方法及装置

Country Status (1)

Country Link
CN (1) CN110796163B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929270A (zh) * 2020-07-07 2020-11-13 长江大学 一种小麦突变体识别方法
CN112131931B (zh) * 2020-08-07 2023-08-29 中国地质大学（武汉） 基于注意力机制的深度森林高光谱图像分类方法和系统
CN113139532B (zh) * 2021-06-22 2021-09-21 中国地质大学（武汉） 一种基于多输出分类模型的分类方法、计算机设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982339A (zh) * 2012-10-31 2013-03-20 浙江大学 一种高光谱特征变量选取的方法
EP2526405B1 (de) * 2010-01-21 2016-10-19 Technische Universität Dresden Verfahren und vorrichtung zur bestimmung des geschlechtes von befruchteten und nicht bebrüteten vogeleiern
CN106651856A (zh) * 2016-12-31 2017-05-10 湖南文理学院 一种泡沫镍表面缺陷的检测方法
CN107451614A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于空间坐标与空谱特征融合的高光谱分类方法
CN108038448A (zh) * 2017-12-13 2018-05-15 河南理工大学 基于加权熵的半监督随机森林高光谱遥感影像分类方法
EP3513355A1 (de) * 2016-09-16 2019-07-24 Technische Universität Dresden Verfahren zur klassifizierung von spektren von objekten mit komplexem informationsgehalt

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500344B (zh) * 2013-09-02 2017-02-08 中国测绘科学研究院 一种遥感影像信息提取与解译方法及其模块
CN108197641A (zh) * 2017-12-21 2018-06-22 武汉工程大学 一种基于兴趣域检测的空间金字塔匹配图像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2526405B1 (de) * 2010-01-21 2016-10-19 Technische Universität Dresden Verfahren und vorrichtung zur bestimmung des geschlechtes von befruchteten und nicht bebrüteten vogeleiern
CN102982339A (zh) * 2012-10-31 2013-03-20 浙江大学 一种高光谱特征变量选取的方法
EP3513355A1 (de) * 2016-09-16 2019-07-24 Technische Universität Dresden Verfahren zur klassifizierung von spektren von objekten mit komplexem informationsgehalt
CN106651856A (zh) * 2016-12-31 2017-05-10 湖南文理学院 一种泡沫镍表面缺陷的检测方法
CN107451614A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于空间坐标与空谱特征融合的高光谱分类方法
CN108038448A (zh) * 2017-12-13 2018-05-15 河南理工大学 基于加权熵的半监督随机森林高光谱遥感影像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Evaluation of Knowledge Gaps in Mathematical Applications of Thermal Image Processing Techniques for Fire Prevention》;Nath S et al;《ACM Computing Surveys》;20170306;全文 *
《基于高效置信传播的改进马尔可夫随机场高光谱数据分类算法》;曹杨等;《模式识别与人工智能》;20140422(第2014年第03期);全文 *
郭立萍.《 基于支持向量机遥感图像融合分类方法研究》.《中国博士学位论文全文数据库信息科技辑》.2015,(第2015年第08期),第I140-20页. *

Also Published As

Publication number Publication date
CN110796163A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110796163B (zh) 一种顾及光谱重要性的高光谱影像空谱分类方法及装置
Mai et al. A hybrid interval type-2 semi-supervised possibilistic fuzzy c-means clustering and particle swarm optimization for satellite image analysis
Kaur et al. Mixed pixel decomposition based on extended fuzzy clustering for single spectral value remote sensing images
Boggavarapu et al. A new framework for hyperspectral image classification using Gabor embedded patch based convolution neural network
CN111259784B (zh) 基于迁移学习和主动学习的sar图像变化检测方法
Huo et al. A batch-mode active learning algorithm using region-partitioning diversity for SVM classifier
Krishna et al. Hyperspectral satellite data analysis for pure pixels extraction and evaluation of advanced classifier algorithms for LULC classification
Guo et al. Dual graph U-Nets for hyperspectral image classification
Wang et al. Semi-supervised classification framework of hyperspectral images based on the fusion evidence entropy
CN115393719A (zh) 结合空谱域自适应与集成学习的高光谱图像分类方法
Volpi et al. Unsupervised change detection by kernel clustering
Zhao et al. Enhanced total variation regularized representation model with endmember background dictionary for hyperspectral anomaly detection
Chakraborty et al. Hyper-spectral image segmentation using an improved PSO aided with multilevel fuzzy entropy
Sarkar et al. Landcover classification in MRF context using Dempster-Shafer fusion for multisensor imagery
Kareem et al. Multilabel land cover aerial image classification using convolutional neural networks
Feng et al. Land-cover classification of high-resolution remote sensing image based on multi-classifier fusion and the improved Dempster–Shafer evidence theory
Huang et al. Hyperspectral image classification via active learning and broad learning system
CN112115961B (zh) 一种基于稀疏图正则化的高光谱遥感影像分类方法
Jenicka et al. A textural approach for land cover classification of remotely sensed image
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
CN116343032A (zh) 结合高斯回归混合模型和mrf高光谱函数数据的分类方法
Asadi et al. Crop mapping through a hybrid machine learning and deep learning method
Phillips et al. An SMP soft classification algorithm for remote sensing
Kumar et al. Evaluating the close range hyperspectral data for feature identification and mapping
Brik et al. Combining pixel-and object-based approaches for multispectral image classification using dempster-shafer theory

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