CN111046844A - 一种基于新型邻域选取约束的高光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于新型邻域选取约束的高光谱图像分类方法，包括以下步骤：S1.读入高光谱图像数据；S2.根据高光谱数据选取训练样本，构建字典D；S3.确定待处理测试样本的自适应邻域集A；S4.确定待处理测试样本的多尺度方形邻域集B；S5.确定待处理测试样本的最终邻域集C，构建该测试样本所对应的最终邻域测试集合J；S6.求解对应的系数矩阵集合Ψ；S7.重构样本,计算不同尺度最终邻域对应的重构残差集合R；S8.通过重构残差集合R最终确定高光谱像元类别。本发明，使不同尺度邻域的信息得到综合的利用与考虑；同时通过自适应邻域的有效约束，考虑到不同测试像元的差异性，分别避免了非同类邻域像元的干扰，具有分类图视觉效果好，分类精度高等优点。

Description

一种基于新型邻域选取约束的高光谱图像分类方法

技术领域

本发明涉及遥感信息处理技术领域，特别涉及一种基于新型邻域选取约束的高光谱图像分类方法。

背景技术

高光谱图像通过光学传感器所采集，通常高光谱图像具有维数高、信息海量等特点。高光谱图像分类是将每个像元所包含的所有波谱信息作为一个整体，不同类别所对应的波谱信息由于地物反射电磁能量不同而存在一定的差异性，依据这种差异性将每个像元赋予样本类别标号。随着技术的发展，协作表达分类(collaborative representationclassification,CRC)和联合协作表达分类(Joint collaborative representationclassification,JCRC)被成功的引入高光谱图像分类中，并具有一定的优势。

CRC分类方法存在的问题：针对图像中的像元，高光谱图像的邻域信息没有得到考虑。JCRC分类方法存在的问题：1、针对不同像元，邻域为一个固定尺寸的方形邻域，邻域信息较为单一且容易引入不同类别像元干扰。2、针对不同的像元，高光谱图像中的综合邻域信息没有得到自适应性有效地提取。

上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于新型邻域选取约束的高光谱图像分类方法，使不同尺度邻域的信息得到综合的利用与考虑，避免了非同类邻域像元的干扰。

本发明的目的是通过以下技术方案来实现的：一种基于新型邻域选取约束的高光谱图像分类方法，包括以下步骤：

S1.读入高光谱图像数据；

S2.根据高光谱数据选取训练样本，构建字典D；

S3.确定待处理测试样本的自适应邻域集A：

S301.针对高光谱数据进行主成分分析变换，并提取第一主成分分量PC1。

S302.利用PC1，寻找每个待处理测试样本的自适应邻域集合并保存

S4.确定待处理测试样本的多尺度方形邻域集B：

S401.确定方形邻域的多个尺度；

S402.确定待处理测试样本的多尺度方形邻域集B，并保存邻域集合的位置索引信息；

S5.确定待处理测试样本的最终邻域集C，构建该测试样本所对应的最终邻域测试集合J：

S501.利用A和B来确定最终的邻域集合C。

S502.分别统计不同尺度最终邻域中包含的像元的个数，构建该测试样本所对应的最终邻域测试集合J。

S6.求解对应的系数矩阵集合Ψ；

S7.重构样本,计算不同尺度最终邻域对应的重构残差集合R；

S8.通过重构残差集合R最终确定高光谱像元类别:

S801.对不同尺度最终邻域对应的重构残差集合R进行残差融合，得到测试像元x所对应的第i类的最终残差ZRⁱ。

S802.确定高光谱像元最终类别。

优选地，对于每一个测试样本，按照步骤S3至步骤S8进行处理，即得到高光谱图像分类结果。

本发明的有益效果是：本发明采用自适应邻域与方形多尺度邻域求交集的形式来确定每个像元的多尺度最终邻域，使不同尺度邻域的信息得到综合的利用与考虑；同时通过自适应邻域的有效约束，考虑到不同测试像元的差异性，分别避免了非同类邻域像元的干扰，具有分类图视觉效果好，分类精度高等优点。

附图说明

图1为本发明方法的流程图；

图2为本发明实施例的Indian Pines高光谱数据的真实图像；

图3为本发明实施例在Indian Pines高光谱数据中所选取的原始各类的地物分布图；

图4为Indian Pines数据集的CRC分类分布图；

图5为Indian Pines数据集的JCRC分类分布图；

图6为Indian Pines数据集的本发明实施例方法分类分布图；

图7为本发明实施例中采用的三种不同方法对Indian Pines数据集分类的评价指标图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于新型邻域选取约束的高光谱图像分类方法，包括如下步骤：

S1、读入高光谱图像数据。

读入三维高光谱数据维数为b*L*q，其中图像大小为b*L，具有q个波段。

S2、根据高光谱数据选取训练样本，构建字典D。

高光谱数据高光谱数据一共包含j个类别地物，从各个类别中分别选取一部分像元样本作为训练样本，同时将这些训练样本的集合作为字典D，D＝[D₁，D₂，…,D_i,…,D_j]，其中D_i表示由第i类别的地物所构成的字典子集。

S3、确定待处理测试样本的自适应邻域集A。

S301.针对高光谱数据进行主成分分析变换，并提取第一主成分分量(the firstprincipal component,PC1)。

将三维高光谱数据平铺展开为二维数据S，将S减去所对应的均值向量

得到中心化向量Y。计算Y的协方差矩阵COV＝E{YY^T}，E{·}表示数学期望，上标T表示矩阵转置。通过求解得到协方差矩阵COV所对应的特征值矩阵W和特征向量矩阵Λ。其中，满足COV＝ΛWΛ^T。找到特征值矩阵W中最大特征值，其所对应的特征向量为w₁。进行矩阵投影得到PC1，有PC1＝w₁ ^TY。

S302.利用PC1，寻找每个待处理测试样本的自适应邻域集合并保存。

A1、针对待处理的某一测试像元x，依据PC1给出m个邻域尺度h所构成的尺度集合H(H＝{h₁,h₂,…,h_m}(h₁<h₂…<h_m)，其中，h(h∈H)，m为尺度个数，为正整数)和N个不同的方向θ_n(n＝1,2,…,N)。

A2、计算不同方向所对应的尺度估计值y(x,θ_n)_h，(其中

为卷积运算，

为局部多项式自适应核，h∈H。)并计算y(x,θ_n)_h对应的置信区间C(x,θ_n)_h，如式(1)。

其中β>0为阈值，σ(x,θ_n)_h为标准偏差。

A3、确定每个方向所对应的最佳邻域尺度。

根据式(2)确定θ_n方向所对应的最佳邻域尺度h⁺(x,θ_n)

其中h_v∈H，h⁺(x,θ_n)∈H。

A4、确定自适应邻域集合A，并保存该邻域集合的位置索引信息。

以像元x为中心，在一维平面内将最佳邻域尺度h⁺(x,θ_n)作为不同方向对应的长度进行延伸，将不同方向的终点进行连接，最终构成一个多边形。多边形所覆盖的像元集合为像元x的自适应邻域A，并保存该邻域集合的位置索引信息。

S4、确定待处理测试样本的多尺度方形邻域集B。

S401、确定方形邻域的多个尺度。

根据高光谱图像给出所需邻域的M个不同尺度信息，

(1≤e≤M)。W_e为尺度的大小，为正的奇整数。

S402、确定待处理测试样本的多尺度方形邻域集B，并保存邻域集合的位置索引信息。

使用尺度为W_e(e的初始值为1)的邻域。待处理的测试像元x，以该测试像元所处的位置为中心点构建一个尺寸为W_e×W_e的方形邻域，邻域窗口大小为W_e。邻域窗口所覆盖的像元集合为像元x的方形多尺度邻域集合B，其中B＝{B₁,B₂,…,B_e,…B_M}，而B_e对应着尺度W_e的邻域集合。并保存不同尺度邻域集合的位置索引信息。

S5、确定待处理测试样本的最终邻域集C，构建该测试样本所对应的最终邻域测试集合J。

S501利用A和B来确定最终的邻域集合C。

在多尺度方形邻域集B的基础上，引入自适应邻域A的约束，确定多尺度最终邻域集合C，C＝{C₁,C₂,…,C_e,…C_M}。具体操作为C中不同尺度的邻域为A与不同尺度下B集合中重叠的像素索引位置，如公式(3)。

C₁＝A∩B₁,C₂＝A∩B₂,...,C_M＝A∩B_M (3)

这里的集合C包含着M个不同尺度的最终邻域集合。

S502分别统计不同尺度最终邻域中包含的像元的个数，构建该测试样本所对应的最终邻域测试集合J。

对C中不同尺度邻域内所分别包含的像元数目各自统计，得到最终邻域像元数目集合NC,NC＝{NC₁,NC₂,…,NC_e,…NC_M}，NC_e对应着C_e的邻域集合内的所包含的像元数目。

利用高光谱图像所对应的最终邻域中所有的像元的光谱向量构建该测试像元在不同尺度下最终邻域测试集合矩阵J。J＝{J₁,J₂,…,J_e,…J_M}，J_e表示用最终邻域C_e下的所有像元所构成的矩阵。

S6、求解对应的系数矩阵集合Ψ；

根据测试样本的不同尺度最终邻域测试集合J和字典D，依式(4)求解测试像元x的不同尺度邻域系数矩阵集合Ψ，Ψ＝{Ψ₁,Ψ₂,…,Ψ_e,…Ψ_M}。

其中，Ψ_e表示J_e所对应得系数矩阵；λ为平衡因子，对数据的重构精度和协同度进行平衡，满足λ>0；||·||_F表示Frobenious范数,上标2表示平方。

S7、重构样本,计算不同尺度最终邻域对应的重构残差集合R；

利用不同尺度下最终邻域测试集合矩阵J分别减去对应尺度下系数矩阵与字典相乘得到的重构样本，针对第i类样本所对应的残差计算如式(5)：

而不同尺度下的残差集合为

S8、通过重构残差集合R最终确定高光谱像元类别。

S801对不同尺度最终邻域对应的重构残差集合R进行残差融合，得到测试像元x所对应的第i类的最终残差ZRⁱ，如公式(6)所示。

S802确定高光谱像元最终类别。

依据式子(7)，根据最终残差ZRⁱ来确定测试像元x的类别，x的类别class(x)被确定具有最小最终残差所对应的那一类。

最终的输出class(x)为基于新型邻域选取约束的高光谱图像分类方法的分类结果。

需要说明的是，针对高光谱图像中的每个测试样本,都需要按照步骤S3～S8都要进行处理，最终得到本发明的高光谱图像分类结果。

在本申请的实施例中，为了说明本发明的有效性，特进行如下实验论证。

如图2和图3所示，其中采用Indian Pines高光谱数据集来验证本发明方法的适用性。

美国印第安纳州Indian Pines实验区图像，其于1992年6月用AVIRIS传感器采集得到，空间分辨率为20m。原始图像共有220个波段，大小为145×145，共有16种地物分布，将原始的220个波段中受噪声影响较大的一些波段去除后选取200个波段作为仿真研究对象。从16种实际地物分布样本中每一类别随机抽取约10％的样本作为训练样本。

在对高光谱图像进行分类时，本发明方法与CRC方法和使用单一尺寸方形邻域的JCRC方法进行对比。

运用三种方法分类后与之对应的各类地物的分类分布图分别如图4、图5和图6所示，可以很直观的看到相对于CRC方法和使用单一尺寸方形邻域的JCRC方法分类，本发明的方法分类效果图最好。

三种分类方法的三个分类评价指标即总体分类精度，类别平均分类精度和Kappa系数如图7所示。其中总体分类精度、类别平均分类精度和Kappa系数越高，图像的分类效果就越好。相比于CRC，本发明方法从总体分类精度，类别平均分类精度和Kappa系数来看要分别高出16.86％，12.10％，19.50％。相比于使用单一尺度方形邻域的JCRC，本发明方法从总体分类精度，类别平均分类精度和Kappa系数来看要分别高出5％，3.83％，5.98％。通过实验的对比分析可以进一步看出本发明方法优势所在：分类图效果好、分类精度高。

最后需要说明的是，以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：包括以下步骤：

S1.读入高光谱图像数据；

S2.根据高光谱数据选取训练样本，构建字典D；

S3.确定待处理测试样本的自适应邻域集A；

S4.确定待处理测试样本的多尺度方形邻域集B；

S5.确定待处理测试样本的最终邻域集C，构建该测试样本所对应的最终邻域测试集合J；

S6.求解对应的系数矩阵集合Ψ；

S7.重构样本,计算不同尺度最终邻域对应的重构残差集合R；

S8.通过重构残差集合R最终确定高光谱像元类别。

2.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S1中读入的高光谱图像数据为三维数据，维数为b*L*q，其中图像大小为b*L，具有q个波段。

3.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S2包括：设高光谱数据一共包含j个类别地物，从各个类别中分别选取一部分像元样本作为训练样本，同时将这些训练样本的集合作为字典D，D＝[D₁，D₂，…,D_i,…,D_j]，其中D_i表示由第i类别的地物所构成的字典子集。

4.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S3包括:

S301.针对高光谱数据进行主成分分析变换，并提取第一主成分分量PC1：

将三维高光谱数据平铺展开为二维数据S，将S减去所对应的均值向量S，得到中心化向量Y；

计算Y的协方差矩阵COV＝E{YY^T}，E{·}表示数学期望，上标T表示矩阵转置；

通过求解得到协方差矩阵COV所对应的特征值矩阵W和特征向量矩阵Λ，满足COV＝ΛWΛ^T；

找到特征值矩阵W中最大特征值，其所对应的特征向量为w₁；进行矩阵投影得到PC1，有PC1＝w₁ ^TY；

S302.利用PC1，寻找每个待处理测试样本的自适应邻域集合A并保存：

A1、针对待处理的某一测试像元x，依据PC1给出m个邻域尺度h所构成的尺度集合H和N个不同的方向θ_n，n＝1,2,…,N：

H＝{h₁,h₂,…,h_m}，h₁＜h₂…＜h_m；

其中，h∈H，m为正整数，表示尺度个数；

A2、计算不同方向所对应的尺度估计值y(x,θ_n)_h：

为卷积运算，

为局部多项式自适应核，h∈H；

计算y(x,θ_n)_h对应的置信区间C(x,θ_n)_h：

其中，β>0为阈值，σ(x,θ_n)_h为标准偏差；

A3、确定每个方向所对应的最佳邻域尺度：

确定θ_n方向所对应的最佳邻域尺度h⁺(x,θ_n)

h⁺(x,θ_n)＝h_v，

其中h_v∈H，h⁺(x,θ_n)∈H；

A4、确定自适应邻域集合A，并保存该邻域集合的位置索引信息：

以像元x为中心，在一维平面内将最佳邻域尺度h⁺(x,θ_n)作为不同方向对应的长度进行延伸，将不同方向的终点进行连接，最终构成一个多边形；多边形所覆盖的像元集合为像元x的自适应邻域A，并保存该邻域集合的位置索引信息。

5.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S4包括以下子步骤：

S401.确定方形邻域的多个尺度：

根据高光谱图像给出所需邻域的M个不同尺度信息：

其中，W_e表示尺度的大小，为正的奇整数；

S402.确定待处理测试样本的多尺度方形邻域集B，并保存邻域集合的位置索引信息：

使用尺度为W_e的邻域，e的初始值为1，待处理的测试像元x，以该测试像元所处的位置为中心点构建一个尺寸为W_e×W_e的方形邻域，邻域窗口大小为W_e；邻域窗口所覆盖的像元集合为像元x的方形多尺度邻域集合B，其中，

B＝{B₁,B₂,…,B_e,…B_M}，

B_e对应着尺度W_e的邻域集合，并保存不同尺度邻域集合的位置索引信息。

6.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S5包括以下子步骤：

S501.利用A和B来确定最终的邻域集合C：

在多尺度方形邻域集B的基础上，引入自适应邻域A的约束，确定多尺度最终邻域集合C：

C＝{C₁,C₂,…,C_e,…C_M}；

具体操作为C中不同尺度的邻域为A与不同尺度下B集合中重叠的像素索引位置，如下式：

C₁＝A∩B₁,C₂＝A∩B₂,...,C_M＝A∩B_M；

这里的集合C包含着M个不同尺度的最终邻域集合；

S502.分别统计不同尺度最终邻域中包含的像元的个数，构建该测试样本所对应的最终邻域测试集合J:

对C中不同尺度邻域内所分别包含的像元数目各自统计，得到最终邻域像元数目集合NC,NC＝{NC₁,NC₂,…,NC_e,…NC_M}，NC_e对应着C_e的邻域集合内的所包含的像元数目；

利用高光谱图像所对应的最终邻域中所有的像元的光谱向量构建该测试像元在不同尺度下最终邻域测试集合矩阵J：

J＝{J₁,J₂,…,J_e,…J_M}，

J_e表示用最终邻域C_e下的所有像元所构成的矩阵。

7.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S6包括：

根据测试样本的不同尺度最终邻域测试集合J和字典D，求解测试像元x的不同尺度邻域系数矩阵集合Ψ，Ψ＝{Ψ₁,Ψ₂,…,Ψ_e,…Ψ_M}，求解方式如下

其中，Ψ_e表示J_e所对应得系数矩阵；λ为平衡因子，对数据的重构精度和协同度进行平衡，满足λ>0；||·||_F表示Frobenious范数。

8.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S7包括：

利用不同尺度下最终邻域测试集合矩阵J分别减去对应尺度下系数矩阵与字典相乘得到的重构样本，针对第i类样本所对应的残差计算如下：

而不同尺度下的残差集合为

9.根据权利要求1所述的一种基于新型邻域选取约束的高光谱图像分类方法，其特征在于：所述步骤S8包括以下子步骤：

S801.对不同尺度最终邻域对应的重构残差集合R进行残差融合，得到测试像元x所对应的第i类的最终残差ZRⁱ：

S802.确定高光谱像元最终类别。

根据最终残差ZRⁱ来确定测试像元x的类别，x的类别class(x)被确定具有最小最终残差所对应的那一类，具体如下：

最终的输出class(x)为基于新型邻域选取约束的高光谱图像分类方法的分类结果。

Images