CN111310571A - 一种基于空谱维滤波的高光谱图像分类方法及装置 - Google Patents

一种基于空谱维滤波的高光谱图像分类方法及装置 Download PDF

Info

Publication number
CN111310571A
CN111310571A CN202010050795.2A CN202010050795A CN111310571A CN 111310571 A CN111310571 A CN 111310571A CN 202010050795 A CN202010050795 A CN 202010050795A CN 111310571 A CN111310571 A CN 111310571A
Authority
CN
China
Prior art keywords
hyperspectral image
sample
filtering
hyperspectral
image
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
Application number
CN202010050795.2A
Other languages
English (en)
Other versions
CN111310571B (zh
Inventor
谭鑫
宁鸿章
许亮
李耀彬
焦庆斌
李文昊
李宇航
许玉兴
邹宇博
杨琳
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN202010050795.2A priority Critical patent/CN111310571B/zh
Publication of CN111310571A publication Critical patent/CN111310571A/zh
Application granted granted Critical
Publication of CN111310571B publication Critical patent/CN111310571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及高光谱图像处理领域，具体涉及一种基于空谱维滤波的高光谱图像分类方法及装置。该方法及装置对反射率反演后的样本的高光谱图像进行TSG滤波、黑白掩膜标定，基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集，输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。该方法及装置结合主成分分析、支持向量机算法构建了高光谱图像，能够抑制高光谱图像中受样本三维形态影响带来的DN值畸变，同时改善图像光谱维的条带噪声，实现高光谱图像空谱维滤波。本发明改善了高光谱图像中样本边缘以及不规则表面带来的DN值畸变，有效提高了图像的分类精度，可用于农业、药业、环境监视等等诸多领域。

Description

一种基于空谱维滤波的高光谱图像分类方法及装置
技术领域
本发明涉及高光谱图像处理领域，具体而言，涉及一种基于空谱维滤波的高光谱图像分类方法及装置。
背景技术
高光谱图像具备目标区域空间以及光谱信息，被广泛应用于农业、环境监测、地物目标探测等等领域。在高光谱图像采集过程中由于受目标样本三维形态的影响，图像边缘以及一些不规则表面处会不同程度造成光照的不均匀，从而带来高光谱图像中DN值的畸变，DN值(Digital Number)是遥感影像像元亮度值，记录的地物的灰度值，这些畸变会从一定程度上影响图像中样本点的光谱特征，最终导致图像边缘以及不规则表面的分类精度降低。
目前多采用SG滤波算法对高光谱图像进行滤波，SG滤波算法Savizkg和Golag提出来的基于最小二乘原理的多项式最佳拟合算法，也称卷积平滑，是一种效果很好的除白噪声方法。SG滤波能够有效滤除图像中光谱维噪声并保留图像的光谱特征使其受影响较小，却不能改善上述情况下图像中的DN值畸变。现有技术中也有提出先对高光谱图像进行SG滤波然后进行双边滤波，但这种方法计算量大，过程繁琐。
发明内容
本发明实施例提供了一种基于空谱维滤波的高光谱图像分类方法及装置，以至少解决现有技术对高光谱图像中样本边缘以及不规则表面带来的DN值畸变而导致的分类精度差的技术问题。
根据本发明的一实施例，提供了一种基于空谱维滤波的高光谱图像分类方法，包括以下步骤：
S1：采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；
S2：利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；
S3：对反射率反演后的样本的高光谱图像进行TSG滤波；
S4：对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，得到样本的高光谱图像的标签信息；
S5：采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前多个主成分；
S6：基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集；
S7：从特征集中抽取训练集与测试集；
S8：输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。
进一步地，方法还包括步骤：
S9：输出分类后的样本的高光谱图像。
进一步地，步骤S9包括：输出分类后的样本的高光谱图像并计算分类精度。
进一步地，在步骤S7中，根据同类样本点之间的相似度，从特征集中抽取训练集与测试集。
进一步地，步骤S7包括：计算同类样本之间的相似度，选取相似度小的若干样本点作为训练集。
进一步地，在步骤S2中，利用公式ref＝R(f-fmin)/fref-fmin进行高光谱反射率反演，其中R为高光谱图像中标准反射率板的反射率，fmin为高光谱图像中的暗噪声。
进一步地，通过二维快速傅里叶变换对每个波段的空间图像进行卷积操作来实现TSG滤波。
进一步地，通过二维快速傅里叶变换对每个波段的空间图像进行卷积操作包括：
确定一个预设大小的窗口，从光谱曲线的第一个点开始，将窗口内的所有数据作为一个集合得到一维SG卷积核，将一维SG卷积核按水平、竖直、斜向上、斜向下四个方向组合成一个二维SG卷积核。
根据本发明的另一实施例，提供了一种基于空谱维滤波的高光谱图像分类装置，包括：
采集单元，用于采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；
反射率反演单元，用于利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；
滤波单元，用于对反射率反演后的样本的高光谱图像进行TSG滤波；
标定单元，用于对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，得到样本的高光谱图像的标签信息；
降维单元，用于采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前多个主成分；
特征集构造单元，用于基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集；
抽取单元，用于从特征集中抽取训练集与测试集；
分类单元，用于输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。
进一步地，装置还包括：
输出单元，用于输出分类后的样本的高光谱图像。
本发明实施例中的基于空谱维滤波的高光谱图像分类方法及装置，结合主成分分析、支持向量机算法构建了高光谱图像，能够抑制高光谱图像中受样本三维形态影响带来的DN值畸变，同时改善图像光谱维的条带噪声，实现高光谱图像空谱维滤波。本发明改善了高光谱图像中样本边缘以及不规则表面带来的DN值畸变，有效提高了图像的分类精度，可用于农业、药业、环境监视等等诸多领域。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于空谱维滤波的高光谱图像分类方法的流程图；
图2为本发明基于空谱维滤波的高光谱图像分类方法的优选流程图；
图3为本发明中一维SG卷积核扩展为二维SG卷积核示意图；
图4为本发明基于空谱维滤波的高光谱图像分类装置的模块图；
图5为本发明基于空谱维滤波的高光谱图像分类装置的优选模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
针对图像中受样本三维形态影响带来的DN值畸变问题，需要一种过程简单、效率高的滤波方法，弥补SG滤波的不足，提高光谱图像分类精度。本发明的目的在于提出一种基于空谱维滤波(SG滤波)的高光谱图像分类方法，能够抑制高光谱图像中受样本三维形态影响带来的DN值畸变，同时改善图像光谱维的条带噪声，实现高光谱图像空谱维滤波，并基于此方法构建分类误差较少的高光谱图像分类装置。
实施例1
根据本发明一实施例，提供了一种基于空谱维滤波的高光谱图像分类方法，参见图1，包括以下步骤：
S1：采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；
S2：利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；
S3：对反射率反演后的样本的高光谱图像进行TSG滤波；
S4：对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，得到样本的高光谱图像的标签信息；
S5：采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前多个主成分；
S6：基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集；
S7：从特征集中抽取训练集与测试集；
S8：输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。
本发明实施例中的基于空谱维滤波的高光谱图像分类方法，结合主成分分析、支持向量机算法构建了高光谱图像，能够抑制高光谱图像中受样本三维形态影响带来的DN值畸变，同时改善图像光谱维的条带噪声，实现高光谱图像空谱维滤波。本发明改善了高光谱图像中样本边缘以及不规则表面带来的DN值畸变，有效提高了图像的分类精度，可用于农业、药业、环境监视等等诸多领域。
优选地，参见图2，方法还包括步骤：
S9：输出分类后的样本的高光谱图像。
下面以具体实施例，对本发明的基于空谱维滤波的高光谱图像分类方法进行详细说明：
如图1-2所示，本发明基于空谱维滤波的高光谱图像分类方法包括：
S1：采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；在图像采集过程中，同时采集样本以及标准反射率板的高光谱图像。
S2：利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；利用公式ref＝R(f-fmin)/fref-fmin进行高光谱反射率反演，其中R为高光谱图像中标准反射率板的反射率，fmin为高光谱图像中的暗噪声。
S3：对反射率反演后的样本的高光谱图像进行TSG滤波；
S4：对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，只保留带测样本的高光谱信息，并得到样本的高光谱图像的标签信息；
S5：采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前c个主成分；
S6：基于样本的高光谱图像的标签信息与样本的高光谱图像的前c个主成分构造特征集；
S7：根据同类样本点之间的相似度，从特征集中抽取训练集与测试集；
S8：输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类；
S9：输出分类后的样本的高光谱图像并计算分类精度。
在制作数据集(包括训练集与测试集)前，先对样本的高光谱图像进行了掩膜标定，去掉了图像中不相干的信息，减少了后面主成分分析算法的计算量，然后利用主成分分析压缩了样本的光谱特征，进一步减少了后面采用识别分类的计算量，计算同类间样本之间的相似度，选取相似度小的若干样本点作为训练集，从而使训练集更具代表性。
图3为一维SG卷积核扩展为二维SG卷积核示意图。SG滤波算法是基于最小二乘原理的多项式平滑算法。首先确定一个固定大小(2*m+1)的窗口，m为≥1的整数，从光谱曲线的第一个点开始，将窗口内的所有数据作为一个集合，各测量点x＝[-m,1-m,…,0,1,…,m]，采用多项式(1)来拟合它。
Figure BDA0002371099940000071
其中，p(x)表示拟合得到的函数值，N表示离散函数所有定义域的子集，a表示系数矩阵，x＝[-m,1-m,…,0,1,…,m]。
如图3所示，设置m＝2，n＝3计算得到一维SG卷积核，可以看出一维卷积核系数是关于中心点对称的，故将它按水平、竖直、斜向上、斜向下四个方向组合成一个二维的卷积核。令二维SG卷积核大小为(2×m+1)*2，对二维SG卷积核内的每个元素(x，y)，可以通过下面的公式(2)来描述：
Figure BDA0002371099940000081
其中，
Figure BDA0002371099940000082
表示不大于
Figure BDA0002371099940000083
的最大整数，B0是式(1)中求得的一维SG卷积核系数矩阵，f(i,j)表示二维卷积核中横坐标为i,纵坐标为j处所对应的值。在滤波过程中，采用傅里叶变换利用卷积定理，对高光光谱图像的空间维进行卷积。即通过二维快速傅里叶变换对每个波段的空间图像进行卷积操作，即完成TSG滤波过程。
本发明将一维的SG卷积核按水平、竖直、斜向下、斜向上四个方向扩展成二维SG卷积核，与待滤波高光谱空间维数据进行卷积，利用高光谱图像中的空间信息拟合修复图像中的异常点的TSG滤波方法。
实验证明对pavia大学数据集采用TSG滤波(m＝3，n＝4)后图像信噪比提升了10％以上、峰值信噪比大于30db，部分波段光谱相对峰值高度最高提升30％以上，平均强度提升40％以上。表明相较于SG滤波，TSG滤波能够有效抑制条带噪声、增强光谱特征峰，且能增强光谱特征波段。
小麦籽粒成椭球形，在采集籽粒的高光谱图像时受籽粒三维形态的影响，从籽粒边缘到中心高光谱图像的DN值不断增大，甚至会出现中心过曝或边缘被遮挡等过暗的情况，采用SG滤波算法只是去除了图像光谱维的噪声，并不能缓解这一现象。TSG滤波是作用在高光谱的空间维的一种滤波算法，经TSG滤波后图像中每个点的DN值都会受到周围点的影响而发生一定的改变，从而使中心或边缘不再过亮或过暗，同时高光谱图像相邻波段之间也存在相关性，因此TSG滤波后也能滤除图像中光谱维的噪声。基于TSG滤波算法，结合主成分分析、支持向量机算法，构建小麦籽粒赤霉病高光谱分类识别方法，该方法的测试集分类精度高达99％，相较于采用SG滤波算法分类精度得到了极大提高。
实施例2
根据本发明的另一实施例，提供了一种基于空谱维滤波的高光谱图像分类装置，参见图4，包括：
采集单元201，用于采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；
反射率反演单元202，用于利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；
滤波单元203，用于对反射率反演后的样本的高光谱图像进行TSG滤波；
标定单元204，用于对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，得到样本的高光谱图像的标签信息；
降维单元205，用于采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前多个主成分；
特征集构造单元206，用于基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集；
抽取单元207，用于从特征集中抽取训练集与测试集；
分类单元208，用于输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。
优选地，参见图5，装置还包括：
输出单元209，用于输出分类后的样本的高光谱图像。
本发明实施例中的基于空谱维滤波的高光谱图像分类装置，结合主成分分析、支持向量机算法构建了高光谱图像，能够抑制高光谱图像中受样本三维形态影响带来的DN值畸变，同时改善图像光谱维的条带噪声，实现高光谱图像空谱维滤波。本发明改善了高光谱图像中样本边缘以及不规则表面带来的DN值畸变，有效提高了图像的分类精度，可用于农业、药业、环境监视等等诸多领域。
下面以具体实施例，对本发明的基于空谱维滤波的高光谱图像分类装置进行详细说明：
如图4-5所示，本发明基于空谱维滤波的高光谱图像分类装置包括：
采集单元201：采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；在图像采集过程中，同时采集样本以及标准反射率板的高光谱图像。
反射率反演单元202：利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；利用公式ref＝R(f-fmin)/fref-fmin进行高光谱反射率反演，其中R为高光谱图像中标准反射率板的反射率，fmin为高光谱图像中的暗噪声。
滤波单元203：对反射率反演后的样本的高光谱图像进行TSG滤波；
标定单元204：对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，只保留带测样本的高光谱信息，并得到样本的高光谱图像的标签信息；
降维单元205：采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前c个主成分；
特征集构造单元206：基于样本的高光谱图像的标签信息与样本的高光谱图像的前c个主成分构造特征集；
抽取单元207：根据同类样本点之间的相似度，从特征集中抽取训练集与测试集；
分类单元208：输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类；
输出单元209：输出分类后的样本的高光谱图像并计算分类精度。
在制作数据集(包括训练集与测试集)前，先对样本的高光谱图像进行了掩膜标定，去掉了图像中不相干的信息，减少了后面主成分分析算法的计算量，然后利用主成分分析压缩了样本的光谱特征，进一步减少了后面采用识别分类的计算量，计算同类间样本之间的相似度，选取相似度小的若干样本点作为训练集，从而使训练集更具代表性。
图3为一维SG卷积核扩展为二维SG卷积核示意图。SG滤波算法是基于最小二乘原理的多项式平滑算法。首先确定一个固定大小(2*m+1)的窗口，m为≥1的整数，从光谱曲线的第一个点开始，将窗口内的所有数据作为一个集合，各测量点x＝[-m,1-m,…,0,1,…,m]，采用多项式(1)来拟合它。
Figure BDA0002371099940000111
如图3所示，设置m＝2，n＝3计算得到一维SG卷积核，可以看出一维卷积核系数是关于中心点对称的，故将它按水平、竖直、斜向上、斜向下四个方向组合成一个二维的卷积核。令二维SG卷积核大小为(2×m+1)*2，对二维SG卷积核内的每个元素(x，y)，可以通过下面的公式(2)来描述：
Figure BDA0002371099940000112
其中，
Figure BDA0002371099940000113
表示不大于
Figure BDA0002371099940000114
的最大整数，B0是式(1)中求得的一维SG卷积核系数矩阵。在滤波过程中，采用傅里叶变换利用卷积定理，对高光光谱图像的空间维进行卷积。即通过二维快速傅里叶变换对每个波段的空间图像进行卷积操作，即完成TSG滤波过程。
本发明将一维的SG卷积核按水平、竖直、斜向下、斜向上四个方向扩展成二维SG卷积核，与待滤波高光谱空间维数据进行卷积，利用高光谱图像中的空间信息拟合修复图像中的异常点的TSG滤波方法。
实验证明对pavia大学数据集采用TSG滤波(m＝3，n＝4)后图像信噪比提升了10％以上、峰值信噪比大于30db，部分波段光谱相对峰值高度最高提升30％以上，平均强度提升40％以上。表明相较于SG滤波，TSG滤波能够有效抑制条带噪声、增强光谱特征峰，且能增强光谱特征波段。
小麦籽粒成椭球形，在采集籽粒的高光谱图像时受籽粒三维形态的影响，从籽粒边缘到中心高光谱图像的DN值不断增大，甚至会出现中心过曝或边缘被遮挡等过暗的情况，采用SG滤波算法只是去除了图像光谱维的噪声，并不能缓解这一现象。TSG滤波是作用在高光谱的空间维的一种滤波算法，经TSG滤波后图像中每个点的DN值都会受到周围点的影响而发生一定的改变，从而使中心或边缘不再过亮或过暗，同时高光谱图像相邻波段之间也存在相关性，因此TSG滤波后也能滤除图像中光谱维的噪声。基于TSG滤波算法，结合主成分分析、支持向量机算法，构建小麦籽粒赤霉病高光谱分类识别装置，该装置的测试集分类精度高达99％，相较于采用SG滤波算法分类精度得到了极大提高。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于空谱维滤波的高光谱图像分类方法，其特征在于，包括：
S1：采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；
S2：利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；
S3：对反射率反演后的样本的高光谱图像进行TSG滤波；
S4：对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，得到样本的高光谱图像的标签信息；
S5：采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前多个主成分；
S6：基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集；
S7：从特征集中抽取训练集与测试集；
S8：输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。
2.根据权利要求1所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，所述方法还包括步骤：
S9：输出分类后的样本的高光谱图像。
3.根据权利要求2所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，步骤S9包括：输出分类后的样本的高光谱图像并计算分类精度。
4.根据权利要求1所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，在步骤S7中，根据同类样本点之间的相似度，从特征集中抽取训练集与测试集。
5.根据权利要求4所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，步骤S7包括：计算同类样本之间的相似度，选取相似度小的若干样本点作为训练集。
6.根据权利要求1所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，在步骤S2中，利用公式ref＝R(f-fmin)、、ref-fmin进行高光谱反射率反演，其中R为高光谱图像中标准反射率板的反射率，fmin为高光谱图像中的暗噪声。
7.根据权利要求1所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，通过二维快速傅里叶变换对每个波段的空间图像进行卷积操作来实现TSG滤波。
8.根据权利要求7所述的基于空谱维滤波的高光谱图像分类方法，其特征在于，所述通过二维快速傅里叶变换对每个波段的空间图像进行卷积操作包括：
确定一个预设大小的窗口，从光谱曲线的第一个点开始，将窗口内的所有数据作为一个集合得到一维SG卷积核，将一维SG卷积核按水平、竖直、斜向上、斜向下四个方向组合成一个二维SG卷积核。
9.一种基于空谱维滤波的高光谱图像分类装置，其特征在于，包括：
采集单元，用于采集样本以及标准反射率板的高光谱图像，并保持标准反射率板与样本的相对位置不变；
反射率反演单元，用于利用标准反射率板的高光谱图像数据对样本的高光谱图像进行反射率反演；
滤波单元，用于对反射率反演后的样本的高光谱图像进行TSG滤波；
标定单元，用于对TSG滤波后的样本的高光谱图像进行黑白掩膜标定，得到样本的高光谱图像的标签信息；
降维单元，用于采用主成分分析对黑白掩膜标定后的样本的高光谱图像进行降维，得到样本的高光谱图像的前多个主成分；
特征集构造单元，用于基于样本的高光谱图像的标签信息与样本的高光谱图像的前多个主成分构造特征集；
抽取单元，用于从特征集中抽取训练集与测试集；
分类单元，用于输入训练集对支持向量机进行训练，利用训练好的支持向量机对测试集进行分类。
10.根据权利要求9所述的基于空谱维滤波的高光谱图像分类装置，其特征在于，所述装置还包括：
输出单元，用于输出分类后的样本的高光谱图像。
CN202010050795.2A 2020-01-17 2020-01-17 一种基于空谱维滤波的高光谱图像分类方法及装置 Active CN111310571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010050795.2A CN111310571B (zh) 2020-01-17 2020-01-17 一种基于空谱维滤波的高光谱图像分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010050795.2A CN111310571B (zh) 2020-01-17 2020-01-17 一种基于空谱维滤波的高光谱图像分类方法及装置

Publications (2)

Publication Number Publication Date
CN111310571A true CN111310571A (zh) 2020-06-19
CN111310571B CN111310571B (zh) 2022-11-22

Family

ID=71160418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010050795.2A Active CN111310571B (zh) 2020-01-17 2020-01-17 一种基于空谱维滤波的高光谱图像分类方法及装置

Country Status (1)

Country Link
CN (1) CN111310571B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783865A (zh) * 2020-06-23 2020-10-16 西北工业大学 基于空谱邻域嵌入和最优相似图的高光谱分类方法
CN112016392A (zh) * 2020-07-17 2020-12-01 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN113962904A (zh) * 2021-11-26 2022-01-21 江苏云脑数据科技有限公司 一种高光谱图像滤波降噪的方法
CN114120038A (zh) * 2021-11-26 2022-03-01 中国科学院长春光学精密机械与物理研究所 基于高光谱成像技术及模型训练的甲状旁腺识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318270A (zh) * 2014-11-21 2015-01-28 东北林业大学 一种基于modis时间序列数据的土地覆盖分类方法
CN106056157A (zh) * 2016-06-01 2016-10-26 西北大学 基于空‑谱信息的高光谱图像半监督分类方法
CN106778074A (zh) * 2017-01-24 2017-05-31 浙江省农业科学院 转基因玉米检测方法及装置
CN107145830A (zh) * 2017-04-07 2017-09-08 西安电子科技大学 基于空间信息增强和深度信念网络的高光谱图像分类方法
CN107832693A (zh) * 2017-10-31 2018-03-23 广东交通职业技术学院 一种基于空间自相关信息的高光谱图像植被分类方法
CN108398391A (zh) * 2018-01-23 2018-08-14 浙江理工大学 一种基于高光谱成像技术的橄榄油掺假的检测方法
US20180268195A1 (en) * 2016-01-27 2018-09-20 Shenzhen University Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images
CN109146003A (zh) * 2018-09-30 2019-01-04 合刃科技（深圳）有限公司 一种基于高光谱成像的分类识别方法、装置及系统
US20190164047A1 (en) * 2017-11-27 2019-05-30 Technische Universiteit Eindhoven Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
CN110059564A (zh) * 2019-03-19 2019-07-26 西安交通大学 基于功率谱密度和互相关熵谱密度融合的特征提取方法
CN110516727A (zh) * 2019-08-20 2019-11-29 西安电子科技大学 基于fpga深度边缘滤波器的高光谱图像分类方法
CN110596280A (zh) * 2019-10-29 2019-12-20 南京财经大学 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318270A (zh) * 2014-11-21 2015-01-28 东北林业大学 一种基于modis时间序列数据的土地覆盖分类方法
US20180268195A1 (en) * 2016-01-27 2018-09-20 Shenzhen University Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images
CN106056157A (zh) * 2016-06-01 2016-10-26 西北大学 基于空‑谱信息的高光谱图像半监督分类方法
CN106778074A (zh) * 2017-01-24 2017-05-31 浙江省农业科学院 转基因玉米检测方法及装置
CN107145830A (zh) * 2017-04-07 2017-09-08 西安电子科技大学 基于空间信息增强和深度信念网络的高光谱图像分类方法
CN107832693A (zh) * 2017-10-31 2018-03-23 广东交通职业技术学院 一种基于空间自相关信息的高光谱图像植被分类方法
US20190164047A1 (en) * 2017-11-27 2019-05-30 Technische Universiteit Eindhoven Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
CN108398391A (zh) * 2018-01-23 2018-08-14 浙江理工大学 一种基于高光谱成像技术的橄榄油掺假的检测方法
CN109146003A (zh) * 2018-09-30 2019-01-04 合刃科技（深圳）有限公司 一种基于高光谱成像的分类识别方法、装置及系统
CN110059564A (zh) * 2019-03-19 2019-07-26 西安交通大学 基于功率谱密度和互相关熵谱密度融合的特征提取方法
CN110516727A (zh) * 2019-08-20 2019-11-29 西安电子科技大学 基于fpga深度边缘滤波器的高光谱图像分类方法
CN110596280A (zh) * 2019-10-29 2019-12-20 南京财经大学 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙利平: "基于深度学习的高光谱遥感图像分类算法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 *
王璨: "基于机器学习的农业图像识别与光谱检测方法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783865A (zh) * 2020-06-23 2020-10-16 西北工业大学 基于空谱邻域嵌入和最优相似图的高光谱分类方法
CN112016392A (zh) * 2020-07-17 2020-12-01 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN112016392B (zh) * 2020-07-17 2024-05-28 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN113962904A (zh) * 2021-11-26 2022-01-21 江苏云脑数据科技有限公司 一种高光谱图像滤波降噪的方法
CN114120038A (zh) * 2021-11-26 2022-03-01 中国科学院长春光学精密机械与物理研究所 基于高光谱成像技术及模型训练的甲状旁腺识别方法
CN113962904B (zh) * 2021-11-26 2023-02-10 江苏云脑数据科技有限公司 一种高光谱图像滤波降噪的方法

Also Published As

Publication number Publication date
CN111310571B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN111310571B (zh) 一种基于空谱维滤波的高光谱图像分类方法及装置
CN109492593B (zh) 基于主成分分析网络和空间坐标的高光谱图像分类方法
Kotwal et al. A novel approach to quantitative evaluation of hyperspectral image fusion techniques
US8548257B2 (en) Distinguishing between faces and non-faces
Song et al. Hyperspectral image classification based on KNN sparse representation
US6674915B1 (en) Descriptors adjustment when using steerable pyramid to extract features for content based search
Li et al. Hyperspectral image recovery employing a multidimensional nonlocal total variation model
CN111369605B (zh) 一种基于边缘特征的红外与可见光图像的配准方法和系统
CN112990313B (zh) 高光谱图像异常检测方法、装置、计算机设备及存储介质
CN108182449A (zh) 一种高光谱图像分类方法
CN109409389B (zh) 一种融合多特征的面向对象变化检测方法
WO2018116367A1 (en) Image processing device, method and storage medium for removing clouds from an image
van Zwanenberg et al. Edge detection techniques for quantifying spatial imaging system performance and image quality
CN107145831B (zh) 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法
CN115205194B (zh) 基于图像处理的粘虫板覆盖率检测方法、系统及装置
CN110490924B (zh) 一种基于多尺度Harris的光场图像特征点检测方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
Yang et al. Hyperspectral image classification using fast and adaptive bidimensional empirical mode decomposition with minimum noise fraction
CN116468958B (zh) 通信铁塔安全检测方法及系统
CN108960276B (zh) 提升光谱图像监督分类性能的样本扩充与一致性判别方法
CN108629771B (zh) 一种具有尺度鲁棒性的图像质量盲评价方法
CN104268535B (zh) 一种二维图像的特征提取方法
Shahkolaei et al. Blind quality assessment metric and degradation classification for degraded document images
CN116486140B (zh) 土壤质地分类方法、装置和电子设备
Ayhan et al. Spectral and spatial quality analysis in pan sharpening process

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