CN111368940A - 一种基于引导滤波与核极限学习机的高光谱图像分类方法 - Google Patents

Abstract

本发明涉及高光谱图像分类技术领域，公开了一种基于引导滤波与核极限学习机的高光谱图像分类方法，包括以下步骤S1、将高光谱图像数据进行归一化预处理；S2、对归一化处理之后的高光谱图像数据使用主成分分析法，获得多个不同的主成分图像；S3、通过引导图像对输入图像进行引导滤波处理，提取空间‑光谱信息；S4、将引导滤波处理后的图像选取其中5％作为训练集，剩下的作为测试集；S5、通过线性加权的方式，将空谱核与光谱核进行线性加权构成加权核；S6、将加权核送入核极限学习机，然后使用训练完的核极限学习机对测试样本进行分类预测，这种高光谱图像分类方法，取得了很高的分类精度，花费在整个分类过程的时间成本很低。

Description

一种基于引导滤波与核极限学习机的高光谱图像分类方法

技术领域

本发明涉及高光谱图像分类技术领域，特别涉及一种基于引导滤波与核极 限学习机的高光谱图像分类方法。

背景技术

高光谱遥感以测谱学为基础，其光谱波段宽度小于10nm，能在电磁波谱 的紫外、可见光、近红外和短波红外区域获取许多非常窄且光谱连续的图像数 据，图像中每个像元对应的波段多达上百个，所包含的光谱信息十分丰富。高 光谱图像由于同时具有光学特性和光谱识别能力，逐渐成为遥感领域研究与应 用的前沿与热点。迄今为止，高光谱遥感已成功地应用于地形精细分类、矿产 制图、植被生化参数提取、目标检测和环境监测等方面。与此同时，高光谱遥 感图像蕴含了地物的空间位置、结构以及光谱特性信息，其地物识别和分类能 力有了显著提高，为了充分利用这些信息，需要针对高光谱数据的特点，在传 统遥感图像处理技术的基础上，进一步发展高光谱遥感图像处理分析技术，进 而能够有效地探测和识别传统可见光、多光谱遥感中很难区分的地物类别。然 而，高光谱遥感的海量数据、高维度、小样本等特点也给广大科研人员带来了 机遇和挑战。

传统的分类方法已经取得了一定的效果，如基于K均值聚类的方法,基于支 持向量机的方法。最近流行的基于稀疏表达的方法，以及基于深度学习的方法 也取得了不错的分类效果。然而，由于高光谱图像维度高，随着维度的增高， 分类精度不升反降，出现维度灾难。同时，部分类别的标记样本较少，实现高 精度的分类需要耗费的时间成本较高。

引导滤波器是一种性能卓越的边缘保持滤波器，在边缘平滑方面与双边滤 波器类似，但是在边缘保持方面性能优于双边滤波器。引导滤波在处理图像时， 其本质特征是建立了引导图像与输出图像的局部线性模型，将输出图像与输入 图像的差值作为代价函数来估计模型参数，通过控制正则化参数来调节模型参 数的大小。BinPAN等学者，在文献《Hierarchical Guidance Filtering Base Ensemble Classification forHyperspetral Images》中通过引导滤波器提取空间信息用于高光 谱图像分类，在选取很少训练样本的情况下，Pavia University上取得了 94.93±0.63％的总体精度，相比泛化复合核精度提高了11.58％。

核极限学习机是极限学习机的一种非线性核化的形式，它用于极限学习机 的优点，不需要调节隐含层的输入与权重，这两个参数是随机生成的，同时求 解输出权重与输出。通过利用核技巧，将极大提高极限学习机模型的泛化能力， 同时还可以降低模型的时间成本。Gai-Ge Wang等学者在文献《Self-adaptive extreme learning machine》中评估了极限学习机的时间性能，实验数据采用UCI wine database,在取得最佳实验效果的前提下，后向传播算法需要6.11秒，而 极限学习机只需要0.71秒。

通过联合空间信息的方式，用引导滤波提取空间-光谱信息，在高光谱图像 分类的特征提取时将空间-光谱信息作为一种有益的补充，再结合核极限学习机 用于高光谱图像分类不但可以提高分类精度，还能降低花费在高光谱图像分类 过程中的时间成本。

发明内容

本发明提供一种基于引导滤波与核极限学习机的高光谱图像分类方法，取 得了很高的分类精度，花费在整个分类过程的时间成本很低。

本发明提供了一种基于引导滤波与核极限学习机的高光谱图像分类方法， 包括以下步骤：

S1、对高光谱图像数据进行归一化预处理；

S2、对归一化处理之后的高光谱图像数据使用主成分分析法，获得多个不 同的主成分图像；

S3、用一个主成分图像作为引导图像，所有主成分图像作为输入图像，通 过引导图像分别对所有输入图像进行引导滤波处理，提取空间-光谱信息；

S4、将引导滤波处理后的图像作为新的数据集，并选取其中5％的图像作 为训练样本，构成训练集，根据已知类别信息对训练样本进行类别标记，剩下 的图像作为测试样本，构成测试集；

S5、从引导滤波处理后的图像中提取的空间-光谱信息构成空谱核，直接从 高光谱图像中提取光谱信息构成光谱核，通过线性加权的方式，将空谱核与光 谱核进行线性加权构成加权核；

S6、将加权核送入核极限学习机，通过训练样本对核极限学习机进行训练， 然后使用训练完的核极限学习机对测试样本进行分类预测。

上述步骤S1中的归一化预处理的方法为：

假定高光谱图像数据集x＝(x₁，x₂，...，x_n)∈R^n×l,x_ij为数据集内任一点，x_max与x_min分别为最大、最小值，对于x_ij归一化操作按如下公式进行；

上述步骤S2中主成分分析法的具体过程为：对高光谱数据进行降维时， 为减少信息损失，选择使得总信息量达到99％的主成分数PC₁、PC₂…PC_n作为 不同的图像，选取的主成分数目n不同；将第一主成分PC₁作为引导图像，所 有主成分PC₁、PC₂…PC_n作为输入图像，选用多个滤波半径，对输入图像在每 个波段进行引导滤波，获取的空间-光谱信息如下：

GF(B_i)＝{F₁(B_i),F₃(B_i),…,F_r(B_i)},i＝1……N；

B_i为波段i的图像，F_r(B_i)为图像B_i的光谱信息；r为滤波半径，

GF(B_i)为B_i波段上以第一主成分为引导图像，所有主成分为输入图像，选 择多个滤波半径得到的多个空间-光谱信息。

上述步骤S3中的引导滤波处理方法为：通过计算引导滤波的输出图像即 滤波处理后的图像与输入图像的差值来估计引导滤波的线性模型参数ak,bk， 在波段B_i上选取半径分别为1、3、5、7的窗口进行引导滤波，得到的引导滤 波特征为{F₁(B_i),F₃(B_i),F₅(B_i),F₇(B_i)}，得到所有波段的引导滤波特征以后，将引导 滤波特征向量堆叠得到特征集。

上述步骤S5中线性加权的方式是通过选择合适的加权系数，分别由空谱 核和光谱核构成新的核极限学习机的核K通过线性加权获得加权核，其方式如 下：

K＝μK_S+(1-μ)K_W；

其中：K_S为空间-光谱信息构成空谱核如下：

K_W为光谱核如下：

其中，核函数使用径向基核函数，x_i、x_j归一化以后的高光谱数据，

为引导滤波从x_i、x_j得到的空间-光谱特征，

为光谱信息，σ_s为空谱核的 宽度，σ_w为光谱核的宽度；μ为线性加权因子，取值在0-1之间。

上述步骤S6中通过计算核极限学习机的输出权重矩阵来计算核极限学习 机的输出，f(x)作为类别结果的输出来判断归属类别如下：

f(x)＝Kα

其中：

C为正则因子，通过多次交叉验证选取，H为核极限学习机隐层矩阵，K 为加权核，Y为核极限学习机的训练目标，在核极限学习机输出权重的求解过 程中使用拉格朗日多项式和KKT(Karush-Kuhn-Tucker)优化来求解权重。

与现有技术相比，本发明的有益效果在于：

对归一化后的数据利用主成分分析法提取第一主成分作为引导图像，所有 主成分作为输入图像，使用引导滤波器在每个波段进行引导滤波，得到多个尺 度的空间-光谱特征，能更丰富的表达空间特征，然后将引导滤波器提取的空间 -光谱信息构成空谱核，原始高光谱数据构成光谱核，并且使用核极限学习机作 为分类器对高光谱图像进行分类，取得了很高的分类精度，花费在整个分类过 程的时间成本很低。

附图说明

图1为本发明提供的一种基于引导滤波与核极限学习机的高光谱图像分类 方法的流程框图。

图2为本发明提供的Indian Pines image RGB合成图。

图3为本发明提供的Indian Pines image实验分类图。

具体实施方式

下面结合附图1-3，对本发明的一个具体实施方式进行详细描述，但应当 理解本发明的保护范围并不受具体实施方式的限制。

一种基于引导滤波与核极限学习机的高光谱图像分类方法，包括以下步 骤：

步骤一：对高光谱数据进行预处理，将高光谱图像数据进行归一化处理；

步骤二：对归一化处理之后的数据使用主成分分析法，选取使得信息量达 到99％的主成分；

步骤三：用第一主成分作为引导图像，其他主成分作为输入图像，在每个 波段上进行引导滤波处理，提取空间-光谱信息；

步骤四：将引导滤波处理后的图像作为新的数据集，并选取其中5％作为 训练集，根据已知类别信息进行类别标记，剩下的作为测试集。

步骤五：提取到的空间-光谱信息构成空谱核，光谱信息构成光谱核，通过 经验线性加权的方式，将空间-光谱信息与光谱信息进行线性加权构成新的加权 核；

步骤六：随机选取5％的标记样本作为训练样本，将加权核送入核极限学 习机对核极限学习机进行训练，然后使用训练完的核极限学习机对测试样本进 行分类预测。

具体的，所述步骤一按如下过程进行：

假定高光谱数据集x＝(x₁，x₂，...，x_n)∈R^n×l,x_ij为数据集内任一点， x_max与x_min分别为最大、最小值，对于x_ij归一化操作按如下公式进行；

具体的，所述步骤二按如下过程进行：

对归一化以后的高光谱数据进行主成分变换，选取包含99％以上信息 的主成分PC₁、PC₂……PC_n,不同的图像，选取的主成分数目不同，实施例中选5 个主成分。

具体的，所述步骤三按如下过程进行：

第一主成分作为引导图像，剩余主成分作为输入图像，通过计算输出图像 与输入图像的差值来估计参数。在波段Bi上选取半径分别为1、3、5、7的窗 口进行引导滤波，得到的引导滤波特征为{F₁(B_i),F₃(B_i),F₅(B_i),F₇(B_i)}。得到所有波 段的引导滤波特征以后，将特征向量堆叠得到特征集；

具体的，所述步骤四按如下过程进行：

由所提取的空间-光谱信息作为空谱核，光谱信息作为光谱核：

Ks为空谱核，kw为光谱核

极限学习机的核构成形式一般有三种，本发明中采用加权的形式K＝μK_S+(1-μ)K_W，此处μ取0.15.

具体的，所述步骤五按如下过程进行：

将步骤五生成的新的加权核作为输入，送入到核极限学习机，核极限学习 机的核函数选择径向基函数，随机生成节点参数，隐层节点数通过数次实验选 择最终选1150个隐藏层节点数，通过隐含层的输出矩阵与权重来计算最终的 输出，得到分类结果。

f(x)＝Kα，

C为正则因子，通过多次交叉验证选取，H 为核极限学习机隐层矩阵，K为加权核，Y为核极限学习机的训练目标，在核 极限学习机输出权重的求解过程中使用拉格朗日多项式和KKT优化来求解权 重。

根据f(x)来判定所属类别。

实验结果

高光谱图像Indian pines分类结果如表1所示：

表1

实验对照数据表明：基于引导滤波与核极限学习机的高光谱图像分类方法 较未使用空间信息的极限学习机方法有30个百分点的提升，相较于支持向量 机方法在分类精度上有3.6个百分点的提升，时间上比支持向量机的方法快5 秒左右。

对归一化后的数据利用主成分分析法提取第一主成分作为引导图像，为保 证尽可能的不损失信息，选择信息量达到99％的主成分数量，除了第一主成分 以外的其他主成分作为输入图像，使用引导滤波器在每个波段进行引导滤波， 得到多个尺度的空间-光谱特征，能更丰富的表达空间特征，然后将引导滤波器 提取的空间-光谱信息构成空谱核，原始高光谱数据构成光谱核，并且使用核极 限学习机作为分类器对高光谱图像进行分类，取得了很高的分类精度，花费在 整个分类过程的时间成本很低。

上述实施例为本发明的一种实施方式，但本发明的实施方式并不受上述实 施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于引导滤波与核极限学习机的高光谱图像分类方法，包括以下步骤：

S1、对高光谱图像数据进行归一化预处理；

S2、对归一化处理之后的高光谱图像数据使用主成分分析法，获得多个不同的主成分图像；

S3、用一个主成分图像作为引导图像，所有主成分图像作为输入图像，通过引导图像分别对所有输入图像进行引导滤波处理，提取空间-光谱信息；

S4、将引导滤波处理后的图像作为新的数据集，并选取其中5％的图像作为训练样本，构成训练集，根据已知类别信息对训练样本进行类别标记，剩下的图像作为测试样本，构成测试集；

S5、从引导滤波处理后的图像中提取的空间-光谱信息构成空谱核，直接从高光谱图像中提取光谱信息构成光谱核，通过线性加权的方式，将空谱核与光谱核进行线性加权构成加权核；

S6、将加权核送入核极限学习机，通过训练样本对核极限学习机进行训练，然后使用训练完的核极限学习机对测试样本进行分类预测。

2.如权利要求1所述的基于引导滤波与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤S1中的归一化预处理的方法为：

假定高光谱图像数据集x＝(x₁，x₂，...，x_n)∈R^n×l,x_ij为数据集内任一点，x_max与x_min分别为最大、最小值，对于x_ij归一化操作按如下公式进行；

3.如权利要求1所述的基于引导滤波与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤S2中主成分分析法的具体过程为：对高光谱数据进行降维时，为减少信息损失，选择使得总信息量达到99％的主成分数PC₁、PC₂…PC_n作为不同的图像，选取的主成分数目n不同；将第一主成分PC₁作为引导图像，所有主成分PC₁、PC₂…PC_n作为输入图像，选用多个滤波半径，对输入图像在每个波段进行引导滤波，获取的空间-光谱信息如下：

GF(B_i)＝{F₁(B_i),F₃(B_i),…,F_r(B_i)},i＝1……N；

B_i为波段i的图像，F_r(B_i)为图像B_i的光谱信息；r为滤波半径，

GF(B_i)为B_i波段上以第一主成分为引导图像，所有主成分为输入图像，选择多个滤波半径得到的多个空间-光谱信息。

4.如权利要求3所述的基于引导滤波与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤S3中的引导滤波处理方法为：通过计算引导滤波的输出图像即滤波处理后的图像与输入图像的差值来估计引导滤波的线性模型参数ak,bk，在波段B_i上选取半径分别为1、3、5、7的窗口进行引导滤波，得到的引导滤波特征为{F₁(B_i),F₃(B_i),F₅(B_i),F₇(B_i)}，得到所有波段的引导滤波特征以后，将引导滤波特征向量堆叠得到特征集。

5.如权利要求1所述的基于引导滤波与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤S5中线性加权的方式是通过选择合适的加权系数，分别由空谱核和光谱核构成新的核极限学习机的核K通过线性加权获得加权核，其方式如下：

K＝μK_S+(1-μ)K_W；

其中：K_S为空间-光谱信息构成空谱核如下：

K_W为光谱核如下：

其中，核函数使用径向基核函数，x_i、x_j归一化以后的高光谱数据，

为引导滤波从x_i、x_j得到的空间-光谱特征，

为光谱信息，σ_s为空谱核的宽度，σ_w为光谱核的宽度；μ为线性加权因子，取值在0-1之间。

6.如权利要求5所述的基于引导滤波与核极限学习机的高光谱图像分类方法，其特征在于，所述步骤S6中通过计算核极限学习机的输出权重矩阵来计算核极限学习机的输出，f(x)作为类别结果的输出来判断归属类别如下：

f(x)＝Kα

其中：

C为正则因子，通过多次交叉验证选取，H为核极限学习机隐层矩阵，K为加权核，Y为核极限学习机的训练目标，在核极限学习机输出权重的求解过程中使用拉格朗日多项式和KKT优化来求解权重。

Images