CN111860153A - 尺度自适应的高光谱图像分类方法及系统 - Google Patents

尺度自适应的高光谱图像分类方法及系统 Download PDF

Info

Publication number
CN111860153A
CN111860153A CN202010534254.7A CN202010534254A CN111860153A CN 111860153 A CN111860153 A CN 111860153A CN 202010534254 A CN202010534254 A CN 202010534254A CN 111860153 A CN111860153 A CN 111860153A
Authority
CN
China
Prior art keywords
scale
hyperspectral image
calculating
interval
pool
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
CN202010534254.7A
Other languages
English (en)
Other versions
CN111860153B (zh
Inventor
冷清明
阳海鸥
江俊君
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.)
Jiujiang University
Original Assignee
Jiujiang University
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 Jiujiang University filed Critical Jiujiang University
Publication of CN111860153A publication Critical patent/CN111860153A/zh
Application granted granted Critical
Publication of CN111860153B publication Critical patent/CN111860153B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (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)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种尺度自适应的高光谱图像分类方法及系统，该方法包括：获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值，根据尺度判别指数值中最大尺度对目标高光谱图像进行超像素分割，根据超像素分割后的空间分布信息进行目标高光谱图像的分类。本发明实现了场景自适应的尺度选择过程，无需人工调参，能够选择适合场景特点的尺度，提高了高光谱图像分类的效率和场景鲁棒性。

Description

尺度自适应的高光谱图像分类方法及系统
技术领域
本发明属于光谱图像分类技术领域，尤其涉及一种尺度自适应的高光谱图像分类方法及系统。
背景技术
高光谱图像分类是识别高光谱图像中每个像素的土地覆盖类别的技术，它是目前遥感领域的研究热点之一。除了高光谱像素本身包含的连续光谱信息，像素的空间分布蕴含了像素间潜在的类别关联，联合光谱信息和空间分布信息的方法(即光谱-空间法)一直是高光谱图像分类研究的主流方向。
在基于光谱-空间法的高光谱分类研究中，空间分布信息的获取过程一般分为三步：首先设定待分割的超像素数量(也称为分割尺度)，其次通过超像素分割技术生成指定数量的形状自适应的超像素，最后计算每个像素的空间分布特征。
尺度的选择对于光谱-空间法的性能至关重要，然而现有的尺度选择方法依赖于人工经验或采用固定值[2-3]，使得难以适应复杂多样的高光谱图像场景，进而导致高光谱图像分类效率低下。
发明内容
本发明实施例的目的在于提供一种尺度自适应的高光谱图像分类方法及系统，旨在解决现有的高光谱图像分类过程中分类效率低下的问题。
本发明实施例是这样实现的，一种尺度自适应的高光谱图像分类方法，所述方法包括：
获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；
根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；
根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。
更进一步的，所述根据所述类别数量和所述主要成分图像计算区间上界的步骤包括：
根据纹理检测子提取所述主成分图像的边缘信息；
根据所述主要成分图像和所述边缘信息计算纹理复杂度；
计算所述纹理复杂度与所述类别数量的商，得到所述区间上界。
更进一步的，所述根据所述主要成分图像和所述边缘信息计算纹理复杂度的步骤包括：
计算所述主要成分图像中的所有像素数量与所述边缘信息中的边缘像素数量之间的商，得到所述纹理复杂度。
更进一步的，所述将所述区间上界和所述区间下界形成尺度池的步骤包括：
将所述区间下界设置为最小值、所述区间上界设置为最大值，形成闭合区间，以得到所述尺度池。
更进一步的，所述根据所述尺度池计算尺度判别指数的步骤包括：
计算所述尺度池中每个尺度的超像素内差异，得到超像素内差异值；
计算所述尺度池中相邻超像素之间的超像素间差异，得到超像素间差异值；
计算所述超像素内差异值与所述超像素间差异值之间的和，以得到所述尺度判别指数。
更进一步的，所述计算所述尺度池中每个尺度的超像素内差异所采用的计算公式为：
Figure BDA0002535186840000031
其中，所述尺度池内有N个尺度，Interval(S)＝{s1,s2,…,sN}，第i个尺度有M个超像素区域，即si＝{si,1,si,2,…,si,M}，si,j是si的第j个超像素，
Figure BDA0002535186840000035
是si,j的特征方差，fintra(si)是si的所述超像素内差异值。
更进一步的，所述计算所述尺度池中相邻超像素之间的超像素间差异所采用的计算公式为：
Figure BDA0002535186840000032
其中，si,j的邻接超像素为
Figure BDA0002535186840000033
v＝1,2,...,P，mean(·)表示超像素内所有像素的特征平均值，dist(·)表示cosine距离；
Figure BDA0002535186840000034
其中，计算si中所有超像素与邻接超像素间的平均差异，用以表示finter(si)，finter(si)为所述超像素间差异值。
更进一步的，所述计算所述超像素内差异值与所述超像素间差异值之间的和所采用的计算公式为：
f(si)＝exp(-fintra(si))+finter(si)；
其中，f(si)为所述尺度判别指数。
本发明实施例的另一目的在于提供一种尺度自适应的高光谱图像分类系统，所述系统包括：
成分分析模块，用于获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
下界计算模块，用于获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
上界计算模块，用于根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；
判别指数值计算模块，用于根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。
更进一步的，所述上界计算模块还用于：
根据纹理检测子提取所述主成分图像的边缘信息；
根据所述主要成分图像和所述边缘信息计算纹理复杂度；
计算所述纹理复杂度与所述类别数量的商，得到所述区间上界。
本发明实施例，通过所述尺度池和所述尺度判别指数值的计算，实现了场景自适应的尺度选择过程，无需人工调参，能够选择适合场景特点的尺度，有效的提高了高光谱图像分类的效率和场景鲁棒性，且不同场景下的高光谱图像分类性能良好，尺度选择的场景鲁棒性高。
附图说明
图1是本发明第一实施例提供的尺度自适应的高光谱图像分类方法的流程图；
图2是本发明第二实施例提供的尺度自适应的高光谱图像分类方法的流程图；
图3是本发明第三实施例提供的尺度自适应的高光谱图像分类系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
请参阅图1，是本发明第一实施例提供的尺度自适应的高光谱图像分类方法的流程图，包括步骤：
步骤S10，获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
其中，可以基于仿真实平台以进行该目标高光谱图像的获取和主成分分析，该主成分图像为目标高光谱图像中成分占比最大的图像，且该主成分图像中每个像素的光谱主成分值为该像素的特征值；
步骤S20，获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
其中，最理想的高光谱图像场景是每一类像素都被分割到同一超像素，因此，可采用地表覆盖的类别数量C表示该区间下界；
步骤S30，根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；
其中，高光谱图像的纹理复杂度R能一定程度上反映地表覆盖的分布复杂度，因此，可采用地表覆盖的类别数量除以图像的纹理复杂度，即C/R，以表示尺度池的区间上界；
具体的，尺度池是指待选择尺度的区间范围，本实施例将从尺度池中自动选择合适的尺度，尺度池的定义也是场景自适应的，它与高光谱图像场景中地表覆盖的类别数量C和高光谱图像的纹理复杂度R有关；
步骤S40，根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；
步骤S50，根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类；
其中，该尺度判别指数值用于表示针对该目标高光谱图像最合适的尺寸；
本实施例，通过所述尺度池和所述尺度判别指数值的计算，实现了场景自适应的尺度选择过程，无需人工调参，能够选择适合场景特点的尺度，有效的提高了高光谱图像分类的效率和场景鲁棒性，且不同场景下的高光谱图像分类性能良好，尺度选择的场景鲁棒性高。
实施例二
请参阅图2，是本发明第二实施例提供的尺度自适应的高光谱图像分类方法的流程图，包括步骤：
步骤S11，获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
其中，可以基于仿真实平台以进行该目标高光谱图像的获取和主成分分析，该主成分图像为目标高光谱图像中成分占比最大的图像，且该主成分图像中每个像素的光谱主成分值为该像素的特征值，本实施例采用MATLAB2016b作为仿真实验平台；
步骤S21，获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
其中，该目标高光谱图像为高光谱图像数据集University of Pavia，因此，该步骤中获取到的类别数量C＝9；
步骤S31，根据纹理检测子提取所述主成分图像的边缘信息，并根据所述主要成分图像和所述边缘信息计算纹理复杂度；
具体的，该步骤中，所述根据所述主要成分图像和所述边缘信息计算纹理复杂度的步骤包括：
计算所述主要成分图像中的所有像素数量与所述边缘信息中的边缘像素数量之间的商，得到所述纹理复杂度；
步骤S41，计算所述纹理复杂度与所述类别数量的商，得到所述区间上界，并将所述区间下界设置为最小值、所述区间上界设置为最大值，形成闭合区间，以得到尺度池；
该步骤中，采用高光谱图像中地表覆盖的类别数量C除以图像的纹理复杂度R，即C/R，以表示尺度池的区间上界，关于R的获取，使用纹理检测子提取高光谱图像的边缘信息，然后将图像中所有像素的数量Nbase除以边缘像素的数量Nedge，用以计算高光谱图像的纹理复杂度，即R＝Nedge/Nbase；
该步骤中，尺度池可定义为由区间下界和上界组成的闭区间，即[C，C/R]；
步骤S51，计算所述尺度池中每个尺度的超像素内差异，得到超像素内差异值；
其中，针对超像素内差异：假设某一尺度下有M个超像素，首先计算每个超像素内像素特征的方差，然后计算M个超像素的方差平均值；
具体的，该步骤中，所述计算所述尺度池中每个尺度的超像素内差异所采用的计算公式为：
Figure BDA0002535186840000071
本实施例中，所述尺度池内有N个尺度，Interval(S)＝{s1,s2,…,sN}，第i个尺度有M个超像素区域，即si＝{si,1,si,2,…,si,M}，si,j是si的第j个超像素，σsi,j是si,j的特征方差，fintra(si)是si的所述超像素内差异值；
步骤S61，计算所述尺度池中相邻超像素之间的超像素间差异，得到超像素间差异值；
其中，针对超像素间差异：首先用超像素内像素特征的平均值表示超像素，其次计算每个超像素与邻接超像素的平均特征差异，最后计算M个超像素的邻接超像素平均特征差异的平均值；
具体的，该步骤中，所述计算所述尺度池中相邻超像素之间的超像素间差异所采用的计算公式为：
Figure BDA0002535186840000072
其中，si,j的邻接超像素为
Figure BDA0002535186840000073
v＝1,2,...,P，mean(·)表示超像素内所有像素的特征平均值，dist(·)表示cosine距离；
Figure BDA0002535186840000081
其中，计算si中所有超像素与邻接超像素间的平均差异，用以表示finter(si)，finter(si)为所述超像素间差异值；
步骤S71，计算所述超像素内差异值与所述超像素间差异值之间的和，以得到尺度判别指数；
具体的，该步骤中，所述计算所述超像素内差异值与所述超像素间差异值之间的和所采用的计算公式为：
f(si)＝exp(-fintra(si))+finter(si)；
其中，f(si)为所述尺度判别指数；
步骤S81，根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类；
具体的，该步骤中，选取所述尺度判别指数值中的最大尺度所采用的公式为：
Figure BDA0002535186840000082
其中，s0为该最大尺度；
具体的，本实施例与现有技术的基于纹理复杂度的人工经验设定方法进行对比测试，两种方法采用统一的实验设置：对University of Pavia数据集中9个类别共计42776个标注像素进行训练和测试，其中每个类别随机选择30个像素作为训练样本，其他像素为测试样本；分类器采用常用的支持向量机，用以训练分类模型；性能评价指标采用整体准确率OA、平均准确率AA、Kappa系数，分类结果取10次重复测试的平均性能。本实施例与传统人工经验设定方法的性能比较如表1所示。
表1 University of Pavia数据集上的性能比较结果
Figure BDA0002535186840000091
本实施例中，通过所述尺度池和所述尺度判别指数值的计算，实现了场景自适应的尺度选择过程，无需人工调参，能够选择适合场景特点的尺度，有效的提高了高光谱图像分类的效率和场景鲁棒性，且不同场景下的高光谱图像分类性能良好，尺度选择的场景鲁棒性高。
实施例三
请参阅图3，是本发明第三实施例提供的尺度自适应的高光谱图像分类系统100的结构示意图，包括：成分分析模块10、下界计算模块11、上界计算模块12和判别指数值计算模块13，其中：
成分分析模块10，用于获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像。
下界计算模块11，用于获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界。
上界计算模块12，用于根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池。
判别指数值计算模块13，用于根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值，根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。
本实施例中，所述上界计算模块12还用于：根据纹理检测子提取所述主成分图像的边缘信息；根据所述主要成分图像和所述边缘信息计算纹理复杂度；计算所述纹理复杂度与所述类别数量的商，得到所述区间上界。
优选的，所述上界计算模块12还用于：计算所述主要成分图像中的所有像素数量与所述边缘信息中的边缘像素数量之间的商，得到所述纹理复杂度。
进一步的，所述上界计算模块12还用于：将所述区间下界设置为最小值、所述区间上界设置为最大值，形成闭合区间，以得到所述尺度池。
本实施例中，所述判别指数值计算模块13还用于：计算所述尺度池中每个尺度的超像素内差异，得到超像素内差异值；计算所述尺度池中相邻超像素之间的超像素间差异，得到超像素间差异值；计算所述超像素内差异值与所述超像素间差异值之间的和，以得到所述尺度判别指数。
具体的，所述判别指数值计算模块13中，计算所述尺度池中每个尺度的超像素内差异所采用的计算公式为：
Figure BDA0002535186840000101
其中，所述尺度池内有N个尺度，Interval(S)＝{s1,s2,…,sN}，第i个尺度有M个超像素区域，即si＝{si,1,si,2,…,si,M}，si,j是si的第j个超像素，σsi,j是si,j的特征方差，fintra(si)是si的所述超像素内差异值。
所述判别指数值计算模块13中，计算所述尺度池中相邻超像素之间的超像素间差异所采用的计算公式为：
Figure BDA0002535186840000102
其中，si,j的邻接超像素为
Figure BDA0002535186840000103
v＝1,2,...,P，mean(·)表示超像素内所有像素的特征平均值，dist(·)表示cosine距离；
Figure BDA0002535186840000104
其中，计算si中所有超像素与邻接超像素间的平均差异，用以表示finter(si)，finter(si)为所述超像素间差异值。
更进一步的，所述判别指数值计算模块13中，计算所述超像素内差异值与所述超像素间差异值之间的和所采用的计算公式为：
f(si)＝exp(-fintra(si))+finter(si)；
其中，f(si)为所述尺度判别指数。
本实施例，通过所述尺度池和所述尺度判别指数值的计算，实现了场景自适应的尺度选择过程，无需人工调参，能够选择适合场景特点的尺度，有效的提高了高光谱图像分类的效率和场景鲁棒性，且不同场景下的高光谱图像分类性能良好，尺度选择的场景鲁棒性高。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将存储装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
本领域技术人员可以理解，图3中示出的组成结构并不构成对本发明的尺度自适应的高光谱图像分类系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，而图1-2中的尺度自适应的高光谱图像分类方法亦采用图3中所示的更多或更少的部件，或者组合某些部件，或者不同的部件布置来实现。本发明所称的单元、模块等是指一种能够被所述目标尺度自适应的高光谱图像分类系统中的处理器(图未示)所执行并功能够完成特定功能的一系列计算机程序，其均可存储于所述目标尺度自适应的高光谱图像分类系统的存储设备(图未示)内。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种尺度自适应的高光谱图像分类方法，其特征在于，所述方法包括：
获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；
根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；
根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。
2.如权利要求1所述的尺度自适应的高光谱图像分类方法，其特征在于，所述根据所述类别数量和所述主要成分图像计算区间上界的步骤包括：
根据纹理检测子提取所述主成分图像的边缘信息；
根据所述主要成分图像和所述边缘信息计算纹理复杂度；
计算所述纹理复杂度与所述类别数量的商，得到所述区间上界。
3.如权利要求2所述的尺度自适应的高光谱图像分类方法，其特征在于，所述根据所述主要成分图像和所述边缘信息计算纹理复杂度的步骤包括：
计算所述主要成分图像中的所有像素数量与所述边缘信息中的边缘像素数量之间的商，得到所述纹理复杂度。
4.如权利要求1所述的尺度自适应的高光谱图像分类方法，其特征在于，所述将所述区间上界和所述区间下界形成尺度池的步骤包括：
将所述区间下界设置为最小值、所述区间上界设置为最大值，形成闭合区间，以得到所述尺度池。
5.如权利要求1所述的尺度自适应的高光谱图像分类方法，其特征在于，所述根据所述尺度池计算尺度判别指数的步骤包括：
计算所述尺度池中每个尺度的超像素内差异，得到超像素内差异值；
计算所述尺度池中相邻超像素之间的超像素间差异，得到超像素间差异值；
计算所述超像素内差异值与所述超像素间差异值之间的和，以得到所述尺度判别指数。
6.如权利要求5所述的尺度自适应的高光谱图像分类方法，其特征在于，所述计算所述尺度池中每个尺度的超像素内差异所采用的计算公式为：
Figure FDA0002535186830000021
其中，所述尺度池内有N个尺度，Interval(S)＝{s1,s2,…,sN}，第i个尺度有M个超像素区域，即si＝{si,1,si,2,…,si,M}，si,j是si的第j个超像素，
Figure FDA0002535186830000022
是si,j的特征方差，fintra(si)是si的所述超像素内差异值。
7.如权利要求6所述的尺度自适应的高光谱图像分类方法，其特征在于，所述计算所述尺度池中相邻超像素之间的超像素间差异所采用的计算公式为：
Figure FDA0002535186830000023
其中，si,j的邻接超像素为
Figure FDA0002535186830000024
mean(·)表示超像素内所有像素的特征平均值，dist(·)表示cosine距离；
Figure FDA0002535186830000025
其中，计算si中所有超像素与邻接超像素间的平均差异，用以表示finter(si)，finter(si)为所述超像素间差异值。
8.如权利要求7所述的尺度自适应的高光谱图像分类方法，其特征在于，所述计算所述超像素内差异值与所述超像素间差异值之间的和所采用的计算公式为：
f(si)＝exp(-fintra(si))+finter(si)；
其中，f(si)为所述尺度判别指数。
9.一种尺度自适应的高光谱图像分类系统，其特征在于，所述系统包括：
成分分析模块，用于获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
下界计算模块，用于获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
上界计算模块，用于根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；
判别指数值计算模块，用于根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。
10.如权利要求9所述的尺度自适应的高光谱图像分类系统，其特征在于，所述上界计算模块还用于：
根据纹理检测子提取所述主成分图像的边缘信息；
根据所述主要成分图像和所述边缘信息计算纹理复杂度；
计算所述纹理复杂度与所述类别数量的商，得到所述区间上界。
CN202010534254.7A 2020-01-09 2020-06-11 尺度自适应的高光谱图像分类方法及系统 Active CN111860153B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010020393 2020-01-09
CN2020100203938 2020-01-09

Publications (2)

Publication Number Publication Date
CN111860153A true CN111860153A (zh) 2020-10-30
CN111860153B CN111860153B (zh) 2023-10-13

Family

ID=72986516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534254.7A Active CN111860153B (zh) 2020-01-09 2020-06-11 尺度自适应的高光谱图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN111860153B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329887A (zh) * 2020-11-26 2021-02-05 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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915531A (zh) * 2011-08-05 2013-02-06 中国科学院地理科学与资源研究所 一种面向遥感影像分割的影像对象合并方法
US20130156305A1 (en) * 2009-06-23 2013-06-20 Los Alamos National Security, Llc System and method for the detection of anomalies in an image
CN106503739A (zh) * 2016-10-31 2017-03-15 中国地质大学（武汉） 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN108182449A (zh) * 2017-12-25 2018-06-19 南京信息工程大学 一种高光谱图像分类方法
CN108596245A (zh) * 2018-04-20 2018-09-28 九江学院 一种基于多视图协同完整鉴别子空间学习的人脸识别方法
CN110427827A (zh) * 2019-07-08 2019-11-08 辽宁工程技术大学 一种多尺度感知及全局规划下的自主驾驶网络
CN110619636A (zh) * 2019-08-15 2019-12-27 南京理工大学 基于rgb-d的变尺度图像分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130156305A1 (en) * 2009-06-23 2013-06-20 Los Alamos National Security, Llc System and method for the detection of anomalies in an image
CN102915531A (zh) * 2011-08-05 2013-02-06 中国科学院地理科学与资源研究所 一种面向遥感影像分割的影像对象合并方法
CN106503739A (zh) * 2016-10-31 2017-03-15 中国地质大学（武汉） 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN108182449A (zh) * 2017-12-25 2018-06-19 南京信息工程大学 一种高光谱图像分类方法
CN108596245A (zh) * 2018-04-20 2018-09-28 九江学院 一种基于多视图协同完整鉴别子空间学习的人脸识别方法
CN110427827A (zh) * 2019-07-08 2019-11-08 辽宁工程技术大学 一种多尺度感知及全局规划下的自主驾驶网络
CN110619636A (zh) * 2019-08-15 2019-12-27 南京理工大学 基于rgb-d的变尺度图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNJUN JIANG: "Adaptive MultiScale Segmentations for Hyperspectral Image Classification", 《IEEE》 *
刘咏梅;马潇;门朝光;: "基于多种空间信息的高光谱遥感图像分类方法", 中国空间科学技术 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329887A (zh) * 2020-11-26 2021-02-05 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
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

Also Published As

Publication number Publication date
CN111860153B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
KR100836740B1 (ko) 영상 데이터 처리 방법 및 그에 따른 시스템
CN108846404B (zh) 一种基于相关约束图排序的图像显著性检测方法及装置
CN106157330B (zh) 一种基于目标联合外观模型的视觉跟踪方法
Banerjee et al. In-camera automation of photographic composition rules
US8559714B2 (en) Post processing for improved generation of intrinsic images
CN110705634B (zh) 一种鞋跟型号识别方法、装置及存储介质
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
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
Trivedi et al. Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering
WO2022116104A1 (zh) 图像处理方法、装置、设备及存储介质
CN109215003B (zh) 一种图像融合方法及装置
CN114781514A (zh) 一种融合注意力机制的漂浮物目标检测方法及系统
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
Feng et al. A novel saliency detection method for wild animal monitoring images with WMSN
CN106886754B (zh) 一种基于三角面片的三维场景下的物体识别方法及系统
CN111091129A (zh) 一种基于多重颜色特征流形排序的图像显著区域提取方法
CN109064444B (zh) 基于显著性分析的轨道板病害检测方法
CN113033602B (zh) 一种基于张量低秩稀疏表示的图像聚类方法
US8913829B2 (en) Automatic processing scale estimation for use in an image process
CN111860153B (zh) 尺度自适应的高光谱图像分类方法及系统
CN113343900A (zh) 基于cnn与超像素结合的组合核遥感影像目标检测方法
CN117058534A (zh) 基于元知识适应迁移网络的少样本遥感图像目标检测方法
US20130114905A1 (en) Post processing for improved generation of intrinsic images
CN106952251B (zh) 一种基于吸附模型的图像显著性检测方法
EP2776979B1 (en) Post processing for improved generation of intrinsic images

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