CN111881933A - 一种高光谱图像分类方法及系统 - Google Patents
一种高光谱图像分类方法及系统 Download PDFInfo
- Publication number
- CN111881933A CN111881933A CN202010549981.0A CN202010549981A CN111881933A CN 111881933 A CN111881933 A CN 111881933A CN 202010549981 A CN202010549981 A CN 202010549981A CN 111881933 A CN111881933 A CN 111881933A
- Authority
- CN
- China
- Prior art keywords
- following formula
- gradient
- feature vector
- spectral
- classification
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 116
- 230000003595 spectral effect Effects 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 35
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 241001466077 Salina Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000507627 Salana Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/213—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高光谱图像分类方法，包括如下步骤：（1）输入待分类的高光谱图像；（2）用主成分分析法提取待分类的高光谱图像的光谱特征向量；（3）用灰度梯度共生矩阵提取待分类的高光谱图像的纹理特征向量（4）将提取到的光谱特征向量和纹理特征向量合并后作为分类特征向量输入预先训练好的支持向量机模型中，得到分类结果，其中支持向量机模型是使用训练集通过调整纹理特征提取窗口的方式进行反复训练使得训练集在支持向量机模型上的分类精度达到最佳而得的。
Description
技术领域
本发明涉及一种图像分类方法，尤其涉及一种高光谱图像分类方法。
背景技术
高光谱遥感利用很窄但连续的光谱通道(一般波段宽小于10nm)对地物持续遥感成像，不仅包含地物目标的二维空间几何，还包含一维的光谱信息，具有“图谱合一”的特点。高光谱图像不仅包含了地面物体非常丰富的光谱信息，而且也体现了地面目标的空间结构分布，具有光谱分辨率高、包含丰富信息的优点，因此高光谱图像广泛应用在遥感领域。
高光谱图像分类是指对大范围波段连续成像的像元按照其语义划分为不同的地物类别，在地质勘探、食品安全、植被研究等领域有着十分重要的应用。虽然高光谱图像较高的光谱分辨率为图像分类提供了可能，但是提高高光谱图像的分类准确度仍然存在着一些难题，比如像素的维度较高、噪声干扰、较高的空间域和光谱域冗余。
目前，大多数高光谱图像分类方法是在空间域和光谱域进行的，并未提取高光谱图像潜在的边缘和纹理细节信息。但是，高光谱图像在提高光谱分辨率的同时必定会压缩空间分辨率，从而导致空间纹理细节信息需要一定的技术提取出来。因此，这些方法均存在未充分利用高光谱图像细节信息的问题，影响分类精度的提高。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是克服已有技术的不足，即传统的高光谱图像空谱分类方法不能很好地利用细节信息的确定，提取一种基于主成分分析和灰度梯度共生矩阵的高光谱分类方法，即通过主成分分析提取光谱信息，通过灰度梯度共生矩阵提取图像细节信息，并利用支持向量机获取的高光谱分类结果，实现高光谱图像的高精度分类。
为实现上述目的，本发明在第一方面提供了一种高光谱图像分类方法，包括如下步骤：
(1)输入待分类的高光谱图像；
(2)用主成分分析法提取待分类的高光谱图像的光谱特征向量；
(3)用灰度梯度共生矩阵提取待分类的高光谱图像的纹理特征向量；
(4)将提取到的光谱特征向量和纹理特征向量合并后作为分类特征向量输入预先训练好的支持向量机模型中，得到分类结果，其中支持向量机模型是使用训练集通过调整纹理特征提取窗口的方式进行反复训练使得训练集在支持向量机模型上的分类精度达到最佳而得的。
进一步地，步骤(2)中包括如下步骤：
(2a)把高光谱图像中每个像素点的所有维展开成一维光谱特征向量，得到按行排列的所有像素点的光谱特征矩阵；
(2b)对光谱特征矩阵中每两列元素求协方差，得到光谱特征矩阵的协方差矩阵；
(2c)利用协方差矩阵的特征方程，得到协方差矩阵的所有特征值；
(2d)将所有特征值按照从大到小排序，当排序后的前N维特征值之和除以所有特征值之和大于99％时，则取该前N维特征值作为光谱特征向量，并将光谱特征向量作为分类特征向量的前N维元素。
进一步地，步骤(3)包括如下步骤：
(3a)提取可见光波段对应的光谱图像，并对光谱图像的边缘进行零值填充，设置填充大小P＝1；
(3b)对光谱图像中的每个像素点，以像素点为中心，用大小为(2P+1)×(2P+1)的纹理特征提取窗口得到像素点的灰度梯度共生矩阵，以灰度梯度共生矩阵的元素H(x，y)表示归一化后灰度图像I(i，j)和归一化后的梯度图像G(i，j)中具有灰度值x和梯度值y的像素数；
(3c)对每个灰度梯度共生矩阵以下式
进行归一化处理；
以下式
计算小梯度优势T1；
以下式
计算大梯度优势T2；
以下式
计算灰度分布不均匀性T3；
以下式
计算梯度分布不均匀性T4；
以下式
计算能量T5；
以下式
计算灰度平均T6；
以下式
计算梯度平均T7；
以下式
计算灰度均方差T8；
以下式
计算梯度均方差T9；
以下式
计算相关性T10；
以下式
计算灰度熵T11；
以下式
计算梯度熵T12；
以下式
计算混合熵T13；
以下式
计算差分矩T14；
以下式
计算逆差矩T15；
其中L代表灰度级数，Lg代表梯度级数，
代表归一化后的灰度梯度矩阵，x代表灰度值，y代表梯度值；
(3d)对光谱图像中的每个像素点，计算T1～T15，并分别求平均值，作为纹理特征向量，并将纹理特征向量作为分类特征向量的后15维元素。
进一步地，步骤(4)中支持向量机模型的训练包括步骤：
(4a)根据步骤(2)和步骤(3)对训练集中所有样本提取分类特征向量；
(4b)利用支持向量机算法通过交叉训练对分类特征向量进行分类，得到结果和精度；
(4c)使(3a)中的P＝P+1，重复(4a)和(4b)，直到训练集的分类精度达到最佳，即得到支持向量机模型。
进一步地，在训练前对训练集进行如下处理：
A.统计训练集中各个类别的样本数量,取出样本数少于设定阈值theta的类别；
B.假定训练集中一个少数类样本数为T，数据扩增倍数n为阈值theta除以样本数T并向下取整：
a.对于少数类中的一个样本i，i∈{1，...，T}，其特征向量为xi，从少数类的全部样本中根据欧式距离找到样本的K个近邻，记为：
xi(near)，near∈{1，...，k}；
b.从K个近邻中随机选择一个样本xi(j)，再生成一个0到1之间的随机数ζ1，按下式
xi1＝xi+ζ1·(xi(j)-xi)
产生一个新的样本xi1：
c.将步骤b重复n次，得到n个新样本；
d.对全部的T个样本进行a、b、c步骤，从而得到nT个新样本；
C.对其他少数类进行步骤(B)，并汇总得到新的训练集。
本发明在第二方面提供了一种高光谱图像分类系统，其特征在于，包括：
图像输入模块，用于输入高光谱图像；
光谱特征向量提取模块，用于用主成分分析法提取待分类的高光谱图像的光谱特征向量；
纹理特征向量提取模块，用于用灰度梯度共生矩阵提取待分类的高光谱图像的纹理特征向量；
分类模块，用于将提取到的光谱特征向量和纹理特征向量合并后作为分类特征向量输入预先训练好的支持向量机模型中，得到分类结果，其中支持向量机模型是使用训练集通过调整纹理特征提取窗口的方式进行反复训练使得训练集在支持向量机模型上的分类精度达到最佳而得的。
进一步地，光谱特征向量提取模块包括：
第一光谱特征向量提取单元，用于把高光谱图像中每个像素点的所有维展开成一维光谱特征向量，得到按行排列的所有像素点的光谱特征矩阵；
第二光谱特征向量提取单元，用于对光谱特征矩阵中每两列元素求协方差，得到光谱特征矩阵的协方差矩阵；
第三光谱特征向量提取单元，用于利用协方差矩阵的特征方程，得到协方差矩阵的所有特征值；
第四光谱特征向量提取单元，将所有特征值按照从大到小排序，当排序后的前N维特征值之和除以所有特征值之和大于99％时，则取该前N维特征值作为光谱特征向量，并将光谱特征向量作为分类特征向量的前N维元素。
进一步地，纹理特征向量提取模块包括：
第一纹理特征向量提取单元，用于提取可见光波段对应的光谱图像，并对光谱图像的边缘进行零值填充，设置填充大小P＝1；
第二纹理特征向量提取单元，用于对光谱图像中的每个像素点，以像素点为中心，用大小为(2P+1)×(2P+1)的纹理特征提取窗口得到像素点的灰度梯度共生矩阵，以灰度梯度共生矩阵的元素H(x，y)表示归一化后灰度图像I(i，j)和归一化后的梯度图像G(i，j)中具有灰度值x和梯度值y的像素数；
第三纹理特征向量提取单元，用于对每个灰度梯度共生矩阵以下式
进行归一化处理；
以下式
计算小梯度优势T1；
以下式
计算大梯度优势T2；
以下式
计算灰度分布不均匀性T3；
以下式
计算梯度分布不均匀性T4；
以下式
计算能量T5；
以下式
计算灰度平均T6；
以下式
计算梯度平均T7；
以下式
计算灰度均方差T8；
以下式
计算梯度均方差T9；
以下式
计算相关性T10；
以下式
计算灰度熵T11；
以下式
计算梯度熵T12；
以下式
计算混合熵T13；
以下式
计算差分矩T14；
以下式
计算逆差矩T15；
其中L代表灰度级数，Lg代表梯度级数，
代表归一化后的灰度梯度矩阵，x代表灰度值，y代表梯度值；
第四纹理特征向量提取单元，用于对光谱图像中的每个像素点，计算T1～T15，并分别求平均值，作为纹理特征向量，并将纹理特征向量作为分类特征向量的后15维元素。
进一步地，分类模块包括支持向量机模型单元，支持向量机模型单元是通过使用训练集用以下方法训练得到的：
(1)使用光谱特征向量提取模块和纹理特征向量提取模块对训练集中的所有样本提取分类特征向量；
(2)利用支持向量机算法通过交叉训练对分类特征向量进行分类，得到结果和精度；
(3)使纹理特征向量提取模块中的P＝P+1，重复步骤(1)和步骤(2)，直到训练集的分类精度达到最佳，即得到支持向量机模型单元。
进一步地，在训练前对训练集进行如下处理：
A.统计训练集中各个类别的样本数量,取出样本数少于设定阈值theta的类别；
B.假定训练集中一个少数类样本数为T，数据扩增倍数n为阈值theta除以样本数T并向下取整：
a.对于少数类中的一个样本i，i∈{1，...，T}，其特征向量为xi，从少数类的全部样本中根据欧式距离找到样本的K个近邻，记为：
xi(near)，near∈{1，...k}；
b.从K个近邻中随机选择一个样本xi(j)，再生成一个0到1之间的随机数ζ1，按下式
xi1＝xi+ζ1·(xi(j)-xi)
产生一个新的样本xi1：
c.将步骤b重复n次，得到n个新样本；
d.对全部的T个样本进行a、b、c步骤，从而得到nT个新样本；
C.对其他少数类进行步骤(B)，并汇总得到新的训练集。
本发明体现了地面目标的空间结构分布，具有光谱分辨率高，包含了丰富信息的优点。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例中的总流程图；
图2是本发明的一个较佳实施例中的支持向量机模型训练流程图；
图3是本发明的一个较佳实施例中的仿真实验中所用的Indian pines样本类别与数量表；
图4是本发明的一个较佳实施例中的仿真实验中所用的Indian pines效果评价表；
图5是本发明的一个较佳实施例中的仿真实验中所用的Salinas scene效果评价表；
图6是本发明的一个较佳实施例中的仿真实验中所用的Salinas scene样本类别与数量表；
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
图1示出了根据本发明的一个具体实施例的总流程图。首先S1输入待分类的高光谱图像，随后通过S2提取光谱特征向量是指通过主成分分析法对输入的高光谱图像进行降维并提取特征，具体步骤如下：
(1)把高光谱图像中每个像素点的所有维展开成一维光谱特征向量，得到按行排列的所有像素点的光谱特征矩阵；
(2)对光谱特征矩阵中每两列元素求协方差，得到光谱特征矩阵的协方差矩阵；
(3)利用协方差矩阵的特征方程，得到协方差矩阵的所有特征值；
(4)将所有特征值按照从大到小排序，若前N维特征值的和除以所有特征值的和大于99％，则取前N维特征值对应的光谱特征向量作为前N维分类特征。
S3提取纹理特征向量是指利用灰度梯度共生矩阵提取纹理信息，具体步骤如下：
(1)提取可见光波段对应的光谱图像，并对所述光谱图像的边缘进行零值填充，设置填充大小P＝1；
(2)对所述的光谱图像中的每个像素点，以所述像素点为中心，用大小为(2P+1)×(2P+1)的所述纹理特征提取窗口得到所述像素点的所述灰度梯度共生矩阵，以所述灰度梯度共生矩阵的元素H(x，y)表示归一化后灰度图像I(i，j)和归一化后的梯度图像G(i，j)中具有灰度值x和梯度值y的像素数；
(3)对每个所述的灰度梯度共生矩阵以下式
进行归一化处理；
以下式
以下式
计算大梯度优势T2；
以下式
计算灰度分布不均匀性T3；
以下式
计算梯度分布不均匀性T4；
以下式
计算能量T5；
以下式
计算灰度平均T6；
以下式
计算梯度平均T7；
以下式
计算灰度均方差T8；
以下式
计算梯度均方差T9；
以下式
计算相关性T10；
以下式
计算灰度熵T11；
以下式
计算梯度熵T12；
以下式
计算混合熵T13；
以下式
计算差分矩T14；
以下式
计算逆差矩T15；
其中L代表灰度级数，Lg代表梯度级数，
代表归一化后的灰度梯度矩阵，x代表灰度值，y代表梯度值；
(4)对所述的光谱图像中的每个像素点，计算所述的T1～T15，并分别求平均值，作为所述的纹理特征向量，并将所述的纹理特征向量作为所述的分类特征向量的后15维元素。
随后S4将提取的光谱特征向量作为分类特征向量的前N维元素，将上述的纹理特征向量作为分类特征向量的后15维元素构成分类特征向量，并输入已经训练好的支持向量机模型中得到分类结果并进行S5输出分类结果。
图2示出了根据本发明的一个较佳实施例中支持向量机模型的训练步骤。在本实施例中，在输入训练集前，先利用SMOTE算法对于训练集中样本少于一定数量的类别进行数据增强，具体步骤如下：
A.统计训练集中各个类别的样本数量,取出样本数少于设定阈值theta的类别；
B.假定训练集中一个少数类样本数为T，数据扩增倍数n为阈值theta除以样本数T并向下取整：
a.对于所述少数类中的一个样本i，i∈{1，...，T}，其特征向量为xi，从所述少数类的全部样本中根据欧式距离找到所述样本的K个近邻，记为：
xi(near)，near∈{1，...，k}；
b.从K个近邻中随机选择一个样本xi(j)，再生成一个0到1之间的随机数，ζ1按下式
Xi1＝xi+ζ1·(xi(j)-xi)
产生一个新的样本xi1：
c.将步骤b重复n次，得到n个新样本；
d.对全部的T个样本进行a、b、c步骤，从而得到nT个新样本；
C.对其他少数类进行步骤(B)，并汇总得到新的训练集。
输入增强后的训练集，按以下步骤对支持向量机模型进行训练：
(1)根据步骤S2和S3对训练集中所有样本提取所述的分类特征向量；
(2)利用支持向量机算法通过交叉训练对所述的分类特征向量进行分类，得到结果和精度；
(3)使S3中的P＝P+1，重复S2和S3，直到训练集的分类精度达到最佳，即得到所述的支持向量机模型。
通过下述的仿真实验验证本发明的效果：
1.仿真实验条件：
(1)本发明的仿真实验采用的硬件测试平台是处理器为英特尔Core i7-8700，主频为3.20GHz，内存16GB，软件平台为Windows 10专业版64位和Matlab R2017b进行仿真测试。
实验中用到的高光谱图像数据集为Indian pines数据集以及Salinas scene数据集。Indian pines数据集图像大小为145*145，具有200个光谱波段，包含16类地物，每类地物的类别与数量如图3所示；Salinas scene数据集图像大小为512*217，具有200个光谱波段，包含16类地物，每类地物的类别与数量如图4所示；
(2)对于每幅高光谱图像，每种分类方法随机地从参考标记样本挑选10％作为训练样本，并通过10次实验求平均值的方式，获得各个的分类精度。
2.仿真内容与结果
为了验证本发明所提方法的有效性，将本实施例与基于主成分分析和支持向量机的分类算法(PCA-SVM)、基于置信度传播的分类算法(LBP)、基于非线性空-谱结合网络NSSNet的高光谱图像分类方法在两个高光谱数据集上的分类结果进行对比。图5给出了在Indian pines数据集上四种分类方法的每类平均正确率(AA)，总体正确率(OA)和Kappa系数。从结果可以发现，本发明的分类算法提高了所有类别的分类精度，即使对于样本数量很少的类别仍有良好的分类准确率。本发明的分类算法每类平均正确率(AA)，总体正确率(OA)和Kappa系数达到了99.12％，99.04％，99.00％，相比于其他几个分类方法有较大优势。这表明，本发明的分类算法能够有效的提升图像的分类精度。图6给出了在Salinasscene数据集上四种分类方法的每类平均正确率(AA)，总体正确率(OA)和Kappa系数。可以看出，本发明的方法在OA、AA和Kappa这三个指标上达到99.33％，99.62％，99.26％，相比其他几个分类方法，分类结果有明显的提升。综上所述，在分类精度上，本发明的分类方法，与其它三种图像分类方法相比，效果最好。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种高光谱图像分类方法，其特征在于，包括如下步骤：
(1)输入待分类的高光谱图像；
(2)用主成分分析法提取所述的待分类的高光谱图像的光谱特征向量；
(3)用灰度梯度共生矩阵提取所述的待分类的高光谱图像的纹理特征向量；
(4)将提取到的所述光谱特征向量和所述纹理特征向量合并后作为分类特征向量输入预先训练好的支持向量机模型中，得到分类结果，其中所述的支持向量机模型是使用训练集通过调整纹理特征提取窗口的方式进行反复训练使得训练集在所述支持向量机模型上的分类精度达到最佳而得的。
2.如权利要求1所述的高光谱图像分类方法，其中，步骤(2)中包括如下步骤：
(2a)把高光谱图像中每个像素点的所有维展开成一维光谱特征向量，得到按行排列的所有像素点的光谱特征矩阵；
(2b)对所述的光谱特征矩阵中每两列元素求协方差，得到所述光谱特征矩阵的协方差矩阵；
(2c)利用所述协方差矩阵的特征方程，得到所述协方差矩阵的所有特征值；
(2d)将所述的所有特征值按照从大到小排序，当排序后的前N维所述特征值之和除以所有所述特征值之和大于99％时，则取该前N维特征值作为所述的光谱特征向量，并将所述的光谱特征向量作为所述的分类特征向量的前N维元素。
3.如权利要求2所述的高光谱图像分类方法，其中，步骤(3)包括如下步骤：
(3a)提取可见光波段对应的光谱图像，并对所述光谱图像的边缘进行零值填充，设置填充大小P＝1；
(3b)对所述的光谱图像中的每个像素点，以所述像素点为中心，用大小为(2P+1)×(2P+1)的所述纹理特征提取窗口得到所述像素点的所述灰度梯度共生矩阵，以所述灰度梯度共生矩阵的元素H(x，y)表示归一化后灰度图像I(i，j)和归一化后的梯度图像G(i，j)中具有灰度值x和梯度值y的像素数；
(3c)对每个所述的灰度梯度共生矩阵以下式
进行归一化处理；
以下式
计算小梯度优势T1；
以下式
计算大梯度优势T2；
以下式
计算灰度分布不均匀性T3；
以下式
计算梯度分布不均匀性T4；
以下式
计算能量T5；
以下式
计算灰度平均T6；
以下式
计算梯度平均T7；
以下式
计算灰度均方差T8；
以下式
计算梯度均方差T9；
以下式
计算相关性T10；
以下式
计算灰度熵T11；
以下式
计算梯度熵T12；
以下式
计算混合熵T13；
以下式
计算差分矩T14；
以下式
计算逆差矩T15；
其中L代表灰度级数，Lg代表梯度级数，
代表归一化后的灰度梯度矩阵，x代表灰度值，y代表梯度值；
(3d)对所述的光谱图像中的每个像素点，计算所述的T1～T15，并分别求平均值，作为所述的纹理特征向量，并将所述的纹理特征向量作为所述的分类特征向量的后15维元素。
4.如权利要求3所述的高光谱分类方法，其中，步骤(4)中所述的支持向量机模型的训练包括步骤：
(4a)根据步骤(2)和步骤(3)对训练集中所有样本提取所述的分类特征向量；
(4b)利用支持向量机算法通过交叉训练对所述的分类特征向量进行分类，得到结果和精度；
(4c)使(3a)中的P＝P+1，重复(4a)和(4b)，直到训练集的分类精度达到最佳，即得到所述的支持向量机模型。
5.如权利要求4所述的高光谱分类方法，其中，在训练前对训练集进行如下处理：
A.统计训练集中各个类别的样本数量,取出样本数少于设定阈值theta的类别；
B.假定训练集中一个少数类样本数为T，数据扩增倍数n为阈值theta除以样本数T并向下取整：
a.对于所述少数类中的一个样本i，i∈{1，...，T}，其特征向量为xi，从所述少数类的全部样本中根据欧式距离找到所述样本的K个近邻，记为：
xi(near)，near∈{1，...，k}；
b.从K个近邻中随机选择一个样本xi(j)，再生成一个0到1之间的随机数ζ1，按下式
xi1＝xi+ζ1·(xi(j)-xi)
产生一个新的样本xi1：
c.将步骤b重复n次，得到n个新样本；
d.对全部的T个样本进行a、b、c步骤，从而得到nT个新样本；
C.对其他少数类进行步骤(B)，并汇总得到新的训练集。
6.一种高光谱图像分类系统，其特征在于，包括：
图像输入模块，用于输入所述的高光谱图像；
光谱特征向量提取模块，用于用主成分分析法提取所述的待分类的高光谱图像的光谱特征向量；
纹理特征向量提取模块，用于用灰度梯度共生矩阵提取所述的待分类的高光谱图像的纹理特征向量；
分类模块，用于将提取到的所述光谱特征向量和所述纹理特征向量合并后作为分类特征向量输入预先训练好的支持向量机模型中，得到分类结果，其中所述的支持向量机模型是使用训练集通过调整纹理特征提取窗口的方式进行反复训练使得训练集在所述支持向量机模型上的分类精度达到最佳而得的。
7.如权利要求6所述的高光谱图像分类系统，其中，所述的光谱特征向量提取模块包括：
第一光谱特征向量提取单元，用于把高光谱图像中每个像素点的所有维展开成一维光谱特征向量，得到按行排列的所有像素点的光谱特征矩阵；
第二光谱特征向量提取单元，用于对所述的光谱特征矩阵中每两列元素求协方差，得到所述光谱特征矩阵的协方差矩阵；
第三光谱特征向量提取单元，用于利用所述协方差矩阵的特征方程，得到所述协方差矩阵的所有特征值；
第四光谱特征向量提取单元，将所述的所有特征值按照从大到小排序，当排序后的前N维所述特征值之和除以所有所述特征值之和大于99％时，则取该前N维特征值作为所述的光谱特征向量，并将所述的光谱特征向量作为所述的分类特征向量的前N维元素。
8.如权利要求7所述的高光谱图像分类系统，其中，所述的纹理特征向量提取模块包括：
第一纹理特征向量提取单元，用于提取可见光波段对应的光谱图像，并对所述光谱图像的边缘进行零值填充，设置填充大小P＝1；
第二纹理特征向量提取单元，用于对所述的光谱图像中的每个像素点，以所述像素点为中心，用大小为(2P+1)×(2P+1)的所述纹理特征提取窗口得到所述像素点的所述灰度梯度共生矩阵，以所述灰度梯度共生矩阵的元素H(x，y)表示归一化后灰度图像I(i，j)和归一化后的梯度图像G(i，j)中具有灰度值x和梯度值y的像素数；
第三纹理特征向量提取单元，用于对每个所述的灰度梯度共生矩阵以下式
进行归一化处理；
以下式
计算小梯度优势T1；
以下式
计算大梯度优势T2；
以下式
计算灰度分布不均匀性T3；
以下式
计算梯度分布不均匀性T4；
以下式
计算能量T5；
以下式
计算灰度平均T6；
以下式
计算梯度平均T7；
以下式
计算灰度均方差T8；
以下式
计算梯度均方差T9；
以下式
计算相关性T10；
以下式
计算灰度熵T11；
以下式
计算梯度熵T12；
以下式
计算混合熵T13；
以下式
计算差分矩T14；
以下式
计算逆差矩T15；
其中L代表灰度级数，Lg代表梯度级数，
代表归一化后的灰度梯度矩阵，x代表灰度值，y代表梯度值；
第四纹理特征向量提取单元，用于对所述的光谱图像中的每个像素点，计算所述的T1～T15，并分别求平均值，作为所述的纹理特征向量，并将所述的纹理特征向量作为所述的分类特征向量的后15维元素。
9.如权利要求8所述的高光谱分类系统，其中，所述的分类模块包括支持向量机模型单元，所述的支持向量机模型单元是通过使用训练集用以下方法训练得到的：
(1)使用所述的光谱特征向量提取模块和所述的纹理特征向量提取模块对训练集中的所有样本提取所述的分类特征向量；
(2)利用支持向量机算法通过交叉训练对所述的分类特征向量进行分类，得到结果和精度；
(3)使所述的纹理特征向量提取模块中的P＝P+1，重复步骤(1)和步骤(2)，直到训练集的分类精度达到最佳，即得到所述的支持向量机模型单元。
10.如权利要求9所述的高光谱分类系统，其中，在训练前对训练集进行如下处理：
A.统计训练集中各个类别的样本数量,取出样本数少于设定阈值theta的类别；
B.假定训练集中一个少数类样本数为T，数据扩增倍数n为阈值theta除以样本数T并向下取整：
a.对于所述少数类中的一个样本i，i∈{1，...，T}，其特征向量为xi，从所述少数类的全部样本中根据欧式距离找到所述样本的K个近邻，记为：
xi(near)，near∈{1，...，k}；
b.从K个近邻中随机选择一个样本xi(j)，再生成一个0到1之间的随机数ζ1，
按下式
xi1＝xi+ζ1·(xi(j)-xi)
产生一个新的样本xi1：
c.将步骤b重复n次，得到n个新样本；
d.对全部的T个样本进行a、b、c步骤，从而得到nT个新样本；
C.对其他少数类进行步骤(B)，并汇总得到新的训练集。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910581418 | 2019-06-29 | ||
| CN2019105814189 | 2019-06-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881933A true CN111881933A (zh) | 2020-11-03 |
| CN111881933B CN111881933B (zh) | 2024-04-09 |
Family
ID=73157974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010549981.0A Active CN111881933B (zh) | 2019-06-29 | 2020-06-16 | 一种高光谱图像分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881933B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112414715A (zh) * | 2020-11-05 | 2021-02-26 | 西安工程大学 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
| CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和系统 |
| CN112784774A (zh) * | 2021-01-27 | 2021-05-11 | 山东农业大学 | 一种基于数据增强的小样本高光谱分类方法 |
| CN112883852A (zh) * | 2021-02-04 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
| CN113553898A (zh) * | 2021-06-07 | 2021-10-26 | 武汉思恒达科技有限公司 | 一种自动扶梯基脚松动故障诊断方法 |
| CN114399685A (zh) * | 2022-03-25 | 2022-04-26 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
| CN117197137A (zh) * | 2023-11-07 | 2023-12-08 | 山东大学 | 基于高光谱图像的组织样本分析方法及系统 |
| CN117911795A (zh) * | 2024-03-18 | 2024-04-19 | 杭州食方科技有限公司 | 食品图像识别方法、装置、电子设备和计算机可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
| WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
| 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 |
| CN108446582A (zh) * | 2018-01-25 | 2018-08-24 | 西安电子科技大学 | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 |
| CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
-
2020
- 2020-06-16 CN CN202010549981.0A patent/CN111881933B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN104897581A (zh) * | 2015-05-29 | 2015-09-09 | 华南理工大学 | 基于高光谱的识别新鲜肉、冷却肉和冷冻肉的方法及装置 |
| 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 |
| CN106404692A (zh) * | 2016-11-09 | 2017-02-15 | 大连工业大学 | 利用高光谱成像技术检测即食海参新鲜度等级的方法 |
| CN108446582A (zh) * | 2018-01-25 | 2018-08-24 | 西安电子科技大学 | 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法 |
| CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邢素霞: "基于K-means-RBF的鸡肉品质分类方法研究", 食品科学技术学报, vol. 36, no. 4, pages 93 - 99 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112414715A (zh) * | 2020-11-05 | 2021-02-26 | 西安工程大学 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
| CN112414715B (zh) * | 2020-11-05 | 2022-09-27 | 西安工程大学 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
| CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和系统 |
| CN112784774A (zh) * | 2021-01-27 | 2021-05-11 | 山东农业大学 | 一种基于数据增强的小样本高光谱分类方法 |
| CN112883852A (zh) * | 2021-02-04 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
| CN113553898A (zh) * | 2021-06-07 | 2021-10-26 | 武汉思恒达科技有限公司 | 一种自动扶梯基脚松动故障诊断方法 |
| CN114399685A (zh) * | 2022-03-25 | 2022-04-26 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
| CN114399685B (zh) * | 2022-03-25 | 2022-06-21 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
| CN117197137A (zh) * | 2023-11-07 | 2023-12-08 | 山东大学 | 基于高光谱图像的组织样本分析方法及系统 |
| CN117197137B (zh) * | 2023-11-07 | 2024-02-09 | 山东大学 | 基于高光谱图像的组织样本分析方法及系统 |
| CN117911795A (zh) * | 2024-03-18 | 2024-04-19 | 杭州食方科技有限公司 | 食品图像识别方法、装置、电子设备和计算机可读介质 |
| CN117911795B (zh) * | 2024-03-18 | 2024-06-11 | 杭州食方科技有限公司 | 食品图像识别方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881933B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881933B (zh) | 一种高光谱图像分类方法及系统 | |
| CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
| Zhou et al. | Dimension reduction using spatial and spectral regularized local discriminant embedding for hyperspectral image classification | |
| CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
| Velasco-Forero et al. | Improving hyperspectral image classification using spatial preprocessing | |
| CN108154094B (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
| CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
| CN108460342A (zh) | 基于卷积网和循环神经网络的高光谱图像分类方法 | |
| CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
| CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
| US6674915B1 (en) | Descriptors adjustment when using steerable pyramid to extract features for content based search | |
| CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
| US20110135192A1 (en) | Learning device and method, recognition device and method, and program | |
| CN108182449A (zh) | 一种高光谱图像分类方法 | |
| CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
| CN112580480B (zh) | 一种高光谱遥感影像分类方法及装置 | |
| CN110516728A (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
| Xie et al. | Trainable spectral difference learning with spatial starting for hyperspectral image denoising | |
| CN106529472A (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
| Zhong et al. | Multiscale feature extraction based on convolutional sparse decomposition for hyperspectral image classification | |
| CN105046286A (zh) | 基于自动视图生成和联合l1，2范数最小化的监督多视图特征选择方法 | |
| CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
| Mirzapour et al. | Object-based multispectral image segmentation and classification | |
| CN113762128A (zh) | 一种基于无监督学习的高光谱影像分类方法 | |
| CN106778916A (zh) | 一种基于H/α参数变化规律的多时相PolSAR农作物监督分类算法 |
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 |