CN111881953B - 基于局部二值模式和knn分类器的遥感高光谱图像分类方法 - Google Patents

基于局部二值模式和knn分类器的遥感高光谱图像分类方法 Download PDF

Info

Publication number
CN111881953B
CN111881953B CN202010672339.1A CN202010672339A CN111881953B CN 111881953 B CN111881953 B CN 111881953B CN 202010672339 A CN202010672339 A CN 202010672339A CN 111881953 B CN111881953 B CN 111881953B
Authority
CN
China
Prior art keywords
color
value
pixel
spectral
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.)
Active
Application number
CN202010672339.1A
Other languages
English (en)
Other versions
CN111881953A (zh
Inventor
赵晋陵
胡磊
黄林生
梁栋
徐超
黄文江
翁士状
张东彦
郑玲
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN202010672339.1A priority Critical patent/CN111881953B/zh
Publication of CN111881953A publication Critical patent/CN111881953A/zh
Application granted granted Critical
Publication of CN111881953B publication Critical patent/CN111881953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

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

Abstract

本发明涉及基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，与现有技术相比解决了难以进行遥感高光谱图像分类的缺陷。本发明包括以下步骤：训练数据的获取；光谱特征向量的提取；空间特征向量的提取；颜色特征向量的提取；多特征向量的堆叠；KNN分类器的构建和训练；待分类遥感高光谱图像的获取；待分类遥感高光谱图像的预处理；遥感高光谱图像分类结果的获得。本发明通过光谱、空间、颜色特征相联合，增强了同类像元的相似性，同时增大了不同像元的相异性，与部分提出的分类方法相比，总体分类精度、平均分类精度、Kappa系数均有不同程度的提高。

Description

基于局部二值模式和KNN分类器的遥感高光谱图像分类方法
技术领域
本发明涉及遥感高光谱图像技术领域，具体来说是基于局部二值模式和KNN分类器的遥感高光谱图像分类方法。
背景技术
近年来，高光谱图像分类一直是一个研究的非常活跃的领域，在许多遥感应用中，例如环境制图、作物分析、植物和矿物勘探以及生物和化学检测等许多领域中，它都起着重要的作用。因此，充分利用高光谱数据的空间与光谱信息，不断提高分类精度，就成了研究人员不断追求的目标。
高光谱图像可以获得上百个相同的窄带光谱通道，并能提供更丰富的光谱信息，以支持各种土地覆被的精细识别。为了获得有价值的光谱特征，提出了很多方法，例如降维和波段选择。
传统降维方法主要有无监督、有监督两类，主成分分析(Principal ComponentAnalysis，PCA)是一种无监督降维的方法，去除高维高光谱数据大量的冗余信息的同时，能保留方差贡献率较大主成分的光谱信息。线性判别分析(Linear Discriminant Analysis，LDA)是监督方法中的一种常用的降维方法，数据集的每个样本都有类别输出。
通常高维的高光谱数据通过降维映射到低维子空间，再将保留的光谱信息输入到分类器中实现分类。常用的分类方法主要有：K-最近邻(K Nearest Neighbor，KNN)分类法、支持向量机(Support Vector Machine，SVM)、光谱角制图法(Spectral Angle Mapping，SAM)、极限学习机(Extreme Learning Machine，ELM)等。K-最近邻方法与其它常用的分类方法相比，结构更加简单，分类更加高效且易于实现。
由于目标空间分布的复杂性和光谱的异质性，仅用光谱特征进行分类往往无法达到较高的精度。在高光谱图像中，相邻像素可能具有相同的上下文属性，在高光谱图像的分类中集成光谱和空间信息是提高分类精度的有效方法。
近年来，提出了几种空间特征提取方法，例如马尔科夫随机场(Markov RandomField，MRF)、灰度共生矩阵(gray-level co-occurrence matrix，GLCM)、小波变换、Gabor变换等。在样本充足的情况下，基于光谱特征的KNN分类方法和以RBF为高斯核函数，与SVM结合的RBF-SVM分类方法得到了较理想分类结果。
但上述KNN和RBF-SVM分类方法的不足之处在于，仅考虑了高光谱数据的光谱信息，并没有充分运用高光谱数据富含的其它如空间、颜色等丰富信息，而且在样本有限的情况下，整体分类性能并不理想。
KSOMP分类方法是在SOMP分类方法上的改进，利用了光谱和空间信息，采用稀疏表示高光谱的分类方法，由于高光谱数据在原始特征空间线性不可分，可以通过核方法将其映射到线性可分的高维空间，结果表明，考虑空-谱信息的分类方法在多个高光谱数据集上的表现优于一些传统单特征的分类方法。该方法存在的不足之处在于，仅利用了空间坐标作为空间特征，高光谱图像的空间信息利用不足，分类过程计算量大。而且，在训练样本有限的情况下，对易错分的地物类型分类精度不理想。
高光谱图像分类的关键在于在训练样本有限的前提下，既要通过降维去除冗余信息、提高训练速度，也要最大限度的挖掘高光谱图像光谱、空间等更多特征信息，提高分类精度。
因此，如何设计出一种高效可靠的遥感高光谱图像分类方法已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中难以进行遥感高光谱图像分类的缺陷，提供一种基于局部二值模式和KNN分类器的遥感高光谱图像分类方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，包括以下步骤：
训练数据的获取：从每类地物样本中按比例获取待训练的遥感高光谱图像；
光谱特征向量的提取：对待训练的遥感高光谱图像进行归一化处理，通过主成分分析对归一化处理后的高光谱数据进行降维处理，保留前P个方差贡献率最大的主成分作为光谱特征，生成光谱特征向量；
空间特征向量的提取：将降维后的光谱特征向量划分为w×w个局部子区域，对每个子区域使用LBP算法提取空间纹理特征，再将从所有子区域提取的空间特征连接起来，生成空间特征向量；
颜色特征向量的提取：首先建立颜色估计模型CEM，对归一化后的高光谱每个波段图像进行全局增强，恢复图像的颜色与细节信息，再利用三个低阶颜色矩提取高光谱颜色特征，生成颜色特征向量；
多特征向量的堆叠：将光谱与空间特征向量统一缩放到[-1,1]范围内，使缩放后的空谱特征矩阵各个维度都具有相同的重要性；对缩放后的光谱、空间特征向量与颜色特征向量进行线性融合，即将光谱特征向量、空间特征向量、颜色特征向量首尾相接进行矢量叠加，生成多特征矩阵；
KNN分类器的构建和训练：对KNN分类器进行构建并利用生成的多特征矩阵进行训练，得到训练后的KNN分类器；
待分类遥感高光谱图像的获取：获取待分类的遥感高光谱图像；
待分类遥感高光谱图像的预处理：对待分类的遥感高光谱图像进行光谱特征、空间特征、颜色特征向量提取，并堆叠出待分类的多特征向量；
遥感高光谱图像分类结果的获得：将待分类的多特征向量输入训练后的KNN分类器，得到遥感高光谱图像分类结果。
所述的光谱特征向量的提取包括以下步骤：
将待训练的遥感高光谱图像数据转化为二维特征矩阵，其中，二维特征矩阵中的每列表示光谱维度、每行表示每个样本的所有光谱信息；
对输入的二维高光谱特征样本采用归一化公式，进行归一化处理，其归一化公式如下：
Figure BDA0002582776720000031
其中，
Figure BDA0002582776720000041
表示输入的高光谱二维特征矩阵第b个光谱波段中第k个地物目标；
Figure BDA0002582776720000042
表示第b个光谱波段中对应的所有地物的像素平均值；
Figure BDA0002582776720000043
表示第b个光谱波段中对应的所有地物的像素标准差值；
Figure BDA0002582776720000044
表示归一化后输出的二维特征矩阵中第b个光谱波段中第i个地物目标；
将归一化处理后的高光谱数据，采用主成分分析降维算法保留包含绝大部分方差的维度特征，忽略方差贡献率较小的维度特征，作为代表高光谱原始数据的光谱信息；
设输入的高光谱数据集为：
X＝{x1,x2,...,xn}
其中，xi＝(xi1,xi2,...,xib)T，i＝1、2、...、n，
n为像素量，b为波段数，xi代表每个像素样本的光谱矢量；
将X的每一行，即每一波段的像素样本进行零均值化，减去这一行的均值，其表达式如下：
X'＝xi-a，a为每行均值；
再对X'的协方差矩阵Cb×b采用特征值分解法求其特征值与特征向量，其表达式如下：
Cb×b＝UΛUT，
其中，U为特征向量矩阵，Λ＝diag[λ1,λ2,...,λb]为协方差矩阵Cb×b的特征值对角矩阵，且λ1≥λ2≥...≥λb，都为非负整数；
将前p个最大特征值对应的特征向量从上到下按行排列成矩阵HK×b，则高光谱降维后的Y数据为：
Y＝(HX)T，
其中，Y＝(y1,y2,...yp)，yi为第i个主成分的列向量，Y则表示提取的光谱特征矩阵；
将光谱特征矩阵Y每一行前p列方差贡献率最大的主成分定义为对应从高光谱图像数据集样本提取的光谱特征向量，1≤p≤b，b为高光谱数据波段数。
所述空间特征向量的提取包括以下步骤：
对降维后的光谱特征向量，以每个像素点为中心将降维后的高光谱数据区域划分尺度为w×w的局部子区域；
对每个子区域采用局部二值模式提取该区域的空间纹理特征，分别在每个子区域的中心像素点(xc,yc)的半径为r的圆周路径上，取s个均匀分布的采样点，LBP的计算公式如下：
Figure BDA0002582776720000051
其中，
Figure BDA0002582776720000052
式中，(xc,yc)为中心像素点的坐标，LBPs,r(xc,yc)表示中心像素点(xc,yc)的LBP值，∑为求和操作，f(gi-gc)为符号函数，gc为中心像素像素值，gi为第i个邻域采样像素点的像素值，i＝1,..,p；
将每个子区域中心像素点的像素值gc，以领域中的中心像素值为阈值，分别与在其周围邻域距离为r处的s个采样像素点的像素值gi，按照圆周路径顺时针或逆时针的旋转顺序进行比较，将具有比中心像素值gc更高的采样点像素值分配1值，将具有比中心像素值gc更低的采样点像素值分配0值，生成s位的二进制码；
将从不同起始采样像素计算点的二进制码转化为十进制，并根据LBP的旋转不变性将相同像素点的不同LBP值进行相互比较，选取其中具有最小的十进制值作为该像素点的LBP值，再将从所有子区域提取的LBP值作为空间特征联接起来，生成空间特征向量。
所述颜色特征向量的提取包括以下步骤：
建立颜色估计模型CEM，对归一化后的高光谱每个波段的图像进行全局增强，恢复图像的颜色与细节信息，增强后的每个波段高光谱图像
Figure BDA0002582776720000053
为：
Figure BDA0002582776720000054
其中，
Figure BDA0002582776720000055
为增强后的每个波段b所对应的高光谱图像，Fcem(Ib)为映射函数，Ib为归一化后每个波段b所对应的高光谱图像。Fcem(Ib)映射函数采用如下形式：
Figure BDA0002582776720000061
其中，λ为调节参数，本发明取值为2，Mb为每个光谱波段b所对应的所有像素均值；
将经过颜色估计模型处理后的高光谱图像，采用三阶颜色矩提取每个像素样本的颜色特征向量，公式如下：
Figure BDA0002582776720000062
其中，μi为每个像素样本i的一阶矩，反映了颜色的平均强度，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值；
Figure BDA0002582776720000063
其中，σi为每个像素样本i的二阶矩，反映了颜色的不均匀性，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值，μi为每个像素样本i的一阶矩；
Figure BDA0002582776720000064
其中，其中，si为每个像素样本i的三阶矩，反映了颜色的不对称性，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值，μi为每个像素样本i的一阶矩；
通过三个低阶颜色矩提取高光谱图像的颜色特征，每个像素样本分别生成一阶、二阶、三阶颜色特征向量，将每个样本的三个低阶矩生成的颜色特征向量首尾相接形成三维颜色特征，生成高光谱数据的颜色特征向量。
所述多特征向量的堆叠包括以下步骤：
分别将提取的光谱特征向量和空间特征向量统一缩放到[-1,1]范围内，使缩放后的特征矩阵各个维度都具有相同的重要性,特征缩放计算公式如下：
Figure BDA0002582776720000071
其中，x'表示缩放后的特征向量，x表示输入的特征向量矩阵，min(x)表示每列特征向量矩阵维度的最小值，max(x)表示每列特征向量矩阵维度的最大值，a与b分别表示特征向量缩放的下界和上界；
将缩放后的光谱特征向量和空间特征向量与颜色特征向量进行矢量线性融合，将光谱特征向量、空间特征向量、颜色特征向量首尾相接进行矢量叠加，生成多特征向量。
所述KNN分类器的构建和训练包括以下步骤：
设定欧式距离作为距离度量的方式，距离公式如下：
Figure BDA0002582776720000072
其中，D(x,y)表示测试数据与各个训练数据之间的距离，∑为求和操作，xk表示输入的测试数据样本，yk表示输入的训练数据样本；
对测试数据与各个训练数据之间的距离结果按照距离递增次序进行排序，将KNN分类器近邻k值先设置一个较小的数，采用交叉验证法选取最佳近邻k值，这里将k值从1取到40，得到构建好的KNN分类器；
将生成的多特征向量输入构建好的KNN分类器中进行训练，生成最佳近邻k值，得到训练后的KNN分类器。
有益效果
本发明的基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，与现有技术相比通过光谱、空间、颜色特征相联合，增强了同类像元的相似性，同时增大了不同像元的相异性，与部分提出的分类方法相比，总体分类精度(OA)、平均分类精度(AA)、Kappa系数均有不同程度的提高。同时，本发明采用KNN分类器，具有更低的计算复杂度和更少的可调参数。
本发明具有更优的分类精度且更适合实际运用，并且在样本量有限的情况下，也能保持稳定较高的分类精度。
附图说明
图1为本发明的方法顺序图；
图2为Pavia University高光谱数据集伪彩色影像与真实地物分布图；
图3为Indian Pines高光谱数据集伪彩色影像与真实地物分布图；
图4为Salinas高光谱数据集伪彩色影像与真实地物分布图；
图5为本发明所述分类方法LBP-MFKNN在不同主成分个数下的OA点线图；
图6为本发明所述分类方法LBP-MFKNN在Indian Pines数据集上不同邻域采样点个数s和不同邻域半径r下的OA点线图；
图7为本发明所述分类方法LBP-MFKNN在不同近邻数k下的OA点线图；
图8为本发明所述分类方法LBP-MFKNN与现有方法对Pavia University数据集的分类结果图；
图9为本发明所述分类方法LBP-MFKNN与现有方法对Indian Pines数据集的分类结果图；
图10为本发明所述的分类方法LBP-MFKNN与现有方法对Salinas数据集的分类结果图；
图11为本发明所述的分类方法LBP-MFKNN对Pavia University、Indian Pines、Salinas数据集在不同样本比例下的分类精度结果。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，包括以下步骤：
第一步，训练数据的获取：从每类地物样本中按一定比例(Indian Pines数据集与Pavia University数据集用10％，Salinas用的2％实验)获取待训练的遥感高光谱图像。
第二步，光谱特征向量的提取。地物光谱特征向量的提取是提取高光谱信息的有效手段之一，是波段选择与降维的重要依据，去除高维高光谱数据大量的冗余信息的同时，也能保留主要的光谱信息，对降低分类成本有着重要意义。
对待训练的遥感高光谱图像进行归一化处理，通过主成分分析对归一化处理后的高光谱数据进行降维处理，保留前P个方差贡献率最大的主成分作为光谱特征，生成光谱特征向量。其具步骤如下：
(1)将待训练的遥感高光谱图像数据转化为二维特征矩阵，其中，二维特征矩阵中的每列表示光谱维度、每行表示每个样本的所有光谱信息；
对输入的二维高光谱特征样本采用归一化公式，进行归一化处理，其归一化公式如下：
Figure BDA0002582776720000091
其中，
Figure BDA0002582776720000092
表示输入的高光谱二维特征矩阵第b个光谱波段中第k个地物目标；
Figure BDA0002582776720000093
表示第b个光谱波段中对应的所有地物的像素平均值；
Figure BDA0002582776720000094
表示第b个光谱波段中对应的所有地物的像素标准差值；
Figure BDA0002582776720000095
表示归一化后输出的二维特征矩阵中第b个光谱波段中第i个地物目标；
(2)将归一化处理后的高光谱数据，采用主成分分析降维算法保留包含绝大部分方差的维度特征，忽略方差贡献率较小的维度特征，作为代表高光谱原始数据的光谱信息；
设输入的高光谱数据集为：
X＝{x1,x2,...,xn}
其中，xi＝(xi1,xi2,...,xib)T，i＝1、2、...、n，
n为像素量，b为波段数，xi代表每个像素样本的光谱矢量；
将X的每一行，即每一波段的像素样本进行零均值化，减去这一行的均值，其表达式如下：
X'＝xi-a，a为每行均值；
(3)再对X'的协方差矩阵Cb×b采用特征值分解法求其特征值与特征向量，其表达式如下：
Cb×b＝UΛUT，
其中，U为特征向量矩阵，Λ＝diag[λ1,λ2,...,λb]为协方差矩阵Cb×b的特征值对角矩阵，且λ1≥λ2≥...≥λb，都为非负整数；
(4)将前p个最大特征值对应的特征向量从上到下按行排列成矩阵HK×b，则高光谱降维后的Y数据为：
Y＝(HX)T，
其中，Y＝(y1,y2,...yp)，yi为第i个主成分的列向量，Y则表示提取的光谱特征矩阵；
将光谱特征矩阵Y每一行前p列方差贡献率最大的主成分定义为对应从高光谱图像数据集样本提取的光谱特征向量，1≤p≤b，b为高光谱数据波段数。
第三步，空间特征向量的提取。空间特征是高光谱数据最基本的特征，空间特征向量的提取能够反映不同地物像素样本的实际空间分布特征，联合空间特征能增大不同地物之间的区分度，提高分类精度，在一定程度上可以解决异物同谱和同物异谱的问题。
将降维后的光谱特征向量划分为w×w个局部子区域，对每个子区域使用LBP算法提取空间纹理特征，再将从所有子区域提取的空间特征连接起来，生成空间特征向量。其具体步骤如下：
(1)对降维后的光谱特征向量，以每个像素点为中心将降维后的高光谱数据区域划分尺度为w×w的局部子区域；
(2)对每个子区域采用局部二值模式提取该区域的空间纹理特征，分别在每个子区域的中心像素点(xc,yc)的半径为r的圆周路径上，取s个均匀分布的采样点，LBP的计算公式如下：
Figure BDA0002582776720000101
其中，
Figure BDA0002582776720000102
式中，(xc,yc)为中心像素点的坐标，LBPs,r(xc,yc)表示中心像素点(xc,yc)的LBP值，∑为求和操作，f(gi-gc)为符号函数，gc为中心像素像素值，gi为第i个邻域采样像素点的像素值，i＝1,..,p；
(3)将每个子区域中心像素点的像素值gc，以领域中的中心像素值为阈值，分别与在其周围邻域距离为r处的s个采样像素点的像素值gi，按照圆周路径顺时针或逆时针的旋转顺序进行比较，将具有比中心像素值gc更高的采样点像素值分配1值，将具有比中心像素值gc更低的采样点像素值分配0值，生成s位的二进制码；
(4)将从不同起始采样像素计算点的二进制码转化为十进制，并根据LBP的旋转不变性将相同像素点的不同LBP值进行相互比较，选取其中具有最小的十进制值作为该像素点的LBP值，再将从所有子区域提取的LBP值作为空间特征联接起来，生成空间特征向量。
第四步，颜色特征向量的提取。
颜色特征作为图像最重要的视觉特征，描述了图像或图像区域所对应景物的表面性质，对图像本身的尺寸、方向、视角的依赖性较小,具有一定的鲁棒性，对不同地物颜色特征向量的提取，增强了同类像元的相似性，同时使不同像元更加容易被区分，进一步提升分类精度。
首先建立颜色估计模型CEM，对归一化后的高光谱每个波段图像进行全局增强，恢复图像的颜色与细节信息，再利用三个低阶颜色矩提取高光谱颜色特征，生成颜色特征向量。其具体步骤如下：
(1)建立颜色估计模型CEM，对归一化后的高光谱每个波段的图像进行全局增强，恢复图像的颜色与细节信息，增强后的每个波段高光谱图像
Figure BDA0002582776720000111
为：
Figure BDA0002582776720000112
其中，
Figure BDA0002582776720000113
为增强后的每个波段b所对应的高光谱图像，Fcem(Ib)为映射函数，Ib为归一化后每个波段b所对应的高光谱图像。Fcem(Ib)映射函数采用如下形式：
Figure BDA0002582776720000121
其中，λ为调节参数，本发明取值为2，Mb为每个光谱波段b所对应的所有像素均值；
(2)将经过颜色估计模型处理后的高光谱图像，采用三个低阶颜色矩提取每个像素样本的颜色特征向量，公式如下：
Figure BDA0002582776720000122
其中，μi为每个像素样本i的一阶矩，反映了颜色的平均强度，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值；
Figure BDA0002582776720000123
其中，σi为每个像素样本i的二阶矩，反映了颜色的不均匀性，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值，μi为每个像素样本i的一阶矩；
Figure BDA0002582776720000124
其中，其中，si为每个像素样本i的三阶矩，反映了颜色的不对称性，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值，μi为每个像素样本i的一阶矩；
(3)通过三个低阶颜色矩提取高光谱图像的颜色特征，每个像素样本分别生成一阶、二阶、三阶颜色特征向量，将每个样本的三个低阶矩的颜色特征向量首尾相接形成三维颜色特征，生成高光谱数据的颜色特征向量。
第五步，多特征向量的堆叠：将光谱与空间特征向量统一缩放到[-1,1]范围内，使缩放后的空谱特征矩阵各个维度都具有相同的重要性；对缩放后的光谱、空间特征向量与颜色特征向量进行线性融合，即将光谱特征向量、空间特征向量、颜色特征向量首尾相接进行矢量叠加，生成多特征矩阵。其具体步骤如下：
(1)分别将提取的光谱特征向量和空间特征向量统一缩放到[-1,1]范围内，使缩放后的特征矩阵各个维度都具有相同的重要性,特征缩放计算公式如下：
Figure BDA0002582776720000131
其中，x'表示缩放后的特征向量，x表示输入的特征向量矩阵，min(x)表示每列特征向量矩阵维度的最小值，max(x)表示每列特征向量矩阵维度的最大值，a与b分别表示特征向量缩放的下界和上界；
(2)将缩放后的光谱特征向量和空间特征向量与颜色特征向量进行矢量线性融合，将光谱特征向量、空间特征向量、颜色特征向量首尾相接进行矢量叠加，生成多特征向量。
第六步，KNN分类器的构建和训练：对KNN分类器进行构建并利用生成的多特征矩阵进行训练，得到训练后的KNN分类器。
(1)设定欧式距离作为距离度量的方式，距离公式如下：
Figure BDA0002582776720000132
其中，D(x,y)表示测试数据与各个训练数据之间的距离，∑为求和操作，xk表示输入的测试数据样本，yk表示输入的训练数据样本；
(2)对测试数据与各个训练数据之间的距离结果按照距离递增次序进行排序，将KNN分类器近邻k值先设置一个较小的数，采用交叉验证法选取最佳近邻k值，这里将k值从1取到40，得到构建好的KNN分类器；
(3)将生成的多特征向量输入构建好的KNN分类器中进行训练，生成最佳近邻k值，得到训练后的KNN分类器。
第七步，待分类遥感高光谱图像的获取：获取待分类的遥感高光谱图像。
第八步，待分类遥感高光谱图像的预处理：对待分类的遥感高光谱图像进行光谱特征、空间特征、颜色特征向量提取，并堆叠出待分类的多特征向量。
第九步，遥感高光谱图像分类结果的获得：将待分类的多特征向量输入训练后的KNN分类器，得到遥感高光谱图像分类结果。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明实验的计算机硬件环境为Intel Corei5-7300HQ，CPU 2.50GHz，RAM 8GB，软件环境为Windows10(64)位操作系统，MATLAB 2016a。
本发明的仿真实验中所使用的高光谱图像数据集，分别是由可见光/红外成像光谱仪(AVIRIS)在美国印第安纳州与加利福尼亚拍摄的Indian Pines数据集和Salinas数据集，以及由德国的反射光学光谱仪ROSIS-03(Reflective Optics SpectrographicImaging System，ROSIS-03)在2003年获取的意大利帕维亚大学校园的Pavia University高光谱数据集。其中，Pavia University数据集的数据尺寸为610×340像素，其中12个波段由于受噪声影响被剔除，剩余103个光谱波段，其地物种类有九种。Pavia University伪彩色影像(选取组合波段为：R＝60，G＝30，B＝2)显示如图2(a)，对应的真实地物分布情况如图2(b)，每种地物类别及样本量如表1所示。Indian Pines数据集的数据尺表1 PaviaUniversity数据集地物类别与样本量对比表
Figure BDA0002582776720000141
寸为145×145像素，剔除其中受噪声影响的20个波段，剩余200个波段，其中地物种类有十六种。Indian Pines伪彩色影像(选取组合波段为：R＝50，G＝27，B＝17)显示如图3(a)，对应的真实地物分布情况如图3(b)，每类地物类别与样本量如表2所示。Salinas数据集的图像尺寸为512×217像素，剔除受噪声影响的20个波段，剩余204个波段，包含十六种地物类别。Salinas伪彩色影像表2 Indian pines地物类别与样本量对比表
Figure BDA0002582776720000151
(选取组合波段为：R＝50，G＝30，B＝20)如图4(a)，真实地物分布图如图4(b)，每种地物类别及样本量如表3所示。
表3 Salinas数据集地物类别与样本量对比表
Figure BDA0002582776720000152
2.分类精度评价指标
为评估本发明分类方法的分类性能，本发明采用了基于混淆矩阵计算的总体精度(Overall Accuracy，OA)、平均精度(Average Accuracy，AA)和Kappa系数作为评价指标。
总体精度(OA)是模型在所有测试集上预测正确的样本个数与总样本数之间的比值。平均精度(AA)是模型对每类的分类精度与数据集总类别数的比值。
OA与AA的计算公式如下：
Figure BDA0002582776720000153
Figure BDA0002582776720000161
其中，m为类别的种类数；xii为第i类像元的正确分类数量，即混淆矩阵主对角线上的值；xij为实际正确分类或错分的数量。
Kappa系数一般用于一致性检验，也可以用于衡量分类精度。Kappa计算结果范围为-1～1，但通常Kappa是落在0～1间，可分为五组来表示不同级别的一致性：0.0～0.20极低的一致性(slight)、0.21～0.40一般的一致性(fair)、0.41～0.60中等的一致性(moderate)、0.61～0.80高度的一致性(substantial)和0.81～1几乎完全一致(almostperfect)。Kappa系数计算公式如下：
Figure BDA0002582776720000162
其中，m为类别数；n为用于精度评价的像元总数；为第i类像元的正确分类数量；为实际正确分类或错分的数量。xi+为实际类别中第i类的像元总数；x+i为实测类别中第i类的像元总数。
3.仿真实验内容及结果分析：
实施例一：
为了验证本发明所提出方法中不同参数设置对分类精度的影响，将在主成分的个数p、LBP算法的邻域半径r、近邻采样点个数s、划分的局部区域的大小w、分类器近邻数k，这五个参数上进行验证。为提高实验的精确度和可靠性，将每种实验重复运行10次，每次从每类地物样本随机选取10％的训练样本，其余作为测试样本，将10次实验的分类精度求平均值得到最终结果。
表4 不同数据集各主成分方差贡献率及累计贡献率对比表
Figure BDA0002582776720000163
图5为本发明所述分类方法LBP-MFKNN在不同主成分个数下的OA点线图。从表4和图5可以看出，在Salinas数据集上，总体分类精度(OA)值从主成分1缓慢增加到2后，随着主成分个数p的不断增加，总体分类精度呈现稳定的趋势。在Pavia University数据集上，当主成分个数为从1增加到3时，数据集总体分类精度随之增加，此时前3个主成分累计贡献率接近99％。但当主成分个数大于3时，总体精度有一个缓慢的下降。在Indian Pines数据集上，当主成分个数p＝4时，累计贡献率超过94％，总体精度达到最大值。当p>4时，总体精度也会有一个下降的过程，并没有持续升高。这是因为在增加主成分个数p的同时，虽然会增大光谱特征的信息量，但是到一定程度时也会引入冗余特征。因此在允许损失信息量的范围内，选择一个相对较小的数目，降低计算复杂率的同时，也能保持较理想的分类精度。
图6为本发明所述分类方法LBP-MFKNN在Indian Pines数据集上不同邻域采样点个数s和不同邻域半径r下的OA点线图。从图6可以看出，在相同邻域采样点个数s的条件下，对于不同邻域半径r对分类结果的影响较小，当(r,s)＝(1,8)时，OA达到最优值。随着邻域采样点个数s的增加，总体精度并没有持续上升，总体变化幅度不大，但计算成本不断增加。因此，在对运算效率有要求的情况下，可以适当减小近邻采样点的个数，减少计算复杂度。
图7为本发明所述分类方法LBP-MFKNN在不同近邻数k下的OA点线图，k值从1设置到了40。从图7可以看出，随着k值增加，高光谱OA总体呈下降趋势，这是因为多联合后的同类样本间已经具有了很高的相似性，如果k值选取的过大，并且待分类样本又属于训练集中样本数较少的类，那么在选择较大k个最近邻时，就可能将不相关的数据包含进来，因而导致分类精确度降低，同时增大了计算成本。因此在确保较高的分类精确度的同时，k值选取尽可能小。当k＝1时，本发明所提出的分类方法LBP-MFKNN在Indian Pines数据集上总体精度最高。
实施例二：
为了进一步验证本发明所提出方法的有效性，下面将采用Pavia Univers ity、Indian Pines、Salinas三种数据集进行验证，并且将本发明所述的分类方法LBP-MFKNN与已经存在的一些高光谱分类方法KNN、RBF-SVM、KSOMP进行了比较,每组分类方法所用的训练样本数完全相同。
表6本发明所述分类方法LBP-MFKNN与现有方法对Pavia University数据集的分类精度对比结果。
Figure BDA0002582776720000181
对图2所示的Pavia University高光谱图像进行分类，从每类地物随机选取了10％的样本作为训练集，其余样本用作测试集，在该数据集上本发明所提出的分类方法中光谱特征采用降维后的前三个主成分，即p＝3，近邻采样点个数s与半径r分别取8和1，划分区域大小w设置为7像素×7像素，最近邻分类器近邻k值取1，其他方法均为最优状态下的分类精度，实验结果取10次实验精度结果的平均值，实验结果如表6所示。从表6可以看出，本发明所提出的分类方法达到了最高的分类精度，拥有最高的OA、AA、Kappa系数。对于大多数类别的地物特征，本发明提出的分类方法对OA、AA、Kappa系数都有明显提升，同时，LBP-MFKNN与KSOMP分类方法都比传统仅使用纯光谱的SVM与KNN分类方法分类效果更好。在OA、AA、Kappa方面，LBP-MFKNN比KSOMP分类方法分别高出5.04％、7.37％与6.79％，并且标准差更小，分类精度更稳定。图8为本发明所述分类方法LBP-MFKNN与现有方法对PaviaUniversity数据集的分类结果图。从图8中可以看出，本发明所提出的分类方法得到的分类图总体错分点更少，大部分区域更加完整，更加接近于原始地物分布图。另外，LBP-MFKNN分类方法在对容易被错分的地物类型上表现的更好，如Bare Soil、Gravel等。这表明本发明提出的分类方法不仅对大部分的地物分类精度都有显著提升，而且对于容易错分的地物类型，LBP-MFKNN分类方法也能保持良好的识别分类精度。
表7本发明所述分类方法LBP-MFKNN与现有方法对Indian Pines数据集的分类精度对比结果。
Figure BDA0002582776720000191
对图3所示的Indian Pines高光谱图像进行分类，从每类地物随机选取了10％的样本作为训练集，其余样本用作测试集，在该数据集上本发明所提出的分类方法中光谱特征采用降维后的前四个主成分，即p＝4，取w窗口大小为9像素×9像素，其余参数与上述设置一致，其他分类方法均为最优状态下的分类精度，实验结果取10次实验精度结果的平均值，实验结果如表7所示。从表7可以看出，本发明所提出的分类方法达到了最高的分类精度，拥有最高的OA、AA、Kappa系数。虽然KNN与RBF-SVM分类方法能够有效的区分如Wheat，Woods等光谱差异大的地物，然而由于未考虑高光谱数据的其他特征信息，在Alfalfa、Corn、Oats等样本量少且易被错分的地物种类分类上，基于纯光谱特征进行分类的KNN与RBF-SVM分类方法分类效果并不理想，KNN分类方法在Alfalfa地物种类上分类精度不到25％，RBF-SVM分类方法不到20％。KSOMP利用空谱特征分类方法对Alfalfa的分类总体精度达到了86.77％，本发明所提出的分类方法LBP-MFKNN将该类地物分类精度提升到了93％以上，且在其他样本量少、易错分的相似光谱地物分类中，如Corn、Grass-pasture-mowed、Stone-Steel-Towers分类精度均达到了92％以上，与KSOMP分类方法相比，本发明提出分类方法将精度在OA、AA分别提升了3.94％、10.41％，在Kappa系数上提升了4.5％，且LBP-MFKNN分类方法分类结果更稳定。图9为本发明所述分类方法LBP-MFKNN与现有方法对Indian Pines数据集的分类结果图。从图9可以看出，与一些现有方法相比本发明提出的分类方法分类效果更好。
表8 本发明所述分类方法LBP-MFKNN与现有方法对Salinas数据集的分类精度对比结果表
Figure BDA0002582776720000201
对图4所示的Salinas高光谱图像进行分类，从每类地物随机选取了2％的样本作为训练集，其余样本用作测试集，在该数据集上本发明所提出的分类方法中光谱特征采用降维后的前2个主成分，采用17像素×17像素w窗口进行区域划分，其余参数与上述设置一致，其他分类方法均为最优状态下的分类精度，实验结果取10次实验精度结果的平均值，实验结果如表8所示。仅使用光谱特征进行分类的KNN与RBF-SVM分类方法，OA分别为为87.02％，91.43％，但对于容易被错分的地物Vinyard_untrained分类效果不理想，分类精度分别为53.64％和67.78％。利用空谱特征的KSOMP分类方法有效的消除了类间相似的误分类，提高了分类精度，在Vinyard_untrained分类识别上分类精度达到84％以上。本发明所提出的分类方法LBP-MFKNN对Salinas数据集大部分的地物类型分类精度均高于90％，且相比于KSMOP分类方法，对于Vinyard_untrai ned的识别，分类精度提高了14.37％，总体精度与Kappa系数分别提高了2.06％和2.23％。并且在Salinas数据集上，本发明提出的分类方法的分类精度标准偏差是最小的，即分类效果更稳定。图10为本发明所述的分类方法LBP-MF KNN与现有方法对Salinas数据集的分类结果图。从图10可以看出，KNN与RBF-SVM分类方法对于容易被错分的地物分类效果不理想，噪声点较多，与之相比本发明提出的分类方法分类效果更好。
实施例三：
为了验证本发明所述的分类方法在不同样本比例下对高光谱分类精度的影响，分别设置了1％、2％、5％、10％、15％、20％五种不同训练样本比例进行验证，本发明所述的分类方法LBP-MFKNN对Pavia University、Indian Pines、Salinas数据集在不同样本比例下的OA、AA、Kappa实验结果分别如图11(a、b、c)、图11(d、e、f)、图11(g、h、i)。从图11可以看出，随着训练样本量的不断增加，不同分类方法的分类精度也不断提升，且逐渐趋于平稳。在各种不同训练样本量下，联合更多特征的分类方法，在大部分情况下其OA、AA、Kappa系数都要高于仅使用单个特征的分类方法。当训练样本比例为1％时，对于Pavia University数据集，KSOMP与LBP-MFKNN都具有85％以上的OA、AA、Kappa系数，而在Indian Pines和Salinas数据集上，本发明提出的分类方法拥有最高的OA和AA，并且在三种高光谱数据集上，Kappa系数均在80％以上，同时当训练样本量足够大时，则具有更好的分类精度。
综上所述，本发明所提出的分类方法通过多特征相联合，增强了同类像元的相似性，增大了不同像元的相异性，与部分现有的方法相比，总体分类精度(OA)、平均分类精度(AA)、Kappa系数均有不同程度的提高，并且对容易被错分和训练样本量较小的地物也能有较理想的分类效果。同时，本发明所述方法拥有更低的计算复杂度和更少的可调参数，更加适合于实际应用。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.一种基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，其特征在于，包括以下步骤：
11)训练数据的获取：从每类地物样本中按比例获取待训练的遥感高光谱图像；
12)光谱特征向量的提取：对待训练的遥感高光谱图像进行归一化处理，通过主成分分析对归一化处理后的高光谱数据进行降维处理，保留前P个方差贡献率最大的主成分作为光谱特征，生成光谱特征向量；
13)空间特征向量的提取：将降维后的光谱特征向量划分为w×w个局部子区域，对每个子区域使用LBP算法提取空间纹理特征，再将从所有子区域提取的空间特征连接起来，生成空间特征向量；
14)颜色特征向量的提取：首先建立颜色估计模型CEM，对归一化后的高光谱每个波段图像进行全局增强，恢复图像的颜色与细节信息，再利用三个低阶颜色矩提取高光谱颜色特征，生成颜色特征向量；
15)多特征向量的堆叠：将光谱与空间特征向量统一缩放到[-1,1]范围内，使缩放后的空谱特征矩阵各个维度都具有相同的重要性；对缩放后的光谱、空间特征向量与颜色特征向量进行线性融合，即将光谱特征向量、空间特征向量、颜色特征向量首尾相接进行矢量叠加，生成多特征矩阵；
16)KNN分类器的构建和训练：对KNN分类器进行构建并利用生成的多特征矩阵进行训练，得到训练后的KNN分类器；
17)待分类遥感高光谱图像的获取：获取待分类的遥感高光谱图像；
18)待分类遥感高光谱图像的预处理：对待分类的遥感高光谱图像进行光谱特征、空间特征、颜色特征向量提取，并堆叠出待分类的多特征向量；
19)遥感高光谱图像分类结果的获得：将待分类的多特征向量输入训练后的KNN分类器，得到遥感高光谱图像分类结果。
2.根据权利要求1所述的基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，其特征在于，所述的光谱特征向量的提取包括以下步骤：
21)将待训练的遥感高光谱图像数据转化为二维特征矩阵，其中，二维特征矩阵中的每列表示光谱维度、每行表示每个样本的所有光谱信息；
对输入的二维高光谱特征样本采用归一化公式，进行归一化处理，其归一化公式如下：
Figure FDA0003508573790000021
其中，
Figure FDA0003508573790000022
表示输入的高光谱二维特征矩阵第b个光谱波段中第k个地物目标；
Figure FDA0003508573790000023
表示第b个光谱波段中对应的所有地物的像素平均值；
Figure FDA0003508573790000024
表示第b个光谱波段中对应的所有地物的像素标准差值；
Figure FDA0003508573790000025
表示归一化后输出的二维特征矩阵中第b个光谱波段中第i个地物目标；
22)将归一化处理后的高光谱数据，采用主成分分析降维算法保留包含绝大部分方差的维度特征，忽略方差贡献率较小的维度特征，作为代表高光谱原始数据的光谱信息；
设输入的高光谱数据集为：
X＝{x1,x2,...,xn}
其中，xi＝(xi1,xi2,...,xib)T，i＝1、2、...、n，
n为像素量，b为波段数，xi代表每个像素样本的光谱矢量；
将X的每一行，即每一波段的像素样本进行零均值化，减去这一行的均值，其表达式如下：
X'＝xi-a，a为每行均值；
23)再对X'的协方差矩阵Cb×b采用特征值分解法求其特征值与特征向量，其表达式如下：
Cb×b＝UΛUT，
其中，U为特征向量矩阵，Λ＝diag[λ1,λ2,...,λb]为协方差矩阵Cb×b的特征值对角矩阵，且λ1≥λ2≥...≥λb，都为非负整数；
24)将前p个最大特征值对应的特征向量从上到下按行排列成矩阵HK×b，则高光谱降维后的Y数据为：
Y＝(HX)T，
其中，Y＝(y1,y2,...yp)，yi为第i个主成分的列向量，Y则表示提取的光谱特征矩阵；
将光谱特征矩阵Y每一行前p列方差贡献率最大的主成分定义为对应从高光谱图像数据集样本提取的光谱特征向量，1≤p≤b，b为高光谱数据波段数。
3.根据权利要求1所述的基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，其特征在于，所述空间特征向量的提取包括以下步骤：
31)对降维后的光谱特征向量，以每个像素点为中心将降维后的高光谱数据区域划分尺度为w×w的局部子区域；
32)对每个子区域采用局部二值模式提取该区域的空间纹理特征，分别在每个子区域的中心像素点(xc,yc)的半径为r的圆周路径上，取s个均匀分布的采样点，LBP的计算公式如下：
Figure FDA0003508573790000031
其中，
Figure FDA0003508573790000032
式中，(xc,yc)为中心像素点的坐标，LBPs,r(xc,yc)表示中心像素点(xc,yc)的LBP值，∑为求和操作，f(gi-gc)为符号函数，gc为中心像素像素值，gi为第i个邻域采样像素点的像素值，i＝1,..,p；
33)将每个子区域中心像素点的像素值gc，以领域中的中心像素值为阈值，分别与在其周围邻域距离为r处的s个采样像素点的像素值gi，按照圆周路径顺时针或逆时针的旋转顺序进行比较，将具有比中心像素值gc更高的采样点像素值分配1值，将具有比中心像素值gc更低的采样点像素值分配0值，生成s位的二进制码；
34)将从不同起始采样像素计算点的二进制码转化为十进制，并根据LBP的旋转不变性将相同像素点的不同LBP值进行相互比较，选取其中具有最小的十进制值作为该像素点的LBP值，再将从所有子区域提取的LBP值作为空间特征联接起来，生成空间特征向量。
4.根据权利要求1所述的基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，其特征在于，所述颜色特征向量的提取包括以下步骤：
41)建立颜色估计模型CEM，对归一化后的高光谱每个波段的图像进行全局增强，恢复图像的颜色与细节信息，增强后的每个波段高光谱图像
Figure FDA0003508573790000041
为：
Figure FDA0003508573790000042
其中，
Figure FDA0003508573790000043
为增强后的每个波段b所对应的高光谱图像，Fcem(Ib)为映射函数，Ib为归一化后每个波段b所对应的高光谱图像，Fcem(Ib)映射函数采用如下形式：
Figure FDA0003508573790000044
其中，λ为调节参数，取值为2，Mb为每个光谱波段b所对应的所有像素均值；
42)将经过颜色估计模型处理后的高光谱图像，采用三阶颜色矩提取每个像素样本的颜色特征向量，公式如下：
Figure FDA0003508573790000051
其中，μi为每个像素样本i的一阶矩，反映了颜色的平均强度，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值；
Figure FDA0003508573790000052
其中，σi为每个像素样本i的二阶矩，反映了颜色的不均匀性，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值，μi为每个像素样本i的一阶矩；
Figure FDA0003508573790000053
其中，si为每个像素样本i的三阶矩，反映了颜色的不对称性，b为波段数，∑为求和操作，pij为第i个像素样本的第j个波段的像素值，μi为每个像素样本i的一阶矩；
43)通过三个低阶颜色矩提取高光谱图像的颜色特征，每个像素样本分别生成一阶、二阶、三阶颜色特征向量，将每个样本的三个低阶矩生成的颜色特征向量首尾相接形成三维颜色特征，生成高光谱数据的颜色特征向量。
5.根据权利要求1所述的基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，其特征在于，所述多特征向量的堆叠包括以下步骤：
51)分别将提取的光谱特征向量和空间特征向量统一缩放到[-1,1]范围内，使缩放后的特征矩阵各个维度都具有相同的重要性,特征缩放计算公式如下：
Figure FDA0003508573790000061
其中，x'表示缩放后的特征向量，x表示输入的特征向量矩阵，min(x)表示每列特征向量矩阵维度的最小值，max(x)表示每列特征向量矩阵维度的最大值，a与b分别表示特征向量缩放的下界和上界；
52)将缩放后的光谱特征向量和空间特征向量与颜色特征向量进行矢量线性融合，将光谱特征向量、空间特征向量、颜色特征向量首尾相接进行矢量叠加，生成多特征向量。
6.根据权利要求1所述的基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，其特征在于，所述KNN分类器的构建和训练包括以下步骤：
61)设定欧式距离作为距离度量的方式，距离公式如下：
Figure FDA0003508573790000062
其中，D(x,y)表示测试数据与各个训练数据之间的距离，∑为求和操作，xk表示输入的测试数据样本，yk表示输入的训练数据样本；
62)对测试数据与各个训练数据之间的距离结果按照距离递增次序进行排序，将KNN分类器近邻k值先设置一个较小的数，采用交叉验证法选取最佳近邻k值，这里将k值从1取到40，得到构建好的KNN分类器；
63)将生成的多特征向量输入构建好的KNN分类器中进行训练，生成最佳近邻k值，得到训练后的KNN分类器。
CN202010672339.1A 2020-07-14 2020-07-14 基于局部二值模式和knn分类器的遥感高光谱图像分类方法 Active CN111881953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010672339.1A CN111881953B (zh) 2020-07-14 2020-07-14 基于局部二值模式和knn分类器的遥感高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010672339.1A CN111881953B (zh) 2020-07-14 2020-07-14 基于局部二值模式和knn分类器的遥感高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN111881953A CN111881953A (zh) 2020-11-03
CN111881953B true CN111881953B (zh) 2022-04-22

Family

ID=73150730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010672339.1A Active CN111881953B (zh) 2020-07-14 2020-07-14 基于局部二值模式和knn分类器的遥感高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN111881953B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112784907A (zh) * 2021-01-27 2021-05-11 安徽大学 基于空谱特征与bp神经网络的高光谱图像分类方法
CN112766227B (zh) * 2021-02-04 2023-11-03 中国地质调查局武汉地质调查中心 一种高光谱遥感影像分类方法、装置、设备及存储介质
CN112560826B (zh) * 2021-02-24 2021-05-25 航天宏图信息技术股份有限公司 图像分类模型的训练方法、图像分类方法及装置
CN113436090A (zh) * 2021-06-16 2021-09-24 中国电子科技集团公司第五十四研究所 一种遥感影像光谱和纹理特征融合提取方法
CN113516176A (zh) * 2021-06-21 2021-10-19 中国农业大学 基于光谱纹理特征和k近邻法的小麦倒伏区域识别方法
CN113553914B (zh) * 2021-06-30 2024-03-19 核工业北京地质研究院 一种casi高光谱数据异常目标检测方法
CN113837258B (zh) * 2021-09-17 2023-09-08 华中师范大学 基于局部相关熵矩阵的高光谱图像分类方法和系统
CN114049556A (zh) * 2021-11-10 2022-02-15 中国天楹股份有限公司 一种svm与目标检测算法融合的垃圾分类方法
CN115326722B (zh) * 2022-08-12 2023-03-28 宁波拾烨智能科技有限公司 基于高光谱遥感数据的海洋赤潮预警方法
CN115205688A (zh) * 2022-09-07 2022-10-18 浙江甲骨文超级码科技股份有限公司 茶树种植区域提取方法及系统
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069478A (zh) * 2015-08-19 2015-11-18 西安电子科技大学 基于超像素张量稀疏编码的高光谱遥感地物分类方法
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN107451614A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于空间坐标与空谱特征融合的高光谱分类方法
CN109034213A (zh) * 2018-07-06 2018-12-18 华中师范大学 基于相关熵原则的高光谱图像分类方法和系统
CN110569884A (zh) * 2019-08-16 2019-12-13 河海大学 基于深度学习和形态学的高光谱遥感影像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018081929A1 (zh) * 2016-11-01 2018-05-11 深圳大学 一种高光谱遥感图像特征提取和分类方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069478A (zh) * 2015-08-19 2015-11-18 西安电子科技大学 基于超像素张量稀疏编码的高光谱遥感地物分类方法
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN107451614A (zh) * 2017-08-01 2017-12-08 西安电子科技大学 基于空间坐标与空谱特征融合的高光谱分类方法
CN109034213A (zh) * 2018-07-06 2018-12-18 华中师范大学 基于相关熵原则的高光谱图像分类方法和系统
CN110569884A (zh) * 2019-08-16 2019-12-13 河海大学 基于深度学习和形态学的高光谱遥感影像分类方法

Also Published As

Publication number Publication date
CN111881953A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111881953B (zh) 基于局部二值模式和knn分类器的遥感高光谱图像分类方法
CN112232280B (zh) 基于自编码器与3d深度残差网络的高光谱图像分类方法
Jia et al. A novel ranking-based clustering approach for hyperspectral band selection
CN108596154B (zh) 基于高维特征选择与多级融合的遥感图像分类方法
Mardanisamani et al. Crop lodging prediction from UAV-acquired images of wheat and canola using a DCNN augmented with handcrafted texture features
Mianji et al. Robust hyperspectral classification using relevance vector machine
Kuo et al. Kernel nonparametric weighted feature extraction 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
Zhang et al. Automatic spatial–spectral feature selection for hyperspectral image via discriminative sparse multimodal learning
CN108647690B (zh) 基于判别稀疏保持投影的非约束人脸图像降维方法
CN113486851B (zh) 基于双分支光谱多尺度注意力网络的高光谱图像分类方法
CN105913092B (zh) 基于子空间学习的图正则高光谱图像波段选择方法
Paclık et al. Dissimilarity-based classification of spectra: computational issues
Swiderski et al. Novel methods of image description and ensemble of classifiers in application to mammogram analysis
CN109241813B (zh) 基于判别稀疏保持嵌入的非约束人脸图像降维方法
CN106934400B (zh) 基于自表示和局部相似性保护的高光谱图像波段选择方法
CN112784907A (zh) 基于空谱特征与bp神经网络的高光谱图像分类方法
Bajwa et al. Hyperspectral data mining
Zhao et al. Band selection via explanations from convolutional neural networks
Baisantry et al. Discriminative spectral–spatial feature extraction-based band selection for hyperspectral image classification
Ariyapadath Plant Leaf Classification and Comparative Analysis of Combined Feature Set Using Machine Learning Techniques.
CN113052130B (zh) 基于深度残差网络和边缘保护滤波的高光谱影像分类方法
Singh et al. Optimization of stochastic networks using simulated annealing for the storage and recalling of compressed images using SOM
Nyasaka et al. Learning hyperspectral feature extraction and classification with resnext network
CN113469084B (zh) 基于对比生成对抗网络的高光谱图像分类方法

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