CN112766227B - 一种高光谱遥感影像分类方法、装置、设备及存储介质 - Google Patents
一种高光谱遥感影像分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112766227B CN112766227B CN202110154886.5A CN202110154886A CN112766227B CN 112766227 B CN112766227 B CN 112766227B CN 202110154886 A CN202110154886 A CN 202110154886A CN 112766227 B CN112766227 B CN 112766227B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- pixel
- classification
- remote sensing
- sensing 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001228 spectrum Methods 0.000 claims abstract description 254
- 238000010521 absorption reaction Methods 0.000 claims description 69
- 230000003595 spectral effect Effects 0.000 claims description 64
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 description 12
- 244000068988 Glycine max Species 0.000 description 6
- 235000010469 Glycine max Nutrition 0.000 description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- BERDEBHAJNAUOM-UHFFFAOYSA-N copper(I) oxide Inorganic materials [Cu]O[Cu] BERDEBHAJNAUOM-UHFFFAOYSA-N 0.000 description 4
- LBJNMUFDOHXDFG-UHFFFAOYSA-N copper;hydrate Chemical compound O.[Cu].[Cu] LBJNMUFDOHXDFG-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 4
- 229910052622 kaolinite Inorganic materials 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 239000011045 chalcedony Substances 0.000 description 3
- YGANSGVIUGARFR-UHFFFAOYSA-N dipotassium dioxosilane oxo(oxoalumanyloxy)alumane oxygen(2-) Chemical compound [O--].[K+].[K+].O=[Si]=O.O=[Al]O[Al]=O YGANSGVIUGARFR-UHFFFAOYSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910052627 muscovite Inorganic materials 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229910052934 alunite Inorganic materials 0.000 description 1
- 239000010424 alunite Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- KPZTWMNLAFDTGF-UHFFFAOYSA-D trialuminum;potassium;hexahydroxide;disulfate Chemical compound [OH-].[OH-].[OH-].[OH-].[OH-].[OH-].[Al+3].[Al+3].[Al+3].[K+].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O KPZTWMNLAFDTGF-UHFFFAOYSA-D 0.000 description 1
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
- G06F18/24—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种高光谱遥感影像分类方法、装置、设备及存储介质,该方法包括以下步骤:从原始高光谱遥感影像中分别获取各地物类型的参考光谱和每个像元的像元光谱;计算得到像元光谱与参考光谱之间的光谱角距离;计算得到像元光谱与参考光谱之间的最优光谱特征参数组合的欧式距离;将光谱角距离与所述欧式距离相结合,获得像元光谱与参考光谱之间的最终匹配距离;根据最终匹配距离判断影像中每个像元所属的地物类型,基于像元所属的地物类型输出原始高光谱遥感影像的分类结果图,并对分类结果图进行精度评价。本发明将基于光谱整体特性的光谱角距离和突出光谱局部细节特征的组合特征参数欧式距离相结合,提高了高光谱遥感影像的分类精度。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及一种高光谱遥感影像分类方法、装置、设备及存储介质。
背景技术
高光谱遥感是在成像光谱学的基础上发展起来的,它首次将图像丰富的光谱特征与空间特征相结合,具有光谱分辨率高、光谱连续和图谱合一的独特优势,在军事侦察、大气探测、环境监测、地质勘察、海洋、林业和农业遥感等领域有着广泛和重要的应用。基于高光谱数据丰富的光谱和空间信息对地物类型进行识别与分类是高光谱遥感技术的一项重要应用,其分类的理论基础是“同物同谱”,同种地物具有相似的光谱特征及空间特征,在影像上呈现高度的相似性,基于这种相似,可以实现对地物的识别。
常见的高光谱遥感影像分类方法有:传统监督分类方法(最小距离分类法、最大似然分类法、二值编码分类法等),非监督分类方法(K-均值聚类法、ISODATA),基于光谱匹配的分类方法(光谱角匹配法、光谱信息散度等),基于混合像元分解的分类方法,基于机器学习的分类方法(支持向量机、随机森林等),以及基于深度学习的分类方法(深度置信网络、卷积神经网络、循环神经网络、自编码器等)。
光谱匹配技术是高光谱遥感影像分类的关键技术之一,它是由已知地物类型的反射波谱,通过波形或特征匹配来达到识别地物类型的目的。光谱匹配分类的原理是对每一参考类别确定其参考光谱,然后对每一待定像元进行光谱测试,计算其与参考光谱的相似性,待定像元类别则属于相似性最高的一类。
在光谱匹配技术中光谱角匹配法是一种比较光谱整体形状相似度的分类方法,由于具有明确的物理意义和较好的分类效果,应用最为广泛。光谱角匹配法虽然能从光谱曲线的整体形状上比较光谱的相似程度,但较难识别光谱局部特征上的差异,对于光谱曲线相似的地物类型分类精度低下。而基于光谱特征参数的局部特征匹配法是以光谱吸收谷特征为基础,利用光谱的局部细节特征对典型地物进行识别。但是,仅仅基于光谱特征参数的绝对大小对典型地物类型进行识别,具有一定的局限性,只考虑了局部光谱特征的相似性,无法对整体光谱特征进行有效地表达,在常规的光谱匹配分类中,往往会造成分类精度低下。
常见的距离计算方法有欧式距离、马氏距离、夹角余弦距离和相关系数等。欧氏距离计算的是两点之间的实际距离;马氏距离可以用来计算两个未知样本集之间的距离,它考虑了各种特性之间的联系,并且是尺度无关的;夹角余弦距离通过计算两个向量之间的夹角余弦值评估他们的相似度;最常见的相关系数为皮尔逊相关系数,用来度量两个变量之间的线性关系。不同的距离计算方法侧重点不同,各有优势,在实际应用中,根据不同的需求选择最好结果对应的距离计算方法即可。
因此,传统的高光谱遥感影像分类方法无法对整个光谱特征进行有效的表达且分类精度低下是亟待解决的技术问题。
发明内容
本发明提出了一种高光谱遥感影像分类方法、装置、设备及存储介质,旨在解决传统的高光谱遥感影像分类方法无法有效的表达所有光谱特征且分类精度低下的技术问题。
为了实现上述目的,本发明提出了一种高光谱遥感影像分类方法,所述高光谱遥感影像分类方法包括以下步骤:
从原始高光谱遥感影像中分别获取各地物类型的参考光谱和每个像元的像元光谱;
计算得到所述像元光谱与所述参考光谱之间的光谱角距离;
假设像元光谱曲线为:x=(x1,x2,x3,…,xn),参考光谱曲线为:y=(y1,y2,y3,…yn),一条光谱共n个反射率值,x1、y1为光谱的第一个反射率值,xn、yn为光谱的第n个反射率值,计算公式如下:
式中,xi和yi表示像元光谱和参考光谱的第i个值,cos表示计算所得夹角余弦值,余弦值越接近于1,两条光谱曲线越相似。
计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离,公式如下:
式中,a和b表示分别表示像元光谱特征参数和参考光谱特征参数,aj表示像元光谱的第j个特征参数,bj表示参考光谱的第j个特征参数,m为参数总个数,Euclidean表示像元光谱特征参数与参考光谱特征参数之间的欧式距离值。
将所述光谱角距离与所述欧式距离相结合,获得所述像元光谱与所述参考光谱之间的最终匹配距离,计算公式如下:
Distance=(1-cos)·Euclideanμ
式中,μ为欧式距离开方系数,通过在0~1之间调节μ的大小,可以不同步地改变像元光谱与不同参考光谱之间的Euclidean值,使距离大的值更大、距离小的值更小,增大光谱之间的差异性。Distance值为联合后的匹配距离,值越小,两条光谱越相似。
根据所述最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图。
优选地,所述从原始高光谱遥感影像中分别获取各地物类型的参考光谱和每个像元的像元光谱,包括:
选取高光谱遥感影像的分类参考图;
根据所述分类参考图从所述原始高光谱遥感影像中获取感兴趣区域;
获取所述感兴趣区域的平均光谱作为各地物类型的参考光谱;
从所述原始高光谱遥感影像中获取每个像元的像元光谱。
优选地,在所述计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离的步骤之前,还包括:
对所述参考光谱和所述像元光谱进行均值滤波平滑处理和包络线去除处理,获得处理后参考光谱和处理后像元光谱;
根据地物光谱曲线的吸收谷特性确定所述处理后参考光谱和所述处理后像元光谱的吸收谷个数(t个),并提取每个所述吸收谷的光谱特征参数(8个),共有8t个;
每个所述吸收谷的光谱特征参数包括:
(1)吸收波谷位置P:光谱吸收谷反射率最低处对应的波长;
(2)吸收反射率Ep:吸收波谷位置处的反射率值;
(3)吸收宽度W:吸收谷两侧肩部的波谱带宽,
W=λ2-λ1
式中,λ1和λ2分别为吸收谷左侧和右侧肩部位置对应的波长;
(4)吸收对称度S:过波谷位置垂线的左右两部分的对称程度,等于左右肩部距离谷底的波长宽度与吸收宽度之比;
S=(λ2-P)/W
(5)吸收深度H:吸收反射率Ep与吸收谷两侧肩部对应的较小反射率值Emin的差值;
H=Emin-Ep
(6)吸收面积A:吸收带曲线与两侧肩部连线所围成的面积,
式中,E为吸收谷对应的曲线反射率值;
(7)吸收斜率K:原始光谱曲线中,吸收波谷两肩部连线的斜率,
K=(E2-E1)/(λ2-λ1)
式中,E1和E2分别为吸收谷左侧和右侧肩部位置对应在原始光谱中的反射率值;
(8)光谱吸收指数SAI:非吸收基线和吸收谷底垂线交点的反射率值E′与吸收谷底反射率值Ep的比值。
SAI=E′-Ep
谷v1的光谱特征参数分别为P1、Ep1、W1、S1、H1、A1、K1、SAI1,其它谷同理。
根据排列组合从所有光谱特征参数中选取多个不同的组合类型对所述原始高光谱遥感影像进行分类,获得多个分类结果,根据所述多个分类结果的分类精度获取最优光谱特征参数组合。
优选地,所述根据排列组合方法从所有光谱特征参数中选取多个不同的组合类型对所述原始高光谱遥感影像进行分类,获得多个分类结果,根据所述多个分类结果的分类精度获取最优光谱特征参数组合,包括:
a)从所有光谱特征参数中逐一选取一个作为当前光谱特征参数,对所述当前光谱特征参数进行光谱匹配,获得当前分类结果,对所述当前分类结果进行精度评价,得到最大分类精度的匹配参数组合;
b)将所述匹配参数组合与剩余光谱特征参数中的一个进行组合,作为新的当前光谱特征参数,对所述新的当前光谱特征参数进行光谱匹配,获得新的当前分类结果,对所述新的当前分类结果进行精度评价,得到新的最大分类精度的匹配参数组合;
c)重复步骤b),直到最大分类精度不再提高,得到最优光谱特征参数组合。
优选地,在所述根据最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图的步骤之后,还包括:
根据评价指标对所述分类结果图进行精度评价。
所述评价指标包括:总体分类精度OA、Kappa系数、生产者精度PA和使用者精度UA中的至少一种。
此外,为了实现上述目的,本发明还提供了一种高光谱遥感影像分类设备,所述高光谱遥感影像分类设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高光谱遥感影像分类程序,所述高光谱遥感影像分类程序被所述处理器执行时实现所述的高光谱遥感影像分类方法的步骤。
此外,为了实现上述目的,本发明还提供了一种存储介质,所述存储介质上存储有高光谱遥感影像分类程序,所述高光谱遥感影像分类程序被处理器执行时实现所述的高光谱遥感影像分类方法的步骤。
此外,为了实现上述目的,本发明还提供了一种高光谱遥感影像分类装置,所述高光谱遥感影像分类装置包括:
光谱获取模块,用于从原始高光谱遥感影像中分别获取各地物类型的参考光谱和像元光谱;
光谱角距离计算模块,用于计算得到所述像元光谱与所述参考光谱之间的光谱角距离;
组合参数欧式距离计算模块,用于计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离;
最终匹配距离获取模块,用于将所述光谱角距离与所述最优光谱特征参数组合的欧式距离相结合,获得所述像元光谱与所述参考光谱之间的最终匹配距离;
分类模块,用于根据所述最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图。
本发明技术方案的有益效果:
(1)将联合光谱角和组合特征参数的SAM-CCP匹配法应用于高光谱遥感影像分类实验,并将分类结果与最小距离分类法、光谱信息散度匹配法和光谱角匹配法等传统的分类方法相比较。结果表明,综合考虑了光谱曲线的整体和局部特征的SAM-CCP匹配法,能够改善多数光谱相似地物的识别精度,提高高光谱遥感影像分类的总体精度。
(2)利用排列组合的方法选取最优光谱特征参数组合,并计算其欧式距离应用于SAM-CCP光谱匹配分类模型,该组合对影像中的所有地物类型具有普适性,能够得到最高的总体分类精度。
附图说明
图1是本发明具体实施例基于联合光谱角与组合特征参数的高光谱遥感影像分类方法的流程图
图2是本发明具体实施例基于联合光谱角与组合特征参数的高光谱遥感影像分类装置结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,图1是本发明具体实施例基于联合光谱角与组合特征参数的高光谱遥感影像分类方法的流程图。
本发明具体实施例提供了一种基于联合光谱角与组合特征参数的高光谱遥感影像分类方法,该方法包括以下步骤:
S1、从原始高光谱遥感影像中分别获取各地物类型的参考光谱和每个像元的像元光谱,包括:
S11、选取高光谱遥感影像分类参考图;
S12、根据所述分类参考图从所述原始高光谱遥感影像中获取感兴趣区域;
S13、获取所述感兴趣区域的平均光谱作为各地物类型的参考光谱;
S14、从所述原始高光谱遥感影像中获取每个像元的像元光谱。
S2、计算得到所述像元光谱与所述参考光谱之间的光谱角距离;
假设像元光谱曲线为:x=(x1,x2,x3,…,xn),参考光谱曲线为:y=(y1,y2,y3,…yn),一条光谱共n个反射率值,x1、y1为光谱的第一个反射率值,xn、yn为光谱的第n个反射率值,计算公式如下:
式中,xi和yi表示像元光谱和参考光谱的第i个值,cos表示计算所得夹角余弦值,余弦值越接近于1,两条光谱曲线越相似。
S3、计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离,具体包括:
S31、对参考光谱与像元光谱进行均值滤波平滑处理和包络线去除处理;
S32、根据包络线去除后的参考光谱特性,确定光谱吸收谷的个数t,提取每个吸收谷的光谱特征参数,共8t个;
其中,每个所述吸收谷的光谱特征参数包括:
(1)吸收波谷位置P:光谱吸收谷反射率最低处对应的波长;
(2)吸收反射率Ep:吸收波谷位置处的反射率值;
(3)吸收宽度W:吸收谷两侧肩部的波谱带宽,
W=λ2-λ1
式中,λ1和λ2分别为吸收谷左侧和右侧肩部位置对应的波长;
(4)吸收对称度S:过波谷位置垂线的左右两部分的对称程度,等于左右肩部距离谷底的波长宽度与吸收宽度之比;
S=(λ2-P)/W
(5)吸收深度H:吸收反射率Ep与吸收谷两侧肩部对应的较小反射率值Emin的差值;
H=Emin-Ep
(6)吸收面积A:吸收带曲线与两侧肩部连线所围成的面积,
式中,E为吸收谷对应的曲线反射率值;
(7)吸收斜率K:原始光谱曲线中,吸收波谷两肩部连线的斜率,
K=(E2-E1)/(λ2-λ1)
式中,E1和E2分别为吸收谷左侧和右侧肩部位置对应在原始光谱中的反射率值;
(8)光谱吸收指数SAI:非吸收基线和吸收谷底垂线交点的反射率值E′与吸收谷底反射率值Ep的比值。
SAI=E′-Ep
谷v1的光谱特征参数分别为P1、Ep1、W1、S1、H1、A1、K1、SAI1,其它谷同理。
S33、根据排列组合方法从所有光谱特征参数中选择不同的组合类型对影像进行分类,根据总体分类精度选取出精度最高的光谱特征参数组合;
其中排列组合方法具体步骤为:
a)从8t个光谱特征参数选择一个逐一进行光谱匹配,共8t种分类结果,对分类结果进行精度评价,得到最大分类精度的匹配参数f1;
b)选择匹配参数f1与其它8t-1个光谱特征参数中的一个进行组合后,再进行光谱匹配,共8t-1种分类结果,对分类结果进行精度评价,得到最大分类精度的匹配参数组合为[f1,f2];
c)选取上一步得到的匹配参数组合与剩下的光谱特征参数中的一个进行组合后,再进行光谱匹配,获得分类结果,对分类结果进行精度评价,得到最大分类精度的匹配参数组合为[f1,f2,...];
d)重复步骤c),直到最大分类精度不再提高,此时的参数组合即为最优光谱特征参数组合。
S34、将S33得到的最优光谱特征参数组合应用到全影像的分类中,计算参考光谱与像元光谱之间光谱特征参数组合的欧氏距离,计算公式如下:
式中,a和b表示分别表示像元光谱特征参数和参考光谱特征参数,aj表示像元光谱的第j个特征参数,bj表示参考光谱的第j个特征参数,m为参数总个数,Euclidean表示像元光谱特征参数与参考光谱特征参数之间的欧式距离值。
S4、将所述光谱角距离与所述欧式距离相结合,获得所述像元光谱与所述参考光谱之间的最终匹配距离,计算公式如下:
Distance=(1-cos)·Euclideanμ
式中,μ为欧式距离开方系数,通过在0~1之间调节μ的大小,可以不同步地改变像元光谱与不同参考光谱之间的Euclidean值,使距离大的值更大、距离小的值更小,增大光谱之间的差异性。Distance值为联合后的匹配距离,值越小,两条光谱越相似。
S5、根据所述最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图。
S6、对所述分类结果图的进行精度评价,并与MD、SID和SAM分类结果进行比较,评价指标包括:总体分类精度OA、Kappa系数、生产者精度PA和使用者精度UA。
在具体实施例中,实验部分拟用到的高光谱数据分别为:Indian Pines、Cuprite。Indian Pines数据的覆盖区域为美国加利福利亚的一处农业试验区,地物类型以农作物为主,可用分类地物共16种。Cuprite矿区位于美国西南部的内华达州,该地区基岩裸露程度高,矿物类型丰富,实验选取区域中9种典型的矿物类型进行分类。
为了验证基于联合光谱角与组合特征参数的高光谱遥感影像分类方法(SAM-CCP分类法)的优势,将本方法与传统的最小距离分类法MD、光谱信息散度SID和光谱角匹配法SAM应用到Indian Pines数据集与Cuprite数据集上进行对比实验,并分析其结果。
Indian Pines数据集的分类精度定量结果如表1所示。SAM-CCP分类法的总体分类精度最高,为77.66%,分别比MD、SID和SAM提高了7.07%、1.36%和2.65%。其中,改善效果最明显的分别为大豆III,大豆I以及玉米I这三类(表1中标粗显示),其中,本发明方法大豆III的生产者精度和使用者精度比其他方法中精度最高的SID匹配法分别高出22.98%和13.68%,其原因是该区域中的3块大豆III实验田的反射光谱差异性大,仅仅依靠光谱距离对其进行分类精度不高,加入了吸收谷特征后的SAM-CCP匹配法对其具有更好的适用性。大豆I的生产者精度比其他方法中精度最高的SAM高8.02%,使用者精度比其他方法中精度最高的SID高8.98%。玉米I的生产者精度和使用者精度分别较SAM提高了9.24%和10.63%,由于区域中不同地物类型的光谱整体相似度大,仅仅依据光谱角距离,难以得到很高的分类精度。对比SAM分类法,SAM-CCP匹配法增加了光谱局部特征的比较,总体分类精度获得了一定的提高,尤其是对于光谱曲线整体相似性大而局部差异性大的地物类型,其识别精度得到了明显的改善,证明了该方法的优势。
Cuprite矿区数据集的分类精度如表2所示。基于SAM-CCP分类法的分类结果总体分类精度和Kappa系数最高,分别为87.89%和0.7791,其总体分类精度分别比MD、SID、SAM分类结果高9.24%、8.21%和3.59%。其中,白云母因具有独特的光谱特征区别于其他矿物类型,分类精度最高,其生产者精度达85.37%,使用者精度达93.98%,分别高出其他方法最高精度11.19%和4.41%。分类精度提高最为明显的三种类型分别是:高岭石和白云母的混合物,高岭石以及玉髓(表2中标粗显示)。本发明的方法中,高岭石和白云母混合物的生产者精度比精度最高的SAM高出12.54%,使用者精度比精度最高的SID高出10.58%,其原因是加入吸收谷特征的SAM-CCP匹配法,增大了混合矿物与纯净矿物之间的差异性;高岭石的生产者精度比MD高8.85%,使用者精度比SAM高7.08%;玉髓的生产者精度虽然只比其他方法中精度最高的SAM高2.01%,但其使用者精度提高了28.97%。对比SAM匹配法,除了明矾石以外的所有类别,其生产者精度和使用者精度都有所提高,说明该算法对于具有独特而明显的吸收谷特征的矿物类型的区分适用性更好,分类精度的改善更加明显。
表1Indian Pines数据集分类精度
表2Cuprite数据集分类精度
此外,本发明具体实施例还提供了一种基于联合光谱角与组合特征参数的高光谱遥感影像分类设备,所述高光谱遥感影像分类设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高光谱遥感影像分类程序,所述高光谱遥感影像分类程序被所述处理器执行时实现所述的高光谱遥感影像分类方法的步骤。
此外,本发明具体实施例还提供了一种存储介质,所述存储介质上存储有基于联合光谱角与组合特征参数的高光谱遥感影像分类程序,所述高光谱遥感影像分类程序被处理器执行时实现所述的高光谱遥感影像分类方法的步骤。
此外,本发明具体实施例还提供了一种基于联合光谱角与组合特征参数的高光谱遥感影像分类装置。
请参考图2,图2是本发明具体实施例基于联合光谱角与组合特征参数的高光谱遥感影像分类装置结构图。
所述高光谱遥感影像分类装置包括:
光谱获取模块,用于从原始高光谱遥感影像中分别获取各地物类型的参考光谱和像元光谱;
光谱角距离计算模块,用于计算得到所述像元光谱与所述参考光谱之间的光谱角距离;
组合参数欧式距离计算模块,用于计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离;
最终匹配距离获取模块,用于将所述光谱角距离与所述最优光谱特征参数组合的欧式距离相结合,获得所述像元光谱与所述参考光谱之间的最终匹配距离;
分类模块,用于根据所述最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图。
精度评价模块,用于对所述分类结果图进行精度分析评价。
本发明实施后的有益效果:
(1)将联合光谱角和组合特征参数的SAM-CCP匹配法应用于高光谱遥感影像分类实验,并将分类结果与最小距离分类法、光谱信息散度匹配法和光谱角匹配法等传统的分类方法相比较。结果表明,综合考虑了光谱曲线的整体和局部特征的SAM-CCP匹配法,能够改善多数光谱相似地物的识别精度,提高高光谱遥感影像分类的总体精度。
(2)利用排列组合的方法选取最优光谱特征参数组合,并计算其欧式距离应用于SAM-CCP光谱匹配分类模型,该组合对影像中的所有地物类型具有普适性,能够得到最高的总体分类精度。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种高光谱遥感影像分类方法,其特征在于,所述高光谱遥感影像分类方法包括以下步骤:
从原始高光谱遥感影像中分别获取各地物类型的参考光谱和每个像元的像元光谱;
计算得到所述像元光谱与所述参考光谱之间的光谱角距离;
计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离;具体为:
对所述参考光谱和所述像元光谱进行均值滤波平滑处理和包络线去除处理,获得处理后参考光谱和处理后像元光谱;
根据地物光谱曲线的吸收谷特性确定所述处理后参考光谱和所述处理后像元光谱的吸收谷个数,并提取每个所述吸收谷的光谱特征参数;
根据排列组合从预设数量的光谱特征参数中选取多个不同的组合类型对所述原始高光谱遥感影像进行分类,获得多个分类结果,根据所述多个分类结果的分类精度获取最优光谱特征参数组合;
将得到的最优光谱特征参数组合应用到全影像的分类中,计算参考光谱与像元光谱之间光谱特征参数组合的欧氏距离,计算公式如下:
式中,a和b表示分别表示像元光谱特征参数和参考光谱特征参数,aj表示像元光谱的第j个特征参数,bj表示参考光谱的第j个特征参数,m为参数总个数,Euclidean表示像元光谱特征参数与参考光谱特征参数之间的欧式距离值;
将所述光谱角距离与所述欧式距离相结合,获得所述像元光谱与所述参考光谱之间的最终匹配距离;
根据所述最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图。
2.如权利要求1所述的高光谱遥感影像分类方法,其特征在于,所述从原始高光谱遥感影像中分别获取各地物类型的参考光谱和每个像元的像元光谱,包括:
选取高光谱遥感影像的分类参考图;
根据所述分类参考图从所述原始高光谱遥感影像中获取感兴趣区域;
获取所述感兴趣区域的平均光谱作为各地物类型的参考光谱;
从所述原始高光谱遥感影像中获取每个像元的像元光谱。
3.如权利要求1所述的高光谱遥感影像分类方法,其特征在于,所述每个吸收谷的光谱特征参数包括:
吸收波谷位置、吸收反射率、吸收宽度、吸收对称度、吸收深度、吸收面积、吸收斜率和光谱吸收指数中的至少一个。
4.如权利要求1所述的高光谱遥感影像分类方法,其特征在于,所述根据排列组合方法从预设数量的光谱特征参数中选取多个不同的组合类型对所述原始高光谱遥感影像进行分类,获得多个分类结果,根据所述多个分类结果的分类精度获取最优光谱特征参数组合,包括:
a)从预设数量的光谱特征参数中逐一选取一个作为当前光谱特征参数,对所述当前光谱特征参数进行光谱匹配,获得当前分类结果,对所述当前分类结果进行精度评价,得到最大分类精度的匹配参数组合;
b)将所述匹配参数组合与剩余光谱特征参数中的一个进行组合,作为新的当前光谱特征参数,对所述新的当前光谱特征参数进行光谱匹配,获得新的当前分类结果,对所述新的当前分类结果进行精度评价,得到新的最大分类精度的匹配参数组合;
c)重复步骤b),直到最大分类精度不再提高,得到最优光谱特征参数组合。
5.如权利要求1所述的高光谱遥感影像分类方法,其特征在于,在所述根据最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图的步骤之后,还包括:
根据评价指标对所述分类结果图进行精度评价。
6.如权利要求5所述的高光谱遥感影像分类方法,其特征在于,所述评价指标包括:总体分类精度OA、Kappa系数、生产者精度PA和使用者精度UA中的至少一种。
7.一种高光谱遥感影像分类装置,其特征在于,所述高光谱遥感影像分类装置包括:
光谱获取模块,用于从原始高光谱遥感影像中分别获取各地物类型的参考光谱和像元光谱;
光谱角距离计算模块,用于计算得到所述像元光谱与所述参考光谱之间的光谱角距离;
组合参数欧式距离计算模块,用于计算得到所述像元光谱与所述参考光谱之间的最优光谱特征参数组合的欧式距离;具体为:
对所述参考光谱和所述像元光谱进行均值滤波平滑处理和包络线去除处理,获得处理后参考光谱和处理后像元光谱;
根据地物光谱曲线的吸收谷特性确定所述处理后参考光谱和所述处理后像元光谱的吸收谷个数,并提取每个所述吸收谷的光谱特征参数;
根据排列组合从预设数量的光谱特征参数中选取多个不同的组合类型对所述原始高光谱遥感影像进行分类,获得多个分类结果,根据所述多个分类结果的分类精度获取最优光谱特征参数组合;
将得到的最优光谱特征参数组合应用到全影像的分类中,计算参考光谱与像元光谱之间光谱特征参数组合的欧氏距离,计算公式如下:
式中,a和b表示分别表示像元光谱特征参数和参考光谱特征参数,aj表示像元光谱的第j个特征参数,bj表示参考光谱的第j个特征参数,m为参数总个数,Euclidean表示像元光谱特征参数与参考光谱特征参数之间的欧式距离值;
最终匹配距离获取模块,用于将所述光谱角距离与所述最优光谱特征参数组合的欧式距离相结合,获得所述像元光谱与所述参考光谱之间的最终匹配距离;
分类模块,用于根据所述最终匹配距离判断每条所述像元光谱对应的像元所属的地物类型,基于所述像元所属的地物类型输出所述原始高光谱遥感影像的分类结果图。
8.一种高光谱遥感影像分类设备,其特征在于,所述高光谱遥感影像分类设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的高光谱遥感影像分类程序,所述高光谱遥感影像分类程序被所述处理器执行时实现如权利要求1至6中任一项所述的高光谱遥感影像分类方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有高光谱遥感影像分类程序,所述高光谱遥感影像分类程序被处理器执行时实现如权利要求1至6中任一项所述的高光谱遥感影像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154886.5A CN112766227B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱遥感影像分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154886.5A CN112766227B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱遥感影像分类方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766227A CN112766227A (zh) | 2021-05-07 |
CN112766227B true CN112766227B (zh) | 2023-11-03 |
Family
ID=75704937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110154886.5A Active CN112766227B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱遥感影像分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766227B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298137B (zh) * | 2021-05-21 | 2023-02-24 | 青岛星科瑞升信息科技有限公司 | 一种基于局部相似度数据引力的高光谱影像分类方法 |
CN113591775B (zh) * | 2021-08-11 | 2022-08-02 | 武汉工程大学 | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 |
CN114279982B (zh) * | 2021-12-14 | 2023-09-29 | 北斗导航位置服务(北京)有限公司 | 水体污染信息获取方法及装置 |
CN114639012A (zh) * | 2022-02-10 | 2022-06-17 | 成都理工大学 | 一种基于无人机高光谱遥感的草地退化评价方法 |
CN116297497B (zh) * | 2023-05-23 | 2023-08-15 | 武汉大学 | 一种基于高光谱遥感的手机面板质量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729651A (zh) * | 2014-01-17 | 2014-04-16 | 重庆大学 | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 |
CN104751166A (zh) * | 2013-12-30 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 基于光谱角和欧氏距离的遥感影像分类方法 |
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 |
CN111881953A (zh) * | 2020-07-14 | 2020-11-03 | 安徽大学 | 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 |
-
2021
- 2021-02-04 CN CN202110154886.5A patent/CN112766227B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751166A (zh) * | 2013-12-30 | 2015-07-01 | 中国科学院深圳先进技术研究院 | 基于光谱角和欧氏距离的遥感影像分类方法 |
CN103729651A (zh) * | 2014-01-17 | 2014-04-16 | 重庆大学 | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 |
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 |
CN111881953A (zh) * | 2020-07-14 | 2020-11-03 | 安徽大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112766227A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766227B (zh) | 一种高光谱遥感影像分类方法、装置、设备及存储介质 | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
Zhu et al. | Multiple 3-D feature fusion framework for hyperspectral image classification | |
CN108492298B (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN110443293A (zh) | 基于双判别生成对抗网络文本重构的零样本图像分类方法 | |
CN111783884B (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
CN108520281A (zh) | 一种基于全局与局部保持的高光谱图像半监督降维方法 | |
CN113378971B (zh) | 近红外光谱的分类模型训练方法、系统及分类方法、系统 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Cui et al. | A benchmark evaluation of similarity measures for multitemporal SAR image change detection | |
Yang et al. | Two-stage clustering technique based on the neighboring union histogram for hyperspectral remote sensing images | |
Chen et al. | Spectral unmixing using a sparse multiple-endmember spectral mixture model | |
Xu et al. | Generalized morphological component analysis for hyperspectral unmixing | |
Jaiswal et al. | Deep feature extraction for document forgery detection with convolutional autoencoders | |
CN117349743A (zh) | 一种基于多模态数据的超图神经网络的数据分类方法及系统 | |
CN111426657B (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
Kaur et al. | A methodology for the performance analysis of cluster based image segmentation | |
Villmann et al. | Extensions and modifications of the Kohonen-SOM and applications in remote sensing image analysis | |
Ji et al. | An automatic bad band pre-removal method for hyperspectral imagery | |
Yadav et al. | Effectiveness of phase correlation spectral similarity measure in distinguishing target signatures for hyperspectral data analysis | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
McCann et al. | Novel histogram based unsupervised classification technique to determine natural classes from biophysically relevant fit parameters to hyperspectral data | |
Xu et al. | Multi-Scale Convolutional Mask Network for Hyperspectral Unmixing | |
Pan et al. | An efficient algorithm for hyperspectral image clustering |
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 |