CN113537252B - 基于空间谱群协方差特征的高光谱图像识别方法及装置 - Google Patents
基于空间谱群协方差特征的高光谱图像识别方法及装置 Download PDFInfo
- Publication number
- CN113537252B CN113537252B CN202110967115.8A CN202110967115A CN113537252B CN 113537252 B CN113537252 B CN 113537252B CN 202110967115 A CN202110967115 A CN 202110967115A CN 113537252 B CN113537252 B CN 113537252B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- space
- riemann
- neighborhood
- identified
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于空间谱群协方差特征的高光谱图像识别方法、装置及计算机可读存储介质。其中,方法包括获取待识别高光谱图像,将待识别高光谱图像映射至黎曼空间,并计算黎曼空间中各数据点之间的黎曼距离。基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算。根据各数据点自适应邻域信息,将黎曼空间中的数据点投影至黎曼局部切空间中;通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到待识别高光谱图像的低维图像特征,基于低维图像特征识别高光谱图像的地物,有效提高了高光谱图像的地物识别的精准度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种基于空间谱群协方差特征的高光谱图像识别方法、装置及计算机可读存储介质。
背景技术
高光谱图像通常是借助成像光谱仪来采集并获取,高光谱图像包含数十个甚至上百个波段的信息,每一个波段均对应一张二维的响应图像,将各个波段的二维图像顺次堆叠,将呈现三维的立方体结构。高光谱图像中的每一个像素点均对应一条近乎连续的光谱特征曲线,以完整揭示地物的特征。
在从光谱成像仪获取高光谱图像之后,会对其包含的地物特征进行识别,相关技术通常通过近邻方法如k近邻或者ε近邻方法得到各个样本点邻域的信息,然后再利用局部线性嵌入方法(即LLE)对数据进行降维,将降维后的数据直接作为特征空间利用分类器如最近邻分类器(1NN)、支持向量机(SVM)等进行模式分类。
但是,由于该方法对于所有的数据点都采用固定的邻域,无法适应黎曼流形曲率以及数据点分布密集情况的变化。而邻域数目大小的选择将会很大程度上影响最后提取的特征优劣,进而影响对高光谱图像中地物的识别准确度。
鉴于此,如何提高高光谱图像的地物识别精准度,是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种基于空间谱群协方差特征的高光谱图像识别方法、装置及计算机可读存储介质,有效提高了高光谱图像的地物识别的精准度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种基于空间谱群协方差特征的高光谱图像识别方法,包括:
将待识别高光谱图像映射至黎曼空间,并计算所述黎曼空间中各数据点之间的黎曼距离;
基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算;
根据各数据点自适应邻域信息,将所述黎曼空间中的数据点和邻域点投影至黎曼局部切空间中;
通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征,以用于对所述待识别高光谱图像的地物进行识别。
可选的,所述将待识别高光谱图像映射至黎曼空间,并计算所述黎曼空间中各数据点之间的黎曼距离之前,还包括:
将来自各个不同光谱波段的图像像素作为单个随机变量的样本,并计算用于评判两个波段差异的指标参数;
基于各样本的指标参数,利用聚类方法得到满足预设谱差异条件的空间谱群;所述预设谱差异条件为谱间差异值大于第一预设阈值且谱内差异值小于第二预设阈值。
可选的,所述将待识别高光谱图像映射至黎曼空间,包括:
对所述空间谱群的每一个空间谱,计算预设固定范围的区域的向量均值;
通过计算所述区域的各个向量与所述向量均值的差,得到协方差矩阵;
基于所述协方差矩阵,将所述待识别高光谱图像映射至所述黎曼空间中。
可选的,所述通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征之后,还包括:
将各空间谱的低维图像特征进行顺次堆叠,得到所述待识别高光谱图像的地物识别特征。
可选的,所述将来自各个不同光谱波段的图像像素作为单个随机变量的样本,并计算用于评判两个波段差异的指标参数之前,包括:
采用高光谱成像技术获取目标区域的高光谱图像,作为所述待处理高光谱图像;
利用滤波器对所述待处理高光谱图像进行去噪处理。
可选的,所述基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算,包括:
对于所述黎曼空间的每个数据点,基于各数据点之间的黎曼距离、最大邻域数和每个数据点的邻域数目,得到各数据点的邻域集合;
对每个邻域集合,将当前邻域集合中的邻域点和对应数据点映射至对应数据点的切平面中,得到黎曼切空间向量集;
通过计算所述黎曼切空间向量集的前d个特征值之和与所有特征值之和的比值来自适应选择邻域大小。
可选的,所述通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征之后,还包括:
利用十折交叉算法对所述低维图像特征进行处理。
本发明实施例另一方面提供了一种基于空间谱群协方差特征的高光谱图像识别装置,包括:
黎曼映射模块,用于将待识别高光谱图像映射至黎曼空间;
距离计算模块,用于计算所述黎曼空间中各数据点之间的黎曼距离;
邻域计算模块,用于基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算;
局部映射模块,用于根据各数据点自适应邻域信息,将所述黎曼空间中的数据点投影至黎曼局部切空间中;
特征获取模块,用于通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征,以用于对所述待识别高光谱图像的地物进行识别。
本发明实施例还提供了一种基于空间谱群协方差特征的高光谱图像识别装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述基于空间谱群协方差特征的高光谱图像识别方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于空间谱群协方差特征的高光谱图像识别程序,所述基于空间谱群协方差特征的高光谱图像识别程序被处理器执行时实现如前任一项所述基于空间谱群协方差特征的高光谱图像识别方法的步骤。
本申请提供的技术方案的优点在于,将原始高维的高光谱图像数据投影到黎曼空间中,可更好地反映高维数据本身的分布结构,有利于更有效地提取后续地物特征。通过黎曼切空间概念、局部线性度量准则来自适应选择邻域大小,可以更好地重构流形;先将数据点及自适应邻域点映射到黎曼局部切空间中,再进行线性重构,根据重构权重矩阵进行特征值分解得到低维特征,可有效减小局部线性重构的偏差,使得局部结构信息的获取更加准确。从而能够从高维光谱数据中最大限度提取到有用的特征信息,提高不同类别特征的可区分度,降低运算复杂度,提高了系统的泛化能力运算精度,可直接用于工程之中,实用性更强。
此外,本发明实施例还针对基于空间谱群协方差特征的高光谱图像识别方法提供了相应的实现装置及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于空间谱群协方差特征的高光谱图像识别方法的流程示意图;
图2为本发明实施例提供的基于空间谱群协方差特征的高光谱图像识别装置的一种具体实施方式结构图;
图3为本发明实施例提供的基于空间谱群协方差特征的高光谱图像识别装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种基于空间谱群协方差特征的高光谱图像识别方法的流程示意图,本发明实施例可包括以下内容:
S101:将待识别高光谱图像映射至黎曼空间,并计算黎曼空间中各数据点之间的黎曼距离。
在本实施例中,高光谱图像可借助成像光谱仪获得,高光谱图像包含数十个甚至上百个波段的信息。每一个波段均对应一张二维的响应图像,将各个波段的二维图像顺次堆叠,将呈现三维的立方体结构。高光谱图像中的每一个像素点均对应一条近乎连续的光谱特征曲线,以完整揭示地物的特征。对高光谱图像的识别,即是识别高光谱图像中所包含的地物。
可以理解的是,黎曼空间或者称为黎曼流形空间还可称为黎曼流形为一种基于黎曼度量的可微流形空间,流形空间是局部类似于欧几里得空间的拓扑空间,流形上的每一个点都包含邻域信息,并且该邻域存在着一个自同胚,将流形上的邻域点数据映射到另一个维度空间。可微则表示可以定义流形上曲线的导数。对称正定矩阵构成一个矩阵空间,分布在可微分的黎曼流形空间中。而协方差特征通过对称正定矩阵进行描述,故可以通过协方差矩阵将原始数据映射至黎曼空间中。流形上每个点的切空间都存在一个内积,且该内积在点与点之间光滑变化。同时,由于其是一个非欧空间,空间中数据点的分布是非线性的,数据点与数据点间的距离不能通过欧式空间中的直线距离进行衡量,而需要使用黎曼测地曲线距离进行描述,也即为了描述黎曼空间中各数据点之间的距离,需要计算各点之间的黎曼距离。
S102:基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算。
本步骤是通过黎曼切空间理论与局部线性度量准则结合的方式,自适应选择数据点的邻域大小,从而可更好地重构流形。本申请的局部线性度量准则是作为自适应的评价指标的,举例来说,度量局部线性程度的指标采用协方差矩阵前d维特征值之和与全部特征值之和的比值。当然,也可通过其他自适应的评价指标进行自适应领域选择,例如可基于空间曲率或者数据点稀疏程度的指标进行自适应邻域。
S103:根据各数据点自适应邻域信息,将黎曼空间中的数据点和邻域点投影至黎曼局部切空间中。
本申请在将原始数据投射至黎曼空间之后,并在计算得到每个数据点的邻域信息之后,为了减小局部线性重构的偏差,使得局部结构信息的获取更加准确,本步骤还可基于每个数据点的邻域信息,将黎曼空间中的数据点和邻域点投影至黎曼局部切空间。
S104:通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到待识别高光谱图像的低维图像特征,以用于对待识别高光谱图像的地物进行识别。
在本步骤中,根据自适应邻域信息,将黎曼空间中的数据点投影到局部切空间之后,可利用邻域点对中心点进行线性重构,在线性重构过程中,可通过最小化损失函数如得到权重系数W,X为局部切空间向量,ε(W)为损失函数,i为图像像素点的索引值,j为局部切空间向量的邻域切空间向量的索引值。保留权重信息,并基于计算得到的权重系数进行特征值分解,从而得到待识别高光谱图像的低维特征,调整上述非线性降维减小了线性重构的误差。
一般而言高光谱图像中地物的识别分类都会采用较为简单的模式分类算法,例如:光谱夹角制图分类器(SAM),支持向量机(SVM),最近邻分类器(1NN)等。作为一种可选的实施方式,可将本步骤获得的低维特征输入至训练好的最近邻分类器(1NN)对特征进行分类,获得最终的结果。基于所得到的低维特征进行识别,从而可有效解决针对高光谱图像数据维数高,冗余度高,容易出现Hughes现象导致分类精度不高的问题。所谓Hughes现象指的是随着样本数据维度的增加,分类器的性能将逐步上升,但是到达某个点后,其性能将逐渐下降的现象。
在本发明实施例提供的技术方案中,将原始高维的高光谱图像数据投影到黎曼空间中,可更好地反映高维数据本身的分布结构,有利于更有效地提取后续地物特征。通过黎曼切空间概念、局部线性度量准则来自适应选择邻域大小,可以更好地重构流形;先将数据点及自适应邻域点映射到黎曼局部切空间中,再进行线性重构,根据重构权重矩阵进行特征值分解得到低维特征,可有效减小局部线性重构的偏差,使得局部结构信息的获取更加准确。从而能够从高维光谱数据中最大限度提取到有用的特征信息,提高不同类别特征的可区分度,降低运算复杂度,提高了系统的泛化能力运算精度,可直接用于工程之中,实用性更强。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1只是一种示意方式,并不代表只能是这样的执行顺序。
为了进一步提高特征提取准确度,在进行特征提取之前,还可进行特征区分度的处理,也即在S101之前,还可包括:
获取待识别高光谱图像,将来自各个不同光谱波段的图像像素作为单个随机变量的样本,并计算用于评判两个波段差异的指标参数;基于各样本的指标参数,利用聚类方法得到满足预设谱差异条件的空间谱群;预设谱差异条件为谱间差异值大于第一预设阈值且谱内差异值小于第二预设阈值。第一预设阈值和第二预设阈值可根据实际用于场景灵活选择,这均不影响本申请的实现。
其中,用于评判两个波段差异的指标参数例如可为但并不限于边际密度和联合密度,例如可通过来计算用于评判两个波段差异的指标参数,其中,DI(X,Y)为不相交信息(Disjoint Information),pXY(x,y)为随机变量X和Y的联合密度,pX(x)为随机变量X的边际密度,pY(y)为随机变量Y的边际密度,X为某一波段的图像像素数据,Y为另一波段的图像像素数据,x为X数据标准化并量化后的索引值,y为Y数据标准化并量化后的索引值。
为了进一步提高特征区分度,在进行上述波段聚类操作之前,还可先采用高光谱成像技术获取目标区域的高光谱图像,作为待处理高光谱图像;然后再利用滤波器对待处理高光谱图像进行去噪处理,剔除某些噪声比较大波段的图像信息,增强波段数据的有效性。解决异常信息影响分类性能的问题,进一步提高信息的可用程度,又不至于信息过于冗余。
对于预处理后的高光谱图像数据,将各波段图像数据看作单个随机变量的数据样本,并对这些样本进行归一化,然后进行量化,再计算边际密度和联合密度,得到判断两个波段差异的评价指标。在该评价指标的基础上,可利用K-Means进行无监督聚类,得到谱间差异大、谱内差异小的空间谱群,从而提高特征的区分度。
作为本实施例的一种可选的实施方式,对于进行光谱聚类操作之后,对于S104的低维特征的获取操作为:获取每个空间谱的低维图像特征之后,可将各空间谱的低维图像特征进行顺次堆叠,得到待识别高光谱图像的地物识别特征,形成最终的分类识别特征。
作为本实施例的一种可选的实施方式,将待识别高光谱图像映射至黎曼空间的一种可选的实施方式为:
对空间谱群的每一个空间谱,计算预设固定范围的区域的向量均值;通过计算区域的各个向量与向量均值的差,得到协方差矩阵;基于协方差矩阵,将待识别高光谱图像映射至黎曼空间中。
在本实施例中,对谱群中的每一个空间谱,指定一个固定大小的区域,计算该区域向量的均值,可实现对噪声的滤波处理。计算区域中各个向量与该均值的差,并基于关系式通过求平均得到协方差矩阵,将每个空间谱数据映射到黎曼空间中。式中,Pi j表示第j个谱群第i个像素对应的协方差矩阵,Nr表示协方差区域的大小,表示第j个谱群第i个像素点协方差区域中的第m个向量,表示协方差区域中向量的平均值,T表示矩阵的转置操作,i表示图像像素点的索引值,j表示空间谱群的索引值,m表示像素点协方差区域中向量的索引值。
在上述实施例中,对于如何执行步骤S102并不做限定,本实施例中给出邻域自适应计算的一种实施方式,也即基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算可包括如下步骤:
对于黎曼空间的每个数据点,基于各数据点之间的黎曼距离、最大邻域数和每个数据点的邻域数目,得到各数据点的邻域集合;
对每个邻域集合,将当前邻域集合中的邻域点和对应数据点映射至对应数据点的切平面中,得到黎曼切空间向量集;
通过计算黎曼切空间向量集的前d个特征值之和与所有特征值之和的比值来自适应选择邻域大小。
在本实施例中,假设P1和P2是黎曼空间中的数据点,计算P1 -1P2的n个特征值,求取特征值对数平方和的平方根,得到P1和P2的黎曼距离。依次类推,求得黎曼流形中点与点的测地距离也即黎曼距离。黎曼距离可基于关系式计算得到。式中,δR(P1,P2)表示P1和P2的黎曼测地距离,P1表示黎曼流形上的协方差矩阵,P2表示黎曼流形上的另一个协方差矩阵,βi表示P1 -1P2的第i个特征值,i表示P1 -1P2特征值的索引值,n表示P1 -1P2特征值的总数。
假设黎曼流形空间数据集合为{P1,P2,P3...PN},其中N为待识别高光谱图像所有数据点总和,最大邻域数为KNeighborMax,数据本征维数为d,数据点邻域数目集合为{k1,k2,ki,...kN},kN为数据点PN的邻域数目,ki为数据点Pi的邻域数目,并将集合中的元素值都设置为1。对于点Pi,根据黎曼距离,将k'i个邻域添加到数据点Pi的邻域集合Ni中,得到k'i为ki与KNeighborMax之间的任意一个数值,根据黎曼切空间的定义将Ni集合中的邻域点及Pi映射到的Pi切平面中,得到切空间向量的集合其中切空间向量维数为D,P表示Pi邻域内的数据点,Γ(n)表示切空间向量所构成的集合,si表示Pi的局部切空间向量,i表示图像像素点的索引值,n表示协方差矩阵的维数。令矩阵对该矩阵进行中心化处理,得到并计算的特征值λ1,λ2,λ3...λD,其中λ1≥λ2≥λ3≥...≥λD。以作为评判局部线性结构的指标,η表示衡量局部线性程度的容忍阈值,d表示数据低维嵌入的维数,D表示切空间向量的维数,对空间数据点采取自适应扩张策略,最后将得到自适应的邻域大小。
本实施例通过自适应邻域选择,可提高高光谱图像中地物分类的准确性,便于工程实践应用。
为了进一步缓解Hughes现象,基于上述实施例,在S104即对线性重构过程中所得的重构权重矩阵进行特征值分解,得到待识别高光谱图像的低维图像特征之后,还可包括:
利用十折交叉算法对低维图像特征进行处理。
在获取到降维数据的基础上,采用10折交叉验证获得更加低维的表示,不仅可降低运算的时间复杂度,还可应对Hughes现象,有利于提高地物识别精准度。
最后,为了验证本申请所提供的技术方案的有效性,本申请分别将本申请技术方案和调研过程中与本申请技术方案最为接近的两个相关技术进行比对,来说明本申请可有效提高地物识别准确度,可包括下述内容:
第一种相关技术在通过光谱成像仪获取高光谱图像数据后,进行去噪、波段剔除等数据预处理手段后,先通过k近邻或者ε近邻方法得到各个样本点邻域的信息,然后再利用局部线性嵌入方法(LLE)对数据进行降维,将降维后的数据直接作为特征空间利用最近邻分类器(1NN)、支持向量机(SVM)等进行模式分类。第二种相关技术通过光谱成像仪获取高光谱图像数据后,进行去噪、波段剔除等数据预处理手段后,通过邻域点到切平面坐标映射函数的一阶泰勒逼近确定局部邻域值,再利用高低维分布差异函数进行邻域值调整,实现自适应地选择邻域大小,采用局部线性嵌入方法(LLE)对数据进行降维,形成特征空间。最后利用最近邻分类器(1NN)、支持向量机(SVM)等进行模式分类。
对于第一种相关技术,该方案直接在高维向量空间中操作,忽略了高维数据本身非线性的结构。同时,该方案对于所有的数据点都采用固定的邻域,无法适应黎曼流形曲率以及数据点分布密集情况的变化。邻域数目大小的选择将会很大程度上影响最后提取的特征优劣。此外,该方案直接拿高维数据进行线性重构,并根据重构信息进行降维,没有考虑到空间数据分布的非线性,导致线性重构的偏差较大,提取到的特征区分度不高,影响后续的图像识别效果。而对于第二种相关技术,该方案的自适应建立在高维数据分布在向量空间的基础之上,没有考虑到空间数据本征的拓扑结构,同样也会影响后续的图像识别效果。
鉴于上述现有技术弊端,本申请先对预处理后的数据先是进行了波段聚类,对每一个波段数据分别进行降维再进行堆叠,相比于直接对原始数据进行降维,能得到更加具有区分度的特征。同时,将原始高维数据投影到黎曼空间中,更能反映高维数据本身的分布结构。而在邻域选择方面,根据局部的线性结构信息进行自适应选择,能更好地重构流形。具体的,先将原始数据的高维向量投影到矩阵空间,然后基于黎曼切空间理论再映射到向量空间,最后根据向量空间数据进行自适应邻域的计算,相比上述现有技术直接对原始数据的高维向量进行运算,所得到的邻域没有考虑到空间数据的分布特征来说,能有效提升图像识别效果。在非线性降维方面,将黎曼流形数据投影到局部切空间再进行线性重构,减小了线性重构的偏差,进而有效提高高光谱图像的地物识别准确度。
本发明实施例还针对基于空间谱群协方差特征的高光谱图像识别方法提供了相应的装置,进一步使得方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的基于空间谱群协方差特征的高光谱图像识别装置进行介绍,下文描述的基于空间谱群协方差特征的高光谱图像识别装置与上文描述的基于空间谱群协方差特征的高光谱图像识别方法可相互对应参照。
基于功能模块的角度,参见图2,图2为本发明实施例提供的基于空间谱群协方差特征的高光谱图像识别装置在一种具体实施方式下的结构图,该装置可包括:
黎曼映射模块201,用于将待识别高光谱图像映射至黎曼空间。
距离计算模块202,用于计算黎曼空间中各数据点之间的黎曼距离。
邻域计算模块203,用于基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算。
局部映射模块204,用于根据各数据点自适应邻域信息,将黎曼空间中的数据点投影至黎曼局部切空间中。
特征获取模块205,用于通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到待识别高光谱图像的低维图像特征,以用于对待识别高光谱图像的地物进行识别。
可选的,在本实施例的一些实施方式中,上述装置例如还可以包括波段聚类模块,用于将来自各个不同光谱波段的图像像素作为单个随机变量的样本,并计算用于评判两个波段差异的指标参数;基于各样本的指标参数,利用聚类方法得到满足预设谱差异条件的空间谱群;预设谱差异条件为谱间差异值大于第一预设阈值且谱内差异值小于第二预设阈值。
作为本实施例的一种可选的实施方式,上述黎曼映射模块201可进一步用于:对空间谱群的每一个空间谱,计算预设固定范围的区域的向量均值;通过计算区域的各个向量与向量均值的差,得到协方差矩阵;基于协方差矩阵,将待识别高光谱图像映射至黎曼空间中。
作为本实施例的另一种可选的实施方式,上述装置例如还可包括特征获取模块,用于将各空间谱的低维图像特征进行顺次堆叠,得到待识别高光谱图像的地物识别特征。
作为本实施例的其他可选的实施方式,上述装置例如还可包括过滤模块,用于采用高光谱成像技术获取目标区域的高光谱图像,作为待处理高光谱图像;利用滤波器对待处理高光谱图像进行去噪处理。
可选的,在本实施例的另一些实施方式中,上述邻域计算模块203可进一步用于:对于黎曼空间的每个数据点,基于各数据点之间的黎曼距离、最大邻域数和每个数据点的邻域数目,得到各数据点的邻域集合;对每个邻域集合,将当前邻域集合中的邻域点和对应数据点映射至对应数据点的切平面中,得到黎曼切空间向量集;通过计算黎曼切空间向量集的前d个特征值之和与所有特征值之和的比值来自适应选择邻域大小。
可选的,在本实施例的其他一些实施方式中,上述装置例如还可包括低维处理模块,用于在得到待识别高光谱图像的低维图像特征之后,利用十折交叉算法对低维图像特征进行处理。
本发明实施例基于空间谱群协方差特征的高光谱图像识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效提高高光谱图像的地物识别的精准度。
上文中提到的基于空间谱群协方差特征的高光谱图像识别装置是从功能模块的角度描述,进一步的,本申请还提供一种基于空间谱群协方差特征的高光谱图像识别装置,是从硬件角度描述。图3为本申请实施例提供的另一种基于空间谱群协方差特征的高光谱图像识别装置的结构图。如图3所示,该装置包括存储器30,用于存储计算机程序;处理器31,用于执行计算机程序时实现如上述任一实施例提到的基于空间谱群协方差特征的高光谱图像识别方法的步骤。
其中,处理器31可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器31可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器31可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器31还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器30可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器30至少用于存储以下计算机程序301,其中,该计算机程序被处理器31加载并执行之后,能够实现前述任一实施例公开的基于空间谱群协方差特征的高光谱图像识别方法的相关步骤。另外,存储器30所存储的资源还可以包括操作系统302和数据303等,存储方式可以是短暂存储或者永久存储。其中,操作系统302可以包括Windows、Unix、Linux等。数据303可以包括但不限于基于空间谱群协方差特征的高光谱图像识别结果对应的数据等。
在一些实施例中,基于空间谱群协方差特征的高光谱图像识别装置还可包括有显示屏32、输入输出接口33、通信接口34或者称为网络接口、电源35以及通信总线36。其中,显示屏32、输入输出接口33比如键盘(Keyboard)属于用户接口,可选的用户接口还可以包括标准的有线接口、无线接口等。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元,用于显示在基于空间谱群协方差特征的高光谱图像识别装置中处理的信息以及用于显示可视化的用户界面。通信接口34可选的可以包括有线接口和/或无线接口,如WI-FI接口、蓝牙接口等,通常用于在该基于空间谱群协方差特征的高光谱图像识别装置与其他电子设备之间建立通信连接。通信总线36可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解,图3中示出的结构并不构成对基于空间谱群协方差特征的高光谱图像识别装置的限定,可以包括比图示更多或更少的组件,例如还可包括实现各类功能的传感器37。
本发明实施例所述基于空间谱群协方差特征的高光谱图像识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效提高高光谱图像的地物识别的精准度。
可以理解的是,如果上述实施例中的基于空间谱群协方差特征的高光谱图像识别方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种计算机可读存储介质,存储有基于空间谱群协方差特征的高光谱图像识别程序,所述基于空间谱群协方差特征的高光谱图像识别程序被处理器执行时如上任意一实施例所述基于空间谱群协方差特征的高光谱图像识别方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种基于空间谱群协方差特征的高光谱图像识别方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (8)
1.一种基于空间谱群协方差特征的高光谱图像识别方法,其特征在于,包括:
将待识别高光谱图像映射至黎曼空间,并计算所述黎曼空间中各数据点之间的黎曼距离;
基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算;
根据各数据点自适应邻域信息,将所述黎曼空间中的数据点和邻域点投影至黎曼局部切空间中;
通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征,以用于对所述待识别高光谱图像的地物进行识别;
其中,所述将待识别高光谱图像映射至黎曼空间,包括:
对空间谱群的每一个空间谱,计算预设固定范围的区域的向量均值;通过计算所述区域的各个向量与所述向量均值的差,得到协方差矩阵;基于所述协方差矩阵,将所述待识别高光谱图像映射至所述黎曼空间中;
所述基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算,包括:
对于所述黎曼空间的每个数据点,基于各数据点之间的黎曼距离、最大邻域数和每个数据点的邻域数目,得到各数据点的邻域集合;对每个邻域集合,将当前邻域集合中的邻域点和对应数据点映射至对应数据点的切平面中,得到黎曼切空间向量集;通过计算所述黎曼切空间向量集的前d个特征值之和与所有特征值之和的比值来自适应选择邻域大小;d为数据本征维数。
2.根据权利要求1所述的基于空间谱群协方差特征的高光谱图像识别方法,其特征在于,所述将待识别高光谱图像映射至黎曼空间,并计算所述黎曼空间中各数据点之间的黎曼距离之前,还包括:
将来自各个不同光谱波段的图像像素作为单个随机变量的样本,并计算用于评判两个波段差异的指标参数;
基于各样本的指标参数,利用聚类方法得到满足预设谱差异条件的空间谱群;所述预设谱差异条件为谱间差异值大于第一预设阈值且谱内差异值小于第二预设阈值。
3.根据权利要求1所述的基于空间谱群协方差特征的高光谱图像识别方法,其特征在于,所述通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征之后,还包括:
将各空间谱的低维图像特征进行顺次堆叠,得到所述待识别高光谱图像的地物识别特征。
4.根据权利要求2所述的基于空间谱群协方差特征的高光谱图像识别方法,其特征在于,所述将来自各个不同光谱波段的图像像素作为单个随机变量的样本,并计算用于评判两个波段差异的指标参数之前,包括:
采用高光谱成像技术获取目标区域的高光谱图像,作为所述待识别高光谱图像;
利用滤波器对所述待识别高光谱图像进行去噪处理。
5.根据权利要求1所述的基于空间谱群协方差特征的高光谱图像识别方法,其特征在于, 所述通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征之后,还包括:
利用十折交叉算法对所述低维图像特征进行处理。
6.一种基于空间谱群协方差特征的高光谱图像识别装置,其特征在于,包括:
黎曼映射模块,用于将待识别高光谱图像映射至黎曼空间;
距离计算模块,用于计算所述黎曼空间中各数据点之间的黎曼距离;
邻域计算模块,用于基于黎曼切空间和局部线性度量准则,为各数据点进行自适应邻域的计算;
局部映射模块,用于根据各数据点自适应邻域信息,将所述黎曼空间中的数据点投影至黎曼局部切空间中;
特征获取模块,用于通过对线性重构过程中所得的重构权重矩阵进行特征值分解,得到所述待识别高光谱图像的低维图像特征,以用于对所述待识别高光谱图像的地物进行识别;
其中,所述黎曼映射模块进一步用于:对空间谱群的每一个空间谱,计算预设固定范围的区域的向量均值;通过计算所述区域的各个向量与所述向量均值的差,得到协方差矩阵;基于所述协方差矩阵,将所述待识别高光谱图像映射至所述黎曼空间中;
所述邻域计算模块进一步用于:对于所述黎曼空间的每个数据点,基于各数据点之间的黎曼距离、最大邻域数和每个数据点的邻域数目,得到各数据点的邻域集合;对每个邻域集合,将当前邻域集合中的邻域点和对应数据点映射至对应数据点的切平面中,得到黎曼切空间向量集;通过计算所述黎曼切空间向量集的前d个特征值之和与所有特征值之和的比值来自适应选择邻域大小;d为数据本征维数。
7.一种基于空间谱群协方差特征的高光谱图像识别装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述基于空间谱群协方差特征的高光谱图像识别方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于空间谱群协方差特征的高光谱图像识别程序,所述基于空间谱群协方差特征的高光谱图像识别程序被处理器执行时实现如权利要求1至5任一项所述基于空间谱群协方差特征的高光谱图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967115.8A CN113537252B (zh) | 2021-08-23 | 2021-08-23 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967115.8A CN113537252B (zh) | 2021-08-23 | 2021-08-23 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537252A CN113537252A (zh) | 2021-10-22 |
CN113537252B true CN113537252B (zh) | 2022-05-10 |
Family
ID=78122762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967115.8A Active CN113537252B (zh) | 2021-08-23 | 2021-08-23 | 基于空间谱群协方差特征的高光谱图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537252B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887509B (zh) * | 2021-10-25 | 2022-06-03 | 济南大学 | 一种基于图像集合的快速多模态视频人脸识别方法 |
CN115330825B (zh) * | 2022-08-09 | 2023-08-11 | 苏州大学 | 一种折反射图像边缘检测方法、装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136736A (zh) * | 2013-03-19 | 2013-06-05 | 哈尔滨工业大学 | 一种高光谱遥感数据非线性降维方法 |
CN103679192A (zh) * | 2013-09-30 | 2014-03-26 | 中国人民解放军理工大学 | 基于协方差特征的图像场景类型判别方法 |
CN110619370A (zh) * | 2019-09-23 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种高光谱图像超像素局部线性嵌入降维方法 |
CN110852322A (zh) * | 2019-11-12 | 2020-02-28 | 海南大学 | 感兴趣区域的确定方法及装置 |
CN111310598A (zh) * | 2020-01-20 | 2020-06-19 | 浙江工业大学 | 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070280507A1 (en) * | 2006-06-01 | 2007-12-06 | Beddhu Murali | Apparatus and Upwind Methods for Optical Flow Velocity Estimation |
-
2021
- 2021-08-23 CN CN202110967115.8A patent/CN113537252B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136736A (zh) * | 2013-03-19 | 2013-06-05 | 哈尔滨工业大学 | 一种高光谱遥感数据非线性降维方法 |
CN103679192A (zh) * | 2013-09-30 | 2014-03-26 | 中国人民解放军理工大学 | 基于协方差特征的图像场景类型判别方法 |
CN110619370A (zh) * | 2019-09-23 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种高光谱图像超像素局部线性嵌入降维方法 |
CN110852322A (zh) * | 2019-11-12 | 2020-02-28 | 海南大学 | 感兴趣区域的确定方法及装置 |
CN111310598A (zh) * | 2020-01-20 | 2020-06-19 | 浙江工业大学 | 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 |
Non-Patent Citations (5)
Title |
---|
《Fractional order modeling and recognition of nitrogen content level of rubber tree foliage》;Wenfeng Hu等;《Journal of Near Infrared Spectroscopy》;20201031;全文 * |
《Fractional-Order Integration Based Fusion Model for Piecewise Gamma Correction Along With Textural Improvement for Satellite Images》;Himanshu Singh等;《IEEE Access》;20190326;第7卷;第37192-37210页 * |
《基于PCA-Kmeans聚类法的橡胶树叶片氮含量的近红外高光谱诊断模型研究》;钟穗希等;《海南大学学报(自然科学版)》;20200930;第38卷(第3期);第260-269页 * |
《基于空-谱协方差特征的高光谱图像流形降维方法》;陈显军;《中国优秀硕士学位论文全文数据库(电子期刊)》;20200131;工程科技Ⅱ辑C028-192 * |
《面向脑机接口个体差异的滤波器组设计方法及其模型研究》;李子波等;《海南大学学报(自然科学版)》;20210630;第39卷(第2期);第177-184页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537252A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717354B (zh) | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
Lin et al. | Eigen-feature analysis of weighted covariance matrices for LiDAR point cloud classification | |
Charles et al. | Learning sparse codes for hyperspectral imagery | |
Mack et al. | High-precision 3D detection and reconstruction of grapes from laser range data for efficient phenotyping based on supervised learning | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
Gómez-Chova et al. | Semisupervised image classification with Laplacian support vector machines | |
CN113537252B (zh) | 基于空间谱群协方差特征的高光谱图像识别方法及装置 | |
US8675974B2 (en) | Image processing apparatus and image processing method | |
WO2019102005A1 (en) | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering | |
WO2020062360A1 (zh) | 一种图像融合分类的方法及装置 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN112288723A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
AU2019223959B2 (en) | Three-dimensional cell and tissue image analysis for cellular and sub-cellular morphological modeling and classification | |
CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN112990314A (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
CN112131969A (zh) | 基于全卷积神经网络的遥感图像变化检测方法 | |
CN107944474B (zh) | 基于局部自适应字典的多尺度协作表达高光谱分类方法 | |
Agus et al. | Shape analysis of 3D nanoscale reconstructions of brain cell nuclear envelopes by implicit and explicit parametric representations | |
CN113762151A (zh) | 一种故障数据处理方法、系统及故障预测方法 | |
CN109461176A (zh) | 高光谱图像的光谱配准方法 | |
Fursov et al. | Thematic classification with support subspaces in hyperspectral images | |
KR101821770B1 (ko) | 특징 추출을 위한 기법들 |
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 |