CN115170956A - 基于多尺度熵率超像素的后验概率高光谱图像分类方法 - Google Patents

基于多尺度熵率超像素的后验概率高光谱图像分类方法 Download PDF

Info

Publication number
CN115170956A
CN115170956A CN202210751710.2A CN202210751710A CN115170956A CN 115170956 A CN115170956 A CN 115170956A CN 202210751710 A CN202210751710 A CN 202210751710A CN 115170956 A CN115170956 A CN 115170956A
Authority
CN
China
Prior art keywords
image
superpixel
hyperspectral
classification
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.)
Pending
Application number
CN202210751710.2A
Other languages
English (en)
Inventor
孙希延
李雷
纪元法
付文涛
白杨
严素清
梁维彬
贾茜子
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202210751710.2A priority Critical patent/CN115170956A/zh
Publication of CN115170956A publication Critical patent/CN115170956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及高光谱遥感图像处理技术领域，具体涉及基于多尺度熵率超像素的后验概率高光谱图像分类方法，包括对高光谱图像数据进行预处理，得到处理图像，对高光谱图像进行初始分类，得到多个初始分类标签光谱信息，对预处理图像进行主成分分析，得到前三个主要成分，对三个主要成分进行图像处理，得到不同尺度下的超像素图像，对超像素图像进行融合处理，得到降维的高光谱图像，对多个初始分类标签和降维的高光图像进行域变换插值卷积滤波处理，得到重排列分类标签，对高光谱图像进行分类，再进行超像素分割操作、特征提取和修正，得到最后的分类标签，从而改善现有的光谱图像分类技术提取空间信息不足以及忽视超像素边缘信息的问题。

Description

基于多尺度熵率超像素的后验概率高光谱图像分类方法
技术领域
本发明涉及高光谱遥感图像处理技术领域，尤其涉及基于多尺度熵率超像素的后验概率高光谱图像分类方法。
背景技术
随着遥感技术的不断发展，高光谱传感技术作为目标光谱获取及目标空间成像的有机集成，描述了地表空间特性和地物信息的光谱特性，其成像的高分辨率特性和多维度成像的特征使高光谱图像(HSI)可以以图像形式表述目标，还可以借助精细电磁波谱进行光谱探测，为地面物体的自动化识别和精细分类提供了技术支持。
但是，在高光谱图像应用广泛的同时，针对它的处理工作还面临着巨大的挑战，尤其是遥感的部分成像特性仍旧使得该类数据存在特异性缺陷，使在其特征提取和分类技术研究中有以下难点：1连续的光谱波段成像在提升谱间分辨率的同时，也使数据量增大，造成信息的冗余，增加了数据处理的难度，2数据的高维度使得针对小样本数据分类时效果不佳，传统的机器学习方法(支持向量机、随机森林、K最邻近)只利用光谱信息直接分类，无法满足精细化分类的技术要求，就目前来说，针对高光谱图像分类处理技术的研究仍有待进一步改进。
最初的针对高光谱图像分类的方法多数只利用了单一的光谱信息或者空间信息，例如像素级分类器-支持向量机(SVM)，直接对高光谱图像进行处理时效果仅能够达到80％-86％的精度，而且分类结果伴随着大量的噪声和错分、误分等情况，不能够达到令人满意的效果，对高光谱数据进行形态学运算的扩展多属性形态学剖面(EMAPs),提取了HSI在不同属性下的空间信息，与仅考虑光谱信息或者空间信息的分类办法相比，二者结合起来能够取得更好的分类结果。
多数文献和研究结果表明，基于超像素分割的方法在图像空间信息提取工作上效果较好，超像素分割算法基于相邻像素具有相似结构的假设，能够根据图像的相似纹理、颜色、亮度等信息的相似度将图像划分为一个个单独的同质区域，根据图像像素之间的相似特征将像素分组，把整个图像精细划分为多个彼此不重叠的同质子区域，在同一超像素的结构体内，物体的结构属性具有很高的相似性，能够降低对周围像素判断的误差，基于超像素的方法较好地利用了相邻像素之间的结构空间信息，提供了更强和更易识别的特征，分类精度更高，但是，基于超像素的方法也存在一定的不足，因为每一个超像素里面的空间信息是用像素的均值来表示的，这样的超像素之内的空间信息可以得到统一地表示，但是会丢失超像素边缘的信息，且在单一分割尺度下，无法充分提取图像的空间信息，从而降低了分类的精确度。
发明内容
本发明的目的在于提供一种基于多尺度熵率超像素的后验概率高光谱图像分类方法，旨在改善现有的光谱图像分类技术忽视超像素边缘信息的问题。
为实现上述目的，本发明提供了基于多尺度熵率超像素的后验概率高光谱图像分类方法，包括以下步骤：
对高光谱图像数据进预处理，得到处理图像；
对所述高光谱图像进行初始分类，得到包含光谱信息的初始分类标签；
对所述预处理图像进行主成分分析，得到前三个主要成分；
对所述前三个主要成分进行图像处理，得到不同尺度下的超像素图像；
对所述超像素图像进行融合处理，得到降维的高光谱图像；
对所述多个初始分类标签和所述降维的高光图像进行域变换插值卷积滤波处理，得到重排列分类标签。
其中，所述对所述高光谱图像进行初始分类，得到包含光谱信息的多个初始分类标签光谱信息的具体方式为：
对所述高光谱图进行训练集和测试集的划分，得到划分数据；
通过支持向量机对所述划分数据进行分类，得到多个初始分类标签。
其中，所述对所述前三个主要成分进行图像处理，得到超像素图像的具体方式为：
所述对前三个主要成分进行图像处理，得到不同尺度下的超像素图像的具体方式为：
为所述三个主成分图像分别设置不同的超像素数目，得到设置数据；
基于所述设置数据进行熵率超像素分割，得到不同尺度下的超像素图像。
其中，所述对超像素图像进行融合处理，得到降维高光谱图像的具体方式为：
对所述超像素分割图像进行决策融合，得到空间信息；
基于所述空间信息进行主成分分析，形成降维高光谱图像。
其中，对所述多个初始分类标签和所述降维高光图像进行域变换插值卷积滤波处理，得到重排列分类标签的具体方式为：
对所述多个初始分类标签作为纠正目标，将所述降维高光谱图像作为引导图像，进行域变换插值卷积滤波，得到重排列分类标签。
其中，在步骤对所述多个初始分类标签和所述降维高光图像进行处理，得到重排列分类标签之后，所述方法还包括：
采用平均精度、总体精度和Kappa系数进行对所述重排列分类标签进行精度评价，得到评价结果。
本发明的基于多尺度熵率超像素的后验概率高光谱图像分类方法，对所述高光谱图像数据进预处理，得到预处理图像，对所述高光谱图像进行初始分类，得到多个初始分类标签，对所述预处理图像进行主成分分析，得到前三个主要成分，对所述前三个主要成分进行图像处理，得到超像素图像，对所述超像素图像进行主成分分析处理，得到降维高光谱图像，首先通过多分类支持向量机对所述高光谱图像进行初始概率分类，再对图像所述前三个主成分进行不同尺度的超像素分割操作，并进行融合得到最后的降维图像，将降维图像和初始概率分布图输入域变换插值卷积滤波器进行滤波进行初始概率的修正，获得修正后的最终分类标签，将提出的方法和传统的RBF-SVM方法，superBF方法，RF方法在IndianPines数据集上分别进行实验，本方法与传统的其他方法相比，总体精度提高了2.46％，Kappa系数提高了2.59％，说明此方法在实际测试中能够取得较好的效果，较其他方法具有明显优势，从而解决现有的光谱图像分类技术会忽视超像素边缘信息的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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是本发明提供的基于多尺度熵率超像素的后验概率高光谱图像分类方法的流程图。
图2是分类框架示意图。
图3是原始图像经过主成分分析获取的第一主成分图像。
图4是实验图像的真实地物分类图。
图5是超像素分割图。
图6是超像素多尺度分割示意图。
图7滤波前对比图。
图8未采用超像素分割效果图。
图9是采用超像素分割效果图。
图10是每一类实验精度的对比。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图10本发明提供基于多尺度熵率超像素的后验概率高光谱图像分类方法，包括一下步骤：
S1对高光谱图像数据进预处理，得到处理图像；
具体的，选定一副高光谱图像
Figure BDA0003718569990000041
和以及其附带的对应地物真实图Groundtruth
Figure BDA0003718569990000042
如图2所示对所述高光谱图像数据进行归一化预处理，得到所述预处理图像，M和N为图像的行和列，L表示图像光谱维度的波段数目。
在数据集内，xi,j为任意一点，xmax，xmin分别为最大值和最小值，对数据集内的xi,j归一化方法如下：
Figure BDA0003718569990000043
S2对所述高光谱图像进行初始分类，得到包含光谱信息的多个初始分类标签SVMmap。；
S21对所述高光谱图进行训练集和测试集的划分，得到划分数据；
具体的，对高光谱图像进行测试集与训练集划分，从每类地物中，获取一定相同比例的测试样本，可选比例有1％，3％，5％，10％，30％。其中数目含量较少的样本，取其总数目的一半，得到划分数据。
S22通过支持向量机对所述划分数据进行分类，得到多个初始分类标签。
具体的，通过多分类支持向量机对高光谱图像进行初始概率分类，得到多个初始分类标签SVMmap。
S3对所述预处理图像进行主成分分析，得到前三个主要成分
Figure BDA0003718569990000051
具体的，对归一化后的所述高光谱图像进行主成分分析，获取贡献率最大的三个互不相关的三个主成分。
S4对所述前三个主要成分进行图像处理，得到不同尺度下的超像素图像；
S41为所述前三个主成分图像分别设置不同的超像素数目，得到设置数据；
具体的，对所述三个主成分，为
Figure BDA0003718569990000052
并设置超像素数目，可选值有S＝[50,100,150,200,250,300]，分别对Y1进行熵率超像素分割(ERS)，得到
Y＝[Y1,Y2,Y3,...,YS]
S42基于所述设置数据进行熵率超像素分割，得到不同尺度下的超像素图像。
具体的，图6所示，我们得到S个图像，每一个图像中包含不同的超像素，并构建了相似结构的同质区域
Figure BDA0003718569990000053
S5对所述超像素图像进行融合处理，得到降维的高光谱图像；
S51对所述超像素分割图像进行决策融合，得到空间信息；
具体的，对得到的多尺度超像素分割图像进行决策融合，得到图像的空间信息。
S52基于所述空间信息进行主成分分析，形成降维高光谱图像。
具体的，对其进行主成分分析，用平均融合的方法融合策略为：
Figure BDA0003718569990000054
最终形成降维HSI，
Figure BDA0003718569990000055
S6对所述初始分类标签SVMmap和所述降维高光谱图像进行域变换插值卷积滤波处理，得到重排列分类标签。
具体的，对所述多个初始分类标签和所述降维高光谱图像进行域变换卷积滤波。；
具体的，对原始图像
Figure BDA0003718569990000061
划分训练集与测试集为Xtrain,Ytrain,Xtest,Ytest，输入到采用支持向量机内进行训练得出一个含参数的struct类型的结构体model，将model和测试样本作为输入进行预测，得出预测的地物分类图标签SVMmap，最后将SVMmap作为域变换插值卷积滤波器的输入，同时，以降维HSI作为参考图像以确定地物的边缘，进行初始标签的修正，最后获得最终的分类标签。
Figure BDA0003718569990000062
S7采用平均精度、总体精度和Kappa系数进行对所述重排列分类标签进行精度评价，得到评价结果。
具体的，采用平均精度(Average accuracy),总体精度(Overall accuracy),Kappa系数进行精度评价得到评价结果。
以上所揭露的仅为本发明基于多尺度熵率超像素的后验概率高光谱图像分类方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (6)

1.基于多尺度熵率超像素的后验概率高光谱图像分类方法，其特征在于，包括以下步骤；
对高光谱图像数据进预处理，得到处理图像；
对所述高光谱图像进行初始分类，得到包含光谱信息的多个初始分类标签；
对所述预处理图像进行主成分分析，得到前三个主要成分；
对所述前三个主要成分进行图像处理，得到不同尺度下的超像素图像；
对所述超像素图像进行融合处理，得到降维的高光谱图像；
对所述多个初始分类标签和所述降维的高光图像进行域变换插值卷积滤波处理，得到修正后的重排列分类标签。
2.如权利要求1所述的基于多尺度熵率超像素的后验概率高光谱图像分类方法，其特征在于，
所述对所述高光谱图像进行初始分类，得到包含光谱信息的多个初始分类标签的具体方式为：
对所述高光谱图进行训练集和测试集的划分，得到划分数据；
通过支持向量机对所述划分数据进行分类，得到多个初始分类标签。
3.如权利要求2所述的基于多尺度熵率超像素的后验概率高光谱图像分类方法，其特征在于，
所述对所述前三个主要成分进行图像处理，得到不同尺度下的超像素图像的具体方式为：
为所述前三个主成分图像分别设置不同的超像素数目，得到设置数据；
基于所述设置数据进行熵率超像素分割，得到不同尺度下的超像素图像。
4.如权利要求3所述的基于多尺度熵率超像素的后验概率高光谱图像分类方法，其特征在于，
所述对所述超像素图像进行融合处理，得到降维高光谱图像的具体方式为：
对所述超像素分割图像进行决策融合，得到空间信息；
基于所述空间信息进行主成分分析，形成降维高光谱图像。
5.如权利要求4所述的基于多尺度熵率超像素的后验概率高光谱图像分类方法，其特征在于，
所述对所述多个初始分类标签和所述降维高光图像进行域变换插值卷积滤波处理，得到重排列分类标签的具体方式为：
对所述多个初始分类标签作为纠正目标，将所述降维高光谱图像作为引导图像，进行域变换插值卷积滤波，得到重排列分类标签。
6.如权利要求5所述的基于多尺度熵率超像素的后验概率高光谱图像分类方法，其特征在于，
在步骤对所述多个初始分类标签和所述降维高光图像进行处理，得到重排列分类标签之后，所述方法还包括：
采用平均精度、总体精度和Kappa系数进行对所述重排列分类标签进行精度评价，得到评价结果。
CN202210751710.2A 2022-06-28 2022-06-28 基于多尺度熵率超像素的后验概率高光谱图像分类方法 Pending CN115170956A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210751710.2A CN115170956A (zh) 2022-06-28 2022-06-28 基于多尺度熵率超像素的后验概率高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210751710.2A CN115170956A (zh) 2022-06-28 2022-06-28 基于多尺度熵率超像素的后验概率高光谱图像分类方法

Publications (1)

Publication Number Publication Date
CN115170956A true CN115170956A (zh) 2022-10-11

Family

ID=83488734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210751710.2A Pending CN115170956A (zh) 2022-06-28 2022-06-28 基于多尺度熵率超像素的后验概率高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN115170956A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758361A (zh) * 2023-08-22 2023-09-15 中国铁路设计集团有限公司 基于空间与光谱联合特征的工程岩组遥感分类方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758361A (zh) * 2023-08-22 2023-09-15 中国铁路设计集团有限公司 基于空间与光谱联合特征的工程岩组遥感分类方法及系统
CN116758361B (zh) * 2023-08-22 2023-10-27 中国铁路设计集团有限公司 基于空间与光谱联合特征的工程岩组遥感分类方法及系统

Similar Documents

Publication Publication Date Title
CN109154978B (zh) 用于检测植物疾病的系统和方法
JP6710135B2 (ja) 細胞画像の自動分析方法及びシステム
De Matos et al. Double transfer learning for breast cancer histopathologic image classification
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN110942013A (zh) 一种基于深度神经网络的卫星影像特征提取方法及系统
CN104899862A (zh) 基于全局与局部阈值的视网膜血管分割算法
CN110569782A (zh) 一种基于深度学习目标检测方法
CN109948625A (zh) 文本图像清晰度评估方法及系统、计算机可读存储介质
CN109492593A (zh) 基于主成分分析网络和空间坐标的高光谱图像分类方法
CN108182449A (zh) 一种高光谱图像分类方法
CN114266794B (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN111640128A (zh) 一种基于U-Net网络的细胞图像分割方法
CN117015796A (zh) 处理组织图像的方法和用于处理组织图像的系统
CN108985357B (zh) 基于图像特征的集合经验模态分解的高光谱图像分类方法
CN113298809B (zh) 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
Li et al. GIS-based detection of grain boundaries
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN115775226B (zh) 基于Transformer的医学图像分类方法
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
Liu et al. Robust text detection via multi-degree of sharpening and blurring
CN115033721A (zh) 基于大数据的图像检索方法
CN115170956A (zh) 基于多尺度熵率超像素的后验概率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