CN116597215A - 一种高光谱图像分类方法、装置及计算机设备 - Google Patents

一种高光谱图像分类方法、装置及计算机设备 Download PDF

Info

Publication number
CN116597215A
CN116597215A CN202310570544.0A CN202310570544A CN116597215A CN 116597215 A CN116597215 A CN 116597215A CN 202310570544 A CN202310570544 A CN 202310570544A CN 116597215 A CN116597215 A CN 116597215A
Authority
CN
China
Prior art keywords
image
classification
convolution
super
matrix
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
CN202310570544.0A
Other languages
English (en)
Inventor
陈华月
王婷婷
陈涛
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.)
China West Normal University
Original Assignee
China West Normal 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 China West Normal University filed Critical China West Normal University
Priority to CN202310570544.0A priority Critical patent/CN116597215A/zh
Publication of CN116597215A publication Critical patent/CN116597215A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

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

Abstract

本发明提供了一种高光谱图像分类方法、装置及计算机设备，属于图像分析技术领域，包括如下步骤：获取高光谱图像；使用二维奇异频谱分析法2D‑SSA对高光谱图像进行空间特征提取及降噪以获得重建图像；使用超像素分割法ERS对重建图像进行超像素分割，得到同质区域块；使用超像素主成分分析S3‑PCA对同质区域块进行特征提取以得到全局‑局部的光谱空间特征；将光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征；将卷积特征输入支持向量机SVM中进行分类得到分类结果。该能够在消除噪声的同时有效获得光谱空间特征，实现浅层卷积和深层卷积特征的结合，从而在HSI中实现更有效的数据分类。

Description

一种高光谱图像分类方法、装置及计算机设备
技术领域
本发明属于图像分析技术领域，具体涉及一种高光谱图像分类方法。
背景技术
高光谱图像(hyperspectral image，HSI)包含几十到几百个波段，具有丰富的光谱和空间信息，能够从不同角度反映地物的材料特性，因此HSI在各大领域得到了越来越广泛的应用，例如环境监测、矿物勘探与分析、土地分类等等。然而，HSI数据的高维数和少量可用的标记样本通常会造成Hughes现象。除了光谱和空间信息之外，由于环境噪声、传感器限制和大气影响，HSI数据还存在冗余内容和噪声。因此，如何从小样本问题中提取有效特征并保证图像的分类精度是众多学者研究的关键问题。
由于HSI的光谱波段具有高冗余度特性，光谱特征提取和降维是实现高精度分类的重要前提。一般来说，HSI数据的降维分为两类：特征选择和特征提取。在过去几十年有一些经典的基于统计的特征提取方法，例如主成分分析(principal component analysis，PCA)，虽然PCA被广泛应用于无监督降维和光谱特征提取，但它往往无法提取出有用的局部光谱信息。
另外，随着空间分辨率的提高往往会导致谱变性的降低，具体来说就是高分辨率图像包含的丰富信息可能会增加类内变异，降低类间变异，从而影响了分类精度。HSI中的空间分布通常是规则的，包含着丰富的纹理信息，可以将其与上述方法所提取的光谱信息结合起来提高分类性能。针对不同类型空间特征的提取，学者们提出了一种名叫奇异频谱分析(singular spectrum analysis，SSA)的技术。虽然1D-SSA可以用于HSI分析，并提高分类精度，但其像素级的分类仅处理了光谱相关性而忽略了像素之间的空间关系。
发明内容
为了克服由于忽略像素空间关系导致分类精度低的问题，本发明提供了一种高光谱图像分类方法、装置及计算机设备，其方法包括如下步骤：
获取高光谱图像；
使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像；
使用超像素分割法ERS对所述重建图像进行超像素分割，得到同质区域块；
使用超像素主成分分析法S3-PCA对所述同质区域块进行特征提取以得到全局-局部的光谱空间特征；
将所述光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征；
将所述卷积特征输入支持向量机SVM中进行分类，得到分类结果。
优选的，使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像，包括如下步骤：
嵌入2-D信号：对于尺寸大小为Nx×Ny的图像P2D，其矩阵表示如下：
其中，定义一个大小为Lx×Ly的二维窗口Wij，其中Lx∈[1，Nx]，Ly∈[1，Ny]，构造的轨迹矩阵如下：
该窗口以其左上角(i，j)的位置为参考点，参考点的范围是i∈[1,Nx-Ly+1]，j∈[1，Ny-Ly+1]；对于给定的像素坐标(i，j)，对应二维窗口被重新排列为列向量具体为/>
所述窗口Wij从图像的左上方移动到右下方的过程中，窗口位置共有(Nx-Ly+1)×(Ny-Ly+1)种可能，由此可推导出图像P的轨迹矩阵为:
其中，轨迹矩阵X2D有一个名为HbH，即Hankelby Hankel，表示如下：
其中，HbH矩阵X2D是块的汉克尔矩阵，每个块Hr本身是-一个汉克尔矩阵；
SVD和分组：将矩阵的维数变为二维，具体为K2D＝(Nx-Lx+1)(Ny-Ly+1)和L2D＝Lx×Ly；
对角线平均化：采用公式(4)所示的两步对角平均法将转换为HbH矩阵，即先应用于每个块内，然后应用于块间；
设二维信号由群矩阵/>变换而来，可表示为：
对原始二维图像进行重构
优选的，使用超像素分割法ERS对所述重建图像进行超像素分割之前使用主成分分析法PCA提取所述重建图像的第一主成分。
优选的，所述使用超像素分割法ERS对所述重建图像进行超像素分割，得到同质区域块，包括以下步骤：
将所述重建图像进行ERS超像素分割获得同质区域；
对每个超像素块X中的每个像素进行局部空间重构；
将基于全局PCA的特征和基于SuperPCA的特征连接起来得到新的特征H。
优选的，将所述光谱空间特征输入随机斑块网络RPNet中进行卷积之前需要。
优选的，将所述光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征，包括如下步骤：
步骤1：对所述特征H进行Whitening操作，以降低不同波段的相关性；
步骤2：在Whitening操作后的数据中随机选择k个像素，在每个像素周围取一个大小为w×w×p的块即得到k个随机斑块；
步骤3：将所述k个随机块作为卷积核，将HWhitening与随机斑块进行卷积运算得到k个特征图
本发明还提供有一种高光谱图像分类装置，包括：
数据获取模块，用于获取高光谱图像；
图像重建模块，用于使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像；
图像分割模块，用于使用超像素分割法ERS对所述重建图像进行超像素分割，得到同质区域块；
特征提取模块，用于使用超像素主成分分析法S3-PCA对所述同质区域块进行特征提取以得到全局-局部的光谱空间特征；
卷积特征获取模块，用于将所述光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征；
卷积特征分类模块，用于将所述卷积特征输入支持向量机SVM中进行分类，得到分类结果。
本发明还提供有一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行高光谱图像分类方法。
本发明提供的高光谱图像分类方法、装置及计算机设备具有以下有益效果：
首先，在采集HSI的过程中，由于存在噪声和空间信息的缺乏，使得模型精度会受到一定的影响，本发明通过2D-SSA可以消除噪声并有效融合光谱和空间特征，从而提高分类精度；其次，本发明通过S3-PCA算法能够对同一超像素块中最近邻像素的每个像素进行数据重构，然后再对每个区域和全区域进行主成分分析，并与2D-SSA结合使用，从而对重构数据进行全局-局部特征提取，在消除噪声的同时有效获得光谱空间特征，然后再集成到RPNet模型方法中，实现浅层卷积和深层卷积特征的结合，从而在HSI中实现更有效的数据分类。本发明通过S3-PCA、2D-SSA和RPNet的融合算法能够提高总体分类精度。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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为本发明实施例的高光谱图像分类方法的流程图；
图2为IndianPines的高光谱遥感图像；
图3为PaviaUniversity的高光谱遥感图像表；
图4为KSC的高光谱遥感图像；
图5为参数PC_num对分类精度的影响；
图6为参数超像素数Pixel_num对分类精度的影响；
图7为IndianPines数据集的超像素分割图；
图8为PaviaUniversity数据集的超像素分割图；
图9为KSC数据集的超像素分割图；
图10为参数Layernum(层数)对分类精度的影响；
图11为IndianPines数据集的不同层数分类结果图；
图12为PaviaUniversity数据集的不同层数分类结果图；
图13为KSC数据集的不同层数分类结果图；
图14为IndianPine数据集不同方法的分类结果图；
图15为PaviaUniversity数据集不同方法的分类结果图；
图16为KSC数据集不同方法的分类结果图。
具体实施方式
实施例1
本发明提供了一种高光谱图像分类方法、装置及计算机设备，具体如图1-16所示，其方法包括如下步骤：
步骤1：获取高光谱图像；
步骤2：使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像，其具体过程如下：
嵌入2-D信号：对于尺寸大小为Nx×Ny的图像P2D，其矩阵表示如下：
其中，定义一个大小为Lx×Ly的二维窗口Wij，其中Lx∈[1，Nx]，Ly∈[1，Ny]，构造的轨迹矩阵如下：
该窗口以其左上角(i，j)的位置为参考点，参考点的范围是i∈[1,Nx-Ly+1]，j∈[1,Ny-Ly+1]。对于给定的像素坐标(i，j)，对应二维窗口被重新排列为列向量具体为/>
窗口Wij从图像的左上方移动到右下方的过程中，窗口位置共有(Nx-Ly+1)×(Ny-Ly+1)种可能。由此可推导出图像P的轨迹矩阵为:
其中，轨迹矩阵X2D有一个名为HbH,即Hankel by Hankel，示如下：
简单来说，HbH矩阵(X2D)是块的汉克尔矩阵，每个块(Hr)本身就是-一个汉克尔矩阵。
SVD和分组：这两个阶段与SSA阶段相同。然而，不同矩阵各自的维数相应地变为二维。具体地说，K2D＝(Nx-Lx+1)(Ny-Ly+1)和L2D＝Lx×Ly。
对角线平均化：2D-SSA中得到的矩阵不一定是HbH类型。因此，需要采用公式(4)所示的两步对角平均法将其转换为HbH矩阵，即先应用于每个块内，然后应用于块间。
设二维信号由群矩阵/>变换而来，可表示为：
对原始二维图像进行重构
在2D-SSA中，第一个分解的分量包含了主要的空间趋势信息，因此被用来代替原始图像进行分类。与SSA类似，用于表示原始图像的分量数量固定为1(EVG＝1)，嵌入时的窗口大小Lx×Ly是唯一影响性能的参数。
步骤3：使用超像素分割法ERS对重建图像进行超像素分割，得到同质区域块，包括以下步骤：
将重建图像进行ERS超像素分割获得同质区域；
对每个超像素块X中的每个像素进行局部空间重构；
将基于全局PCA的特征H和基于SuperPCA的特征H连接起来得到新的特征H。
步骤4：使用超像素主成分分析法S3-PCA对同质区域块进行特征提取以得到全局-局部的光谱空间特征。
传统特征提取中的降维方法通常是对整个HSI进行全局性的主成分分析，忽略了局部特征，然而高光谱图像包含了许多同质区域，同一个类别的像素又往往在同质区域内，常规降维方法易忽视非同质区域间的差异。因此，提出了S3-PCA的方法来进行特征提取，具体过程如下：
设一个高光谱立方体为每一个像素的光谱向量为其中n∈[1，n]，总像素数为N＝DxDy。为了避免出现光谱失真，采用超像素分割技术提取同质区域的有效特征。为了减少超像素分割的计算量，先用PCA提取待分类高光谱图像的第一主成分，记为/>再采用熵率超像素分割算法对第一主成分PC1进行超像素分割，生成同质区域块/>其中/>S是超像素数，Bk是第k个像素。应用2D-SSA进行噪声的消除和空间特征的提取：首先一个嵌入窗口/>其中Lx∈[1，Dx]，Ly∈[1，Dy]，用于构建轨迹矩阵T∈Rm×n，其中，m＝Lx×Ly，n＝(Dx-Lx+1)(Dy-Dy+1)，为了简单起见，我们通常令Lx＝Ly，再经过SVD、分组和对角线平均化得到重建图像Z。基于分割形成的同质区域对重建图像Z进行基于超像素的主成分分析S3-PCA方法降低数据维数和获得全局局部空间光谱特征/>(其中p为主成分数)，2D-SSA与S3-PCA的结合应用可以有效地抑制噪声，增强了光谱空间特征的识别能力。与原HSI相比，处理之后的图像具有更丰富的光谱多样性特征和更低的特征维数。
步骤5：将光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征。
对降维后的数据H进行Whitening操作，使得不同波段的方差相似，降低不同波段的相关性。然后在Whitening操作后的数据中随机选择k个像素，在每个像素周围取一个大小为w×w×p的块即得到k个随机块，其中对于分布在图像边缘的像素通过镜像来填充邻近的空缺像素。然后将这k个随机块作为卷积核，将HWhitening与随机斑块进行卷积运算得到k个特征图Ii：为了提高特征的稀疏性，我们进一步利用了校正线性单位作为激活函数：f(l)＝max(0，1-M) M＝[m2...m2]，其中/>表示I在二维空间的平均向量，M是m2的k次复制组成的平均矩阵。最终，第一层中的特征可以表示为/>假设是/>第(I-1)层的特征，将Z(l-1)作为新的输入数据X进行特征提取得到第I层特征z'，由此可以得到不同层的特征{Z(1)，Z(2)，...，Z(j)}。最终将所有特征通过SVM(带RFB核)分类器预测类别标签并获得分类结果图。
步骤6：将卷积特征输入支持向量机SVM中进行分类，得到分类结果。
本申请的整体流程如下：
输入：HSI图像D、主成分数PC_num、超像素数Pixelnum、层数Layernum；
对于第一层：
步骤1：应用2D-SSA对D进行空间特征提取和消除噪声，并获得重建图像Z；
步骤2：对Z进行主成分分析得到PC1；
步骤3：使用超像素分割算法ERS对PC1进行分割，将其划分为多个同质区域；
步骤4：应用S3-PCA得到全局局部的光谱空间特征H；
步骤5：提取k个随机斑块进行卷积运算得到卷积特征C1；
对于其他层数L(L≤Layermum)：
步骤6：更新矩阵同时，重复步骤2-5得到不同特征CL；
步骤7：将C1-CL与原始光谱数据结合，构成最终特征，并对其进行归一化；
步骤8：通过SVM进行分类得到最终的分类结果；
输出：分类精度和分类结果。
另外，本发明还提供有一种高光谱图像分类装置，包括数据获取模块、图像重建模块、图像分割模块、特征提取模块、卷积特征获取模块和卷积特征分类模块。数据获取模块用于获取高光谱图像；图像重建模块用于使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像；图像分割模块用于使用超像素分割法ERS对重建图像进行超像素分割，得到同质区域块；特征提取模块用于使用超像素主成分分析法S3-PCA对同质区域块进行特征提取以得到全局-局部的光谱空间特征；卷积特征获取模块用于将光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征；卷积特征分类模块用于将卷积特征输入支持向量机SVM中进行分类，得到分类结果。
本发明还提供有一种计算机设备，包括存储器和处理器；存储器存储有计算机程序，处理器用于运行存储器内的计算机程序，以执行高光谱图像分类方法。
实施例2
为了验证所提方法的可行性和有效性，本文选择两个数据集作为试验场景，
同时以PCA，SuperPCA，S3-PCA，PCA+2D-SSA，SuperPCA+2D-SSA，RPNet-5为对照组做实验，实验中采用总体精度(overall accuracy，OA)、平均精度(average accuracy，AA)和Kappa系数作为各分类结果的评价指标。OA是正确分类的像素的比例，AA是每个类别中正确分类的特征的比例，Kappa系数则基于混淆矩阵，综合了OA和AA两种精度指标，取值越接近1表明分类效果越好。实验环境为Windows10系统，处理器Intel(R)Core(TM)i5-8250UCPU@1.60GHz，内存8GB，NVIDIA GeForce MX 150显卡。
实验选择三个经典的高光谱数据集：Indian Pines、Pavia University和KSC数据集。
Indian Pines数据集：该数据集是由AVIRIS传感器采集印第安纳州西北部的印度松图像，由145×145像素和224个光谱反射带组成，波长范围为0.4-2.5nm，实验采用去除覆盖水吸收区域波段之后的200个波段，包含16类地物要素，共计10366个数据样本，其真实地物分布如图3所示，训练集和测试集如表1所示。
表1Indians Pine地物类别及样本数目
Pavia University数据集：由德国用机载反射光学光谱成像仪(ROSIS)采集的位于意大利北部帕维亚地区的帕维亚大学影像。该数据集包括610×340像素和除去12个噪声波段后的103个可用于分类的有效波段，包括9类地物要素，空间分辨率为1.3米，波长范围0.43～0.86微米。其真实地物如图4所示，训练集和测试集如表2所示。
表2 Pavia University地物类别及样本数目
KSC数据集：由佛罗里达州KSC上空的AVIRIS传感器获取的。该数据集包括除去吸水率和512×614像素的低信噪比波段后的176个波段。光谱覆盖范围为0.4μm-2.5μm，空间分辨率为18m。其真实地物分布如图5所示。
表3KSC地物类别及样本数目
实验参数的设置
对于两个数据集，选取的训练样本数和测试样本数如表1-2所示，实验中模型RPNet的随机块大小w和数目k分别为：w＝21，k＝20。2D-SSA的嵌入窗口大小L×L固定为10×10，其余参数设置见下部分。每个数据均重复10次取平均值为最终结果。
分析参数PC_num(主成分数)对实验的影响。将PC_num取值分成9种情况(PC_num＝1，2，3，4，5，6，7，8，9)，并且在9种情况下观察参数PC_num对分类精度的影响，具体结果见图5。从图中可以看出：对于IndianPines数据集，主成分维数的变化对总体分类精度的影响不大，主成分维数取7最佳；对于PaviaUniversity数据集，主成分维数的变化对总体精度的影响更小，考虑低维矩阵更有利于模型的后续计算，取PC_num＝5；对于KSC数据集，主成分维数的变化则会让总体精度产生一定的波动，分类精度均呈现出先增长接着趋于平稳的趋势，取PC_num＝8。
分析参数Pixel_num(超像素数)对实验的影响。将Pixel_num取值分成6种情况(Pixel_num＝25，50，75，100，125，150)具体得到的超像素分割图见图7-9。由图6明显可以观察出对于前两个数据集来说不同的超像素数对分类精度的影响较大，进一步表明超像素分割的引入有利于分类精度的提高；反观Pavia Universiy数据集，超像素数的变化对总体精度的影响同样不显著。考虑到计算复杂度，本实验中将参数Pixel_num取值都设置为Pixel_num＝75，在各个数据集的验证集上均能取得较高的整体精度。
分析参数Layernum(层数)对实验的影响。将Layernum取值分成6种情况(Layernum＝1，2，3，4，5，6，7，8，9，10，11)并且在6种情况下观察参数Layernum对分类精度的影响，具体得到的分类结果图见图11-13。随着层深的增加，整体准确率逐渐提高后趋于稳定，这表明从HSI中提取的随机块确实包含了对分类任务有用的信息。但太深的架构不仅不会提高精度，而且增大计算复杂度。根据图10所示，对于IndianPines和KSC数据集，层数取3；对于Pavia University数据集，层数取5。
分类精度的比较
本发明与PCA、SuperPCA、S3-PCA、PCA+2D-SSA、RPNet-5进行比较，利用支持向量机在三个数据集上的分类精度进行性能评估。从表4-6的对照结果来看，PCA+2D-SSA和SuperPCA+2D-SSA始终比仅用PCA和SuperPCA分类结果更好，而S3-PCA基于超像素的局部重建比PCA、Sup erPCA取得更高的分类精度，相比之下，空间信息的缺失导致PCA、SuperPCA在基准测试方法中会取得较低的分类精度。从图14-16分类结果图中可以发现，仅使用光谱特征进行分类会出现错分、误分和噪点的情况，这些结果都反映出了空间特征与光谱特征相结合对HSI分类的重要性。因此本文中用的S3-PCA+2D-SSA策略能够将两者优势融合，在抑制数据噪声的同时，充分利用局部-全局光谱空间特征，总是能获得更高的精度。与原RPNet相比，S3-PCA+2D-SSA的加入可以在三个数据集上取得最佳的OA，具体来说：对于IndianPine数据集OA提高了1.66％，Pavia University数据集的OA提高到了99.76％，KSC数据集的OA提高了1.68％，这是因为超像素的引入和2D-SSA的共同作用，使得网络不仅使用浅层和深层特征提取，还有效利用光谱-空间特征，减少了信息冗余和丢失。
表4Indian Pines数据集分类精度对比
表5PaviaUniversity数据集分类精度对比
表6KSC数据集分类精度对比
由以上描述可知，在采集HSI的过程中，由于存在噪声和空间信息的缺乏，使得模型精度会受到一定的影响，本发明通过与2D-SSA的结合应用，可以消除噪声并有效融合光谱和空间特征，从而提高分类精度；其次，本发明通过S3-PCA算法能够对同一超像素块中最近邻像素的每个像素进行数据重构，然后再对每个区域和全区域进行主成分分析，并与2D-SSA结合使用，从而对重构数据进行全局-局部特征提取，在消除噪声的同时有效获得光谱空间特征，然后再集成到RPNet模型方法中，实现浅层卷积和深层卷积特征的结合，从而在HSI中实现更有效的数据分类；最后，采用成熟的SVM分类器，保证了小样本条件下分类模型的鲁棒性和抗过拟合能力。本发明通过基于S3-PCA、2D-SSA和RPNet的融合算法有着更高的总体分类精度。
以上实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (8)

1.一种高光谱图像分类方法，其特征在于，包括如下步骤：
获取高光谱图像；
使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像；
使用超像素分割法ERS对所述重建图像进行超像素分割，得到同质区域块；
使用超像素主成分分析法S3-PCA对所述同质区域块进行特征提取以得到全局-局部的光谱空间特征；
将所述光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征；
将所述卷积特征输入支持向量机SVM中进行分类，得到分类结果。
2.根据权利要求1所述的高光谱图像分类方法，其特征在于，使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像，包括如下步骤：
嵌入2-D信号：对于尺寸大小为Nx×Ny的图像P2D，其矩阵表示如下：
其中，定义一个大小为Lx×Ly的二维窗口Wij，其中Lx∈[1，Nx]，Ly∈[1，Ny]，构造的轨迹矩阵如下：
该窗口以其左上角(i，j)的位置为参考点，参考点的范围是i∈[1,Nx-Ly+1]，j∈[1,Ny-Ly+1]；对于给定的像素坐标(i，j)，对应二维窗口被重新排列为列向量具体为/>
所述窗口Wij从图像的左上方移动到右下方的过程中，窗口位置共有(Nx-Ly+1)×(Ny-Ly+1)种可能，由此可推导出图像P的轨迹矩阵为:
其中，轨迹矩阵X2D有一个名为HbH，即Hankelby Hankel，表示如下：
其中，HbH矩阵X2D是块的汉克尔矩阵，每个块Hr本身是-一个汉克尔矩阵；
SVD和分组：将矩阵的维数变为二维，具体为K2D＝(Nx-Lx+1)(Ny-Ly+1)和L2D＝Lx×Ly；
对角线平均化：采用公式(4)所示的两步对角平均法将转换为HbH矩阵，即先应用于每个块内，然后应用于块间；
设二维信号由群矩阵/>变换而来，可表示为：
对原始二维图像进行重构
3.根据权利要求1所述的高光谱图像分类方法，其特征在于，使用超像素分割法ERS对所述重建图像进行超像素分割之前使用主成分分析法PCA提取所述重建图像的第一主成分。
4.根据权利要求2所述的高光谱图像分类方法，其特征在于，所述使用超像素分割法ERS对所述重建图像进行超像素分割，得到同质区域块，包括以下步骤：
将所述重建图像进行ERS超像素分割获得同质区域；
对每个超像素块X中的每个像素进行局部空间重构；
将基于全局PCA的特征和基于SuperPCA的特征连接起来得到新的特征H。
5.根据权利要求1所述的高光谱图像分类方法，其特征在于，将所述光谱空间特征输入随机斑块网络RPNet中进行卷积之前需要对所述特征H进行Whitening操作，以降低不同波段的相关性。
6.根据权利要求5所述的高光谱图像分类方法，其特征在于，将所述光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征，包括如下步骤：
步骤1：在Whitening操作后的数据中随机选择k个像素，在每个像素周围取一个大小为w×w×p的块即得到k个随机斑块；
步骤2：将所述k个随机块作为卷积核，将HWhitening与随机斑块进行卷积运算得到k个特征图
7.一种高光谱图像分类装置，其特征在于，包括：
数据获取模块，用于获取高光谱图像；
图像重建模块，用于使用二维奇异频谱分析法2D-SSA对高光谱图像进行空间特征提取及降噪以获得重建图像；
图像分割模块，用于使用超像素分割法ERS对所述重建图像进行超像素分割，得到同质区域块；
特征提取模块，用于使用超像素主成分分析法S3-PCA对所述同质区域块进行特征提取以得到全局-局部的光谱空间特征；
卷积特征获取模块，用于将所述光谱空间特征输入随机斑块网络RPNet中进行卷积运算得到卷积特征；
卷积特征分类模块，用于将所述卷积特征输入支持向量机SVM中进行分类，得到分类结果。
8.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至6任一项所述的高光谱图像分类方法。
CN202310570544.0A 2023-05-19 2023-05-19 一种高光谱图像分类方法、装置及计算机设备 Pending CN116597215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310570544.0A CN116597215A (zh) 2023-05-19 2023-05-19 一种高光谱图像分类方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310570544.0A CN116597215A (zh) 2023-05-19 2023-05-19 一种高光谱图像分类方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN116597215A true CN116597215A (zh) 2023-08-15

Family

ID=87589393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310570544.0A Pending CN116597215A (zh) 2023-05-19 2023-05-19 一种高光谱图像分类方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN116597215A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117636162A (zh) * 2023-11-21 2024-03-01 中国地质大学（武汉） 一种高光谱图像的稀疏解混方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117636162A (zh) * 2023-11-21 2024-03-01 中国地质大学（武汉） 一种高光谱图像的稀疏解混方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Liu et al. A 3-D atrous convolution neural network for hyperspectral image denoising
Liebel et al. Single-image super resolution for multispectral remote sensing data using convolutional neural networks
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
Zhao et al. Superpixel-based multiple local CNN for panchromatic and multispectral image classification
CN108596248B (zh) 一种基于改进深度卷积神经网络的遥感影像分类方法
Li et al. Complex contourlet-CNN for polarimetric SAR image classification
WO2018045626A1 (zh) 基于超像素级信息融合的高光谱图像的分类方法及系统
CN112836773A (zh) 一种基于全局注意力残差网络的高光谱图像分类方法
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
Fu et al. A novel band selection and spatial noise reduction method for hyperspectral image classification
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
CN110309811A (zh) 一种基于胶囊网络的高光谱图像分类方法
CN108460391B (zh) 基于生成对抗网络的高光谱图像无监督特征提取方法
CN110533077B (zh) 用于高光谱图像分类的形状自适应卷积深度神经网络方法
Fan et al. Superpixel guided deep-sparse-representation learning for hyperspectral image classification
Guan et al. Multistage dual-attention guided fusion network for hyperspectral pansharpening
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN109740631B (zh) 基于对象的obia-svm-cnn遥感影像分类方法
Zhang et al. Symmetric all convolutional neural-network-based unsupervised feature extraction for hyperspectral images classification
CN104751162A (zh) 基于卷积神经网络的高光谱遥感数据特征提取方法
CN110223304A (zh) 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质
CN105550712B (zh) 基于优化卷积自动编码网络的极光图像分类方法
CN112669249A (zh) 结合改进nsct变换和深度学习的红外与可见光图像融合方法
CN116597215A (zh) 一种高光谱图像分类方法、装置及计算机设备
CN113902622B (zh) 基于深度先验联合注意力的光谱超分辨率方法

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