当前位置: 首页 > 专利查询>山东大学专利>正文

一种高光谱图像光谱域与空间域联合分类方法技术

技术编号:12101065 阅读:449 留言:0更新日期:2015-09-23 19:09
本发明专利技术公开了一种高光谱图像光谱域与空间域联合分类方法,包括在光谱域中对高光谱图像进行预分类:读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样本集合和测试样本集合;计算训练样本集合中每一类的类中心;计算训练样本集合中每一类的类中心;计算训练样本集合中每一类别内各样本的特征向量与类中心的向量夹角;按照贝叶斯决策规则对测试样本进行预分类;在空间域中对预分类结果进行优化:采用马尔可夫随机场对预分类结果进行优化,最后,输出高光谱图像的分类结果。本发明专利技术采用马尔可夫随机场的空间约束对分类结果进行迭代优化,提高了分类精度。

【技术实现步骤摘要】

本专利技术属于高光谱图像处理领域,尤其涉及一种高光谱图像光谱域与空间域联合 分类方法。
技术介绍
高光谱成像技术源于遥感技术,是近年来迅速发展的一种全新成像技术,它结合 了光谱技术和成像技术,将二维几何空间信息和一维光谱信息融为一体,利用成像光谱仪 获取连续、窄波段的图像数据,实现了对目标空间信息、光谱信息的同步获取,因而在相关 领域具有巨大的应用价值和广阔的发展前景。 高光谱图像可反映地面上物体的空间信息和光谱信息,其数量庞大。高光谱图像 分类利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域归为若干个类别 中的某一种,以代替人的视觉判读,目的在于区分高光谱图像中的多种物体。 高光谱图像分类问题一直备受关注。现有的分类方法多种多样,如光谱角匹配 (SAM),支持向量机(SVM),最大期望算法(EM),k近邻算法(k-NN),AdaBoost,神经网络 (NN),分类回归树(CART)等算法,虽然这些方法在高光谱图像中展现了很大潜力,但是这 些方法都是基于光谱域特征实现高光谱图像的目标分类。而高光谱图像包含丰富的图谱信 息,除了相应的光谱域特征以外,还包含了丰富的空间域特征。传统的分类方法往往仅采用 光谱域特征来解决高光谱图像分类问题,忽略了空间信息,从而造成了大量的有用信息的 丢失,进而导致高光谱图像分类精度低和可靠性差的问题。
技术实现思路
为了弥补现有技术存在的缺陷和不足,本专利技术提出了一种高光谱图像光谱域与空 间域联合分类方法,该方法首先由SAM算法得到光谱向量之间的夹角,其次进行角度高斯 化,采用贝叶斯法则进行预分类,最后采用马尔可夫随机场描述空间纹理特征,不断优化分 类结果,直到收敛,达到提高分类精度的目的。 为了达到以上目的,本专利技术的技术方案如下: -种高光谱图像光谱域与空间域联合分类方法,包括以下步骤: 步骤(1):在光谱域中对高光谱图像进行预分类, 步骤(1. 1):读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样 本集合和测试样本集合; 步骤(1. 2):计算训练样本集合中每一类的类中心; 步骤(1. 3):采用SAM方法计算训练样本集合中每一类别内各样本的特征向量与 类中心的向量夹角; 步骤(1.4):将获取的向量夹角的高斯化,并计算高斯分布的每一类内的向量夹 角的均值和方差; 步骤(1. 5):按照贝叶斯决策规则对测试样本进行预分类; 步骤(2):在空间域中对预分类结果进行优化,得到优化后的高光谱图像预分类 结果; 采用马尔可夫随机场对预分类结果进行优化,构建马尔可夫优化目标函数,计算 测试样本集合中的每个测试样本在所有类别条件下的能量,将测试样本归入最小能量的类 另IJ,反复对分类结果进行迭代,直到收敛; 步骤(3):输出优化后的高光谱图像预分类结果,作为高光谱图像的最终分类结 果。 所述步骤(1. 1)中高光谱图像数据归一化的具体过程为: 将高光谱图像数据训练样本集合{x d各样本的特征向量投影到单位半 径的超球面上: 其中,乂1表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是 测试样本个数;R 1代表一个样本,是一个特征向量,1是特征个数;|卜| |表示特征向 量Xij的模。 所述步骤(1. 2)中训练样本集合Xi中每一类的类中心q的计算公式为:其中,Xi= {x ^},乂1表示类别i训练样本集合,C表示类别数,N i表示第i类内的 样本数,N是测试样本个数;R1代表一个样本,是一个特征向量,1是特征个数。 所述步骤(1. 3)中向量夹角0 u的表达式为: 其中,乂1表示类别i训练样本集合,C表示类别数,Ni表示第i类内的样本数,N是 测试样本个数;R1代表一个样本,是一个特征向量,1是特征个数;|卜| |表示特征向 量Xij的模。 所述步骤(1. 4)中向量夹角0 u的高斯化后的模型为: 其中,向量夹角0 ^服从正态分布,p i ( 0 y表示样本&属于类别i的条件概率, 趸是类别i内的均值,< 是类别i内的方差,j = 1,2,...,队。 所述步骤(1. 4)中均值瓦的表达式为:〇 所述步骤(1. 4)中方差4的表达式为:o 所述步骤(1.5)中按照贝叶斯决策规则对测试样本X= {xk},k= 1,2,...^进 行预分类的过程为: 步骤(1. 5. 1):按步骤(1. 3)计算xk到各类中心c,.的向量夹角0 ki,i = 1,2, . . .,C,C是类别数; 步骤(1. 5. 2):计算样本xk属于类别i的条件概率, 其中,pki(0ki)表示样本xk属于类别i的条件概率,瓦是类别i内的向量夹角的 均值,< 是类别i内向量夹角的方差; 步骤(1. 5. 3):按照贝叶斯决策规则,当样本xk属于类别i的条件概率pki ( 0 ki)取 最大值时,将xk划入类i ;对所有测试样本x k按照贝叶斯决策规则进行分类,得到所有测试 样本的预分类结果。 所述步骤(2)中采用马尔可夫随机场对预分类结果进行优化的过程,包括: 步骤(2. 1):建立马尔可夫随机场的空间约束条件, 其中,p(Y)表示分类结果解空间可行解的概率;Y表示随机场;Z是一个常数;0 是表示空间重要性的参数,是一个大于零的常数;c为子团,是x k本身及其空间邻域内样本 的集合;l(Xk)是能量函数; 步骤(2.2):结合马尔可夫随机场的空间约束条件和步骤(1.4)中构建的向量夹 角的高斯模型,得到马尔可夫优化目标函数: 其中,化表示样本xk属于类别i时的能量,0 ki表示xk与类别i的类中心$的向 量夹角"别是类别i内的向量夹角的均值,< 是类别i内向量夹角的方差; 步骤(2.3):计算测试样本xk属于类别i时的能量Uki,i = 1,2,...,C,并将样本 xk划入能量最小的Uki所属的类别,完成对测试样本的类别更新; 步骤(2.4):重复步骤(2. 3),若前后两次类别不再发生变化,则说明已收敛,停止 迭代。 所述步骤(2. 1)和步骤(2. 2)中的能量函数火〇〇的表达式为:〇 本专利技术的有益效果是: (1)本专利技术将光谱域特征与空间域特征相结合,充分利用光谱信息和空间信息,解 决高光谱图像分类问题; (2)本专利技术基于传统SAM算法和贝叶斯分类模型,具有算法简单、可靠性高等优 占. (3)本专利技术采用马尔可夫随机场的空间约束对分类结果进行迭代优化,收敛到最 优的分类结果,能有效提高分类精度。【附图说明】 图1表示本专利技术流程图; 图2 (a)表示马尔可夫一阶邻域系统; 图2(b)表不马尔可夫一阶子团。【具体实施方式】 下面结合附图与实例对本专利技术作进一步说明: 在获取某一地区的高光谱图像的前提下,所选择的高光谱图像中包括屋顶、大街、 小路、草坪、树、水和阴影:采用光谱域和空间域联合的方法对高光谱图像进行处理,用于区 分出高光谱图像中的屋顶、大街、小路、草坪、树、水和阴影这些不同类别的物体。 如图1所示,本实施例中的高光谱图像光谱域与空间域联合分类方法,包括: 步骤(1):在光谱域中对高光谱图像进行预分类, 步骤(1. 1):读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样 本集合Xi= {x d和测试样本本文档来自技高网...
一种高光谱图像光谱域与空间域联合分类方法

【技术保护点】
一种高光谱图像光谱域与空间域联合分类方法,其特征在于,包括:步骤(1):在光谱域中对高光谱图像进行预分类,步骤(1.1):读取高光谱图像数据,并将高光谱图像数据归一化,随机生成训练样本集合和测试样本集合;步骤(1.2):计算训练样本集合中每一类的类中心;步骤(1.3):采用SAM方法计算训练样本集合中每一类别内各样本的特征向量与类中心的向量夹角;步骤(1.4):将获取的向量夹角的高斯化,并计算高斯分布的每一类内的向量夹角的均值和方差;步骤(1.5):按照贝叶斯决策规则对测试样本进行预分类;步骤(2):在空间域中对预分类结果进行优化,得到优化后的高光谱图像预分类结果;采用马尔可夫随机场对预分类结果进行优化,构建马尔可夫优化目标函数,计算测试样本集合中的每个测试样本在所有类别条件下的能量,将测试样本归入最小能量的类别,反复对分类结果进行迭代,直到收敛;步骤(3):输出优化后的高光谱图像预分类结果,作为高光谱图像的最终分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员:刘治唐波肖晓燕聂明钰常军
申请(专利权)人:山东大学
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1