基于边界点重分类的高光谱图像分类方法技术

本发明专利技术提出了一种基于边界点重分类的高光谱图像分类方法，克服了现有的融合空间信息和谱信息分类方法分类时对边界点的误分类。本发明专利技术具体实现的步骤为：(1)输入数据；(2)获取聚类图；(3)获取基于光谱信息的分类图；(4)获取空域-谱域分类图；(5)修正空域-谱域分类图中的分类错误；(6)选取边界点；(7)边界点进行分类；(8)更正边界点的分类类标(9)输出最终分类图。本发明专利技术有效地纠正在现有技术中导致的边界点分类错误，提高高光谱图像分类的精确度。

【技术实现步骤摘要】
基于边界点重分类的高光谱图像分类方法
本专利技术属于图像处理
，更进一步涉及高光谱影像(HyperspectralImagery)分类
中的一种基于边界点重分类的高光谱分类方法。本专利技术针对高光谱影像处理中图像标记样本稀少的特点，提出的一种分类的方法，提高了分类的精确度。
技术介绍
高光谱技术是一种新型的对地观测技术，通过获取大量地物反射的窄带电磁波波段，革命性地结合了地物的光谱信息、空间信息和几何信息，进而可以分析出感兴趣地物的相关信息。随着光谱获取技术和高光谱数据分析技术的发展，高光谱技术在军事和民用领域得到广泛的应用。由于高光谱数据的庞大和复杂性，对于图像中的每个象元代表的物质类别不能靠人工一一识别，因此，高光谱图像的分类技术就成为高光谱图像处理技术中重要的一环。高光谱图像分类的关键在于依靠少量的样本数据，结合光谱信息和空间信息对数据进精准的分类识别。在分类技术发展的初期，主要是依靠光谱信息进行分类，随着传感器技术的进步，图像的分辨率得到很大的提高，由此图像中的空间信息也纳入到分类技术中。香港理工大学申请的专利“融合空间信息及光谱信息的高光谱图像的分类方法及装置”(专利申请号：CN201210003388.1，公开号：CN102708373A)中提出了一种融合空间信息及光谱信息的高光谱图像的分类方法。该方法采用联合分割图和基于光谱信息的分类图，对分割块区域进行多数表决的形式对区域进行统一分类，该技术依靠同一区域为同一地物的性质，极大地提高了分类的精准度，减少了误分类的可能性。但是该方法仍然存在的不足是，由于该方法准确的前提是分割的精准性，而分割技术在区域内点和边界的无差别对待导致的区域划分错误，所以导致后续的分类结果在分割边缘处的分类精度较差。西安电子科技大学申请的专利“基于压缩谱聚类集成的高光谱图像分类方法”(专利申请号：CN201410077182.2，公开号：CN103996047A)提出了一种压缩谱聚类的高光谱分类方法。该方法对图像数据先进行降维处理，然后联合图像分割图和光谱信息进行分类。该方法克服了K-mean聚类方法对初始化敏感的缺点，提高了分类的精确度。但是该方法仍然存在的不足是，图像信息的的使用不充分，对于各个目标的内部区域点和边界区域点没有进行区分，导致分类存在较大的错误，使得图像分类的整体精度降低。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提出了一种基于边界点重分类的高光谱分类方法。本专利技术优化了高光谱图像的分类过程；充分利用的边界点的独特信息，避免了区域边界的划分错误；引入了主动学习算法对边界点单独分类处理，提高了分类结果的精准性。本专利技术实现上述目的的思路是：采用划分聚类的分割方式引入信息，结合谱域信息，依据多数投票的原理，融合空域-谱域信息进行分类；依据聚类的结果，提取边界点，引入主动学习算法充分利用少量的标记样本和边界点的信息，获得较好的分类效果。本专利技术实现的具体步骤如下：(1)输入数据：(1a)输入一幅待分类的高光谱图像；(1b)输入与待分类的高光谱图像对应的人工标记的样本集；(2)获取聚类图：采用迭代自组织数据分析法IOSDATA，对待分类的高光谱图像进行聚类操作，由待分类的高光谱图像的空域信息，得到待分类的高光谱图像的空域聚类图；(3)获取基于光谱信息的分类图：采用有监督的支撑向量机SVM，对待分类的高光谱图像进行分类，得到待分类的高光谱图像的谱域分类图；(4)获取空域-谱域分类图：采用多数投票Majority-Voting方法，整合空域聚类图和谱域分类图的信息，得到空域-谱域分类图；(5)修正空域-谱域分类图中的分类错误：采用后期归整Post-Regulation方法，对空域-谱域分类图进行修正，修正因噪声引起的分类错误，得到修正后的分类图；(6)选取边界点：比较修正后的分类图中各个像素点的类标与各自8邻域像素点类标的异同，将类标与8邻域中的各个类标均不相同的像素点定义为边界点；(7)边界点分类：采用多类别不确定性MCLU方式的主动学习方法，对边界点进行分类，得到边界点分类的类标；(8)更正边界点的分类类标：用边界点分类的类标替代修正后的分类图中的边界点的类标，得到最终的分类图；(9)输出最终的分类图。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术采用选取图像各区域边界点的方式，克服了现有技术对于区域内点和边界的无差别对待导致的区域划分错误的问题，使得本专利技术能够纠正区域边界的划分错误，获取了更加精准的空域信息。第二，由于本专利技术使用了对图像各区域边界点分类的方法，充分利用边界点的独特信息，克服了现有技术对于图像信息的的使用不充分的问题，使得本专利技术在标记样本较少时也能取得比较好的分类效果。附图说明图1是本专利技术的流程图。具体实施方式参照附图1，本专利技术的具体步骤如下：步骤1，输入数据。分别输入一幅待分类的高光谱图像以及与待分类的高光谱图像对应的人工标记的样本集。在本专利技术实施例中，输入一幅待分类的高光谱图像ROSIS-03光学传感器所记录的帕维亚大学的图像，以及通过机载可见光成像光谱仪AVIRIS获取的印第安纳州高光谱图像。步骤2，获取聚类图。采用迭代自组织数据分析法IOSDATA，对待分类的高光谱图像进行聚类操作，由待分类的高光谱图像的空域信息，得到待分类的高光谱图像的空域聚类图。在本专利技术实施例中，采用软件ENVI中的迭代自组织数据分析法ISODATA对图像进行聚类操作，迭代自组织数据分析法IOSDATA是基于K均值算法对样本进行自动聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而可以得到合理的聚类结果。分裂的规则如下：如果聚类集合P中δcmax＞δmax，同时满足时，则对该类进行分裂；其中:δcmax为聚类内的标准差最大值，δmax为预设定的类内最大标准差，为像元距离类内中心的平均距离，为全图所有像元距离其相应聚类中心的距离平均值，C为当前图像的聚类数，K为预设的期望得到的聚类最大数。两个新的聚类中心分别为其中γc＝t*δcmax，t为预设的常数。合并规则如下：如果C≥2K，则执行合并操作；将聚类中心间的距离从大到小进行排序，提取两者距离小于预设值的聚类中心，将其中没有被合并过的中心进行合并处理，以此得到新的聚类。在本专利技术实施例中，采用MatlabR2013b对聚类图进行分割标记，依靠像素点的四邻域判断区域块是否连接，若区域块有像素点处于另一区域某像素点的四邻域中，则判定两者连接，反之，则判定不相邻。不相邻的的同一聚类采用不同标号标记，以达到分块的目的。步骤3，获取基于光谱信息的分类图。采用有监督的支撑向量机SVM，对待分类的高光谱图像进行分类，得到待分类的高光谱图像的谱域分类图。在本专利技术的实施例中，使用LIBSVM工具箱执行分类任务，采用有监督的支撑向量机SVM，对待分类高光谱图进行分类，得到谱域分类图。步骤4，获取空域-谱域分类图。采用多数投票Majority-Voting方法，整合空域聚类图和谱域分类图的信息，得到空域-谱域分类图。多数投票Majority-Voting方法的具体步骤如下：第一步：统计谱域分类图的各类别在空域聚类图所形成的各个区域中的像素数；第二步：从各区域中选取的像素数最多的类别的类别标号；第三步：用所本文档来自技高网...

【技术保护点】
一种基于边界点重分类的高光谱图像分类方法，包括如下步骤：(1)输入数据：(1a)输入一幅待分类的高光谱图像；(1b)输入与待分类的高光谱图像对应的人工标记的样本集；(2)获取聚类图：采用迭代自组织数据分析法IOSDATA，对待分类的高光谱图像进行聚类操作，由待分类的高光谱图像的空域信息，得到待分类的高光谱图像的空域聚类图；(3)获取基于光谱信息的分类图：采用有监督的支撑向量机SVM，对待分类的高光谱图像进行分类，得到待分类的高光谱图像的谱域分类图；(4)获取空域‑谱域分类图：采用多数投票Majority‑Voting方法，整合空域聚类图和谱域分类图的信息，得到空域‑谱域分类图；(5)修正空域‑谱域分类图中的分类错误：采用后期归整Post‑Regulation方法，对空域‑谱域分类图进行修正，修正因噪声引起的分类错误，得到修正后的分类图；(6)选取边界点：比较修正后的分类图中各个像素点的类标与各自8邻域像素点类标的异同，将类标与8邻域中的各个类标均不相同的像素点定义为边界点；(7)边界点分类：采用多类别不确定性MCLU方式的主动学习方法，对边界点进行分类，得到边界点分类的类标；(8)更正边界点的分类类标：用边界点分类的类标替代修正后的分类图中的边界点的类标，得到最终的分类图；(9)输出最终的分类图。...

【技术特征摘要】
1.一种基于边界点重分类的高光谱图像分类方法，包括如下步骤：(1)输入数据：(1a)输入一幅待分类的高光谱图像；(1b)输入与待分类的高光谱图像对应的人工标记的样本集；(2)获取聚类图：采用迭代自组织数据分析法IOSDATA，对待分类的高光谱图像进行聚类操作，由待分类的高光谱图像的空域信息，得到待分类的高光谱图像的空域聚类图；(3)获取基于光谱信息的分类图：采用有监督的支撑向量机SVM，对待分类的高光谱图像进行分类，得到待分类的高光谱图像的谱域分类图；(4)获取空域-谱域分类图：采用多数投票Majority-Voting方法，整合空域聚类图和谱域分类图的信息，得到空域-谱域分类图；(5)修正空域-谱域分类图中的分类错误：采用后期归整Post-Regulation方法，对空域-谱域分类图进行修正，修正因噪声引起的分类错误，得到修正后的分类图；(6)选取边界点：比较修正后的分类图中各个像素点的类标与各自8邻域像素点类标的异同，将类标与8邻域中的各个类标均不相同的像素点定义为边界点；(7)边界点分类：采用多类别不确定性MCLU方式的主动学习方法，对边界点进行分类，得到边界点分类的类标；(8)更正边界点的分类类标：用边界点分类的类标替代修正后的分类图中的边界点的类标，得到最终的分类图；(9)输出最终的分类图。2.根据权利要求1所述的基于边界点重分类的高光谱图像分类方法，其特征在于，步骤(4)中所述多数投票Majority-Voting方法的具体步骤如下：第...

【专利技术属性】
技术研发人员：曹向海，焦李成，汪波棚，姚利，王爽，刘红英，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61