一种基于Hash编码的超光谱遥感图像分类方法技术

本发明专利技术公开了一种基于Hash编码的超光谱遥感图像分类方法，属于图像信息处理技术领域，提出了用块Hash自动编码的思想来处理超光谱遥感图像，本发明专利技术提出了用Hash自动编码的思想来处理超光谱遥感图像，将遥感图像每个通道提取出来，分成块，将每个小块先进行分段Hash处理，生成Hash序列用来表征块的特征，然后将生成的编码进行SVM分类。和基于传统像素的分类方法相比，在相同的实验条件下，本发明专利技术方法的图像分类结果更加准确，视觉效果更好。

【技术实现步骤摘要】

本专利技术涉及图像信息处理
，特别是一种基于Hash编码的超光谱遥感图像分类方法。
技术介绍
随着技术手段和传感器性能的提高，越来越大量的超光谱卫星遥感数据被产生了出来。人们迫切需要找到一种能够处理这种大量遥感图像数据的机器学习算法。另一方面，Hash学习技术在近年来成为了一种被广泛使用的处理大数据的机器学习手段。因为在大数据背景下，现有的技术无法高效的处理这些数据，处理时间过长。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足，而提供一种基于Hash编码的超光谱遥感图像分类方法，该方法用于超光谱遥感图像分类中，在保持足够高精度的前提下，这种方法可以大大缩短计算时间。本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种基于Hash编码的超光谱遥感图像分类方法，包括以下步骤，步骤一、设原始的遥感图像包含w*h个像素，每个像素都有m个通道，设第i个像素的坐标值为(xi,yi)，该像素在所有通道中的取值构成了一个m维的向量；其中，w表示行数，h表示列数；步骤二、对遥感图像的每个像素，各取一个中心位于(xi,yi)的s*s的图像块，此图像块记为i的邻域Ni；其中，s表示图像块的尺寸；步骤三、将步骤二得到的每个图像块进行分段Hash编码处理，生成Hash序列用来表征块的新特征；步骤四、从步骤二中的图像块中随机选取部分图像块，对这部分图像块所对应的Hash序列进行人工分类标注并作为训练集训练一个SVM分类器，将训练好的SVM分类器对未标注的图像块进行分类。作为本专利技术所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案，所述分段Hash编码处理的方法具体如下，设分块的Hash函数为：其中，h(*)为预先指定的Hash函数，为第i个邻域第j个通道，j为整数且1≤j≤m；基于分块的Hash函数将第i个像素点的s*s*m个数据行编码，从而得到m个实数值，这m个数值就构成了第i个像素点的新特征。作为本专利技术所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案，其中，是每个通道的值域。作为本专利技术所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案，所述步骤四中部分图像块为10％图像块。作为本专利技术所述的一种基于Hash编码的超光谱遥感图像分类方法进一步优化方案，每个像素点对应了s2m个特征。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：(1)在同样的实验条件下，基于Hash的方法(分段Hash和基于块的Hash方法)相对于没有用Hash的方法能够产生几乎相同的总体分类精度。这说明，即使在有信息损失的情况下，Hash方法仍然能够得到足够高的分类精度，用于超光谱遥感图像分类中，在保持足够高精度的前提下，这种方法可以大大缩短计算时间；(2)基于Hash的方法比相应的没有使用Hash编码技术的方法执行效率更高，这体现在它会显著缩短运行时间上面；(3)本专利技术提出的一种基于分段Hash编码的维度缩减方法用于超光谱遥感图像分类中，在保持足够高精度的前提下，这种方法可以大大缩短计算时间；(4)本专利技术基于分段Hash编码技术与图像块描述的方法结合的方法，提出了基于块的Hash分类算法，并成功地应用超光谱遥感图像数据集的分类，对超光谱遥感图像分类的性能评估结果表明，本专利技术提出的方法在分类准确率方面可以和普通的基于图像块描述的分类方法相媲美；在计算机效率方面远优于普通的基于图像块描述的分类方法；(5)本专利技术基于块Hash的分类算法不仅具有良好的性能，较低的计算复杂度，而且在实际的超光谱遥感图像处理中将可以得到广泛的应用。附图说明图1是本专利技术遥感图像分类方法的流程示意图。图2为块Hash映射的示意图。图3为性能评估曲线。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：本专利技术的思路是将遥感图像每个通道分成块，将每个小块进行分段Hash处理，生成Hash序列用来表征块的特征，然后将生成的编码进行分类，提高了分类准确率，缩短了计算时间，并使得最终得到的分类结果图具有更好的视觉效果。本专利技术方法的基本流程如图1所示，具体包括以下步骤：1，假设原始的遥感图像包含w*h个像素，每个像素都有m个通道。设每一个像素点的坐标值为(xi,yi)，该像素在所有通道中的取值构成了一个m维的向量.vi＝(vi1,vi2,...vim) (1)2，接下来，我们考虑一个中心位于(xi,yi)的大小为s*s的图像块，我们记为i的邻域Ni。对于边界上的像素点，我们通过反射边界的方法将像素的邻域补齐。具体来讲，就是一个左边界上的像素点的左邻居就是该像素点的右邻居。与此类似，对于上下右边界上的像素也做类似的处理。于是，i邻域Ni中的所有像素的所有通道都构成了i这个像素点的特征。也就是说，每个像素点对应了s2m个特征。当s很大的时候，这个特征数量将会变得很大。3，然后，我们将对分段Hash方法用于这些图像块表征出来的特征。对于每个像素i，我们应用分段Hash编码技术到它所有邻域像素中的所有通道中。我们设分块的Hash函数为S，那么它可以写为： S ( N i 1 , N i 2 , ... , N i m ) = ( h ( N i 1 ) , h ( N i 2 ) , ... , h ( N i m ) ) - - - ( 2 ) ]]>这里h为一个预先指定的Hash函数，例如取如下形式： h ( x 1 , x 2 , ... , x s 2 m ) = mod ( Σ i = 1 s 2 m x i 本文档来自技高网...

【技术保护点】
一种基于Hash编码的超光谱遥感图像分类方法，其特征在于，包括以下步骤，步骤一、设原始的遥感图像包含w*h个像素，每个像素都有m个通道，设第i个像素的坐标值为(xi,yi)，该像素在所有通道中的取值构成了一个m维的向量；其中，w表示行数，h表示列数；步骤二、对遥感图像的每个像素，各取一个中心位于(xi,yi)的s*s的图像块，此图像块记为i的邻域Ni；其中，s表示图像块的尺寸；步骤三、将步骤二得到的每个图像块进行分段Hash编码处理，生成Hash序列用来表征块的新特征；步骤四、从步骤二中的图像块中随机选取部分图像块，对这部分图像块所对应的Hash序列进行人工分类标注并作为训练集训练一个SVM分类器，将训练好的SVM分类器对未标注的图像块进行分类。

【技术特征摘要】
1.一种基于Hash编码的超光谱遥感图像分类方法，其特征在于，包括以下步骤，步骤一、设原始的遥感图像包含w*h个像素，每个像素都有m个通道，设第i个像素的坐标值为(xi,yi)，该像素在所有通道中的取值构成了一个m维的向量；其中，w表示行数，h表示列数；步骤二、对遥感图像的每个像素，各取一个中心位于(xi,yi)的s*s的图像块，此图像块记为i的邻域Ni；其中，s表示图像块的尺寸；步骤三、将步骤二得到的每个图像块进行分段Hash编码处理，生成Hash序列用来表征块的新特征；步骤四、从步骤二中的图像块中随机选取部分图像块，对这部分图像块所对应的Hash序列进行人工分类标注并作为训练集训练一个SVM分类器，将训练好的SVM分类器对未标注的图像块进行分类。2.根据权利要求...

【专利技术属性】
技术研发人员：徐军，张倩，刘利卉，周超，鲁浩达，孙明建，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32