【技术实现步骤摘要】
本专利技术属于图像分类领域,尤其涉及一种基于形态学特征和字典学习的高光谱图像分类方法。
技术介绍
随着遥感技术和计算机技术的发展,高光谱遥感图像已经渗入到社会、经济的各个领域。同时,高光谱图像的数量也日趋增长,如何组织图像、对高光谱图像进行分类任务,就成为了遥感信息
中一项重要的研究课题。由于高光谱图像有着维数高、样本少的特点,而传统高光谱图像分类方法仅考虑了光谱特性而忽略了图像中的空间特性,加之图像的数字化存储与人类语义理解之间存在天然的“语义鸿沟”问题,高效可靠的高光谱图像分类依然充满挑战。数学形态学是一种被广泛用于图像处理领域的方法,在遥感图像领域中,数学形态学应用在描述高光谱图像中地物的轮廓以及空间关系上。扩展形态学剖面(Extended Morphological Profile,EMP)是一种基于数学形态学的多层分析方法,对于高光谱图像能够很好的的提取其空间信息,保留图像中的空间几何结构特性。由于数学形态学是一种经典的非线性空间信息处理技术,能从复杂的信息中将有意义的形状分量提取出来,因而能够较好的符合遥感地物分类的特性。大量研究表明,类似于EMP这样的多尺度计算和处理,是有效地从高光谱图像中提取空间信息的方法。而同时,近年来,在自然语言处理(Nature Language Processing,NLP)上取得了巨大成功的词袋(Bag of Word,BoW)已经成功的应用于自然图像的分类中。词袋模型是一种鲁棒性的表示方法,能够很好的表示出高光谱图像的空间信息以及有效的消弭底层特征与高层语义之间的“语义鸿沟”。在词袋模型中,需要学习一个 ...
【技术保护点】
一种基于形态学特征和字典学习的高光谱图像分类方法,其特征在于,包含以下步骤:步骤1,对高光谱图像提取形态学特征作为底层形态学特征:输入含有待分类像素点的高光谱图像I,对高光谱图像I的每个像素利用数学形态学方法计算该像素的形态学特征F;步骤2,对获得的底层形态学特征,利用k‑均值无监督聚类方法学习一个过完备的字典;步骤3,利用学习到的字典对高光谱图像I的每一个像素点的底层形态学特征进行编码,获得编码特征;步骤4,对高光谱图像I中的编码特征进行采样并分类,有标签的像素点数据作为训练数据集,无标签的像素点数据作为待分类数据集;步骤5,将训练数据集中的像素点数据的编码特征表示使用支持向量机建立分类模型;步骤6,利用分类模型对待分类数据集中的像素点数据进行分类,得到像素点对应的分类类标,完成图像分类任务。
【技术特征摘要】
1.一种基于形态学特征和字典学习的高光谱图像分类方法,其特征在于,包含以下步骤:步骤1,对高光谱图像提取形态学特征作为底层形态学特征:输入含有待分类像素点的高光谱图像I,对高光谱图像I的每个像素利用数学形态学方法计算该像素的形态学特征F;步骤2,对获得的底层形态学特征,利用k-均值无监督聚类方法学习一个过完备的字典;步骤3,利用学习到的字典对高光谱图像I的每一个像素点的底层形态学特征进行编码,获得编码特征;步骤4,对高光谱图像I中的编码特征进行采样并分类,有标签的像素点数据作为训练数据集,无标签的像素点数据作为待分类数据集;步骤5,将训练数据集中的像素点数据的编码特征表示使用支持向量机建立分类模型;步骤6,利用分类模型对待分类数据集中的像素点数据进行分类,得到像素点对应的分类类标,完成图像分类任务。2.根据权利要求1所述的方法,其特征在于,步骤1包括如下步骤:步...
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。