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

本发明专利技术公开了一种基于形态学特征和字典学习的高光谱图像分类方法，包含如下步骤：高光谱图像形态学特征提取；字典学习过程；特征编码；图像分类。本发明专利技术应用在高光谱图像分类领域，本发明专利技术充分考虑了高光谱图像中的空间信息结构关系，并且基于空间关系信息构建高层语义映射，获得能够较好保持特征空间结构信息的高层语义编码用以高光谱图像分类任务，消除了高光谱图像高层语义与底层特征之间的“语义鸿沟”问题，在高光谱图像分类上有着显著的效果，因此本发明专利技术具有较高的使用价值。

【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，需要学习一个过完备的有判别力的字典，字典中的每一项都对应数据中一部分感兴趣的信号，称之为视觉单词(Visual Word)。字典在词袋模型中起着关键性作用，直观上视觉单词之间有着高度的相关性，某些视觉单词在分类中可能属于同一类别，而某些视觉单词的出现频率也影响着其他视觉单词的出现频率。基于词袋模型的图像分类框架主要由以下三步组成：(1)对图像进行底层特征的抽取；(2)通过对底层特征分析学习一个过完备的字典；(3)利用字典对底层特征进行编码以获取更有判别力的特征用以分类任务。
技术实现思路
专利技术目的：本专利技术为了解决现有技术中的问题，提出了基于形态学特征和字典学习的高光谱图像分类方法。
技术实现思路
：本专利技术公开了一种基于形态学特征和字典学习的高光谱图像分类方法，包含如下步骤：对含有待分类像素点的高光谱图像进行以下步骤1～步骤3的处理；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。对于AVIRIS Indian Pines数据集来说，本专利技术中选择1000个像素点作为训练数据集，其余19336个像素点作为待分类数据集；对于HYDICEWashington DC MALL数据集而言，本专利技术中选择777个像素点作为训练数据集，其余19204个像素点作为待分类数据集；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(即得到支持向量机中的参数权重向量值和偏移向量值)；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。其中，步骤1包括如下步骤：步骤1-1，输入含有待分类像素点的高光谱图像I，采用核主成分分析方法将高光谱图像I分析，并提取前d个主成分，获得以主成分为数据的d张图像[I1,...,Id]，其中，Id表示第d张成分图像，d在本专利技术中优选13。步骤1-2，对每一个成分图像Ii,i＝1,2,...d，定义n种大小的滑动窗口，称为结构元素，其中n在本专利技术中优选为5，通过如下公式计算每一个成分图像Ii的形态学剖面特征MP(Ii)：其中，表示成分图像Ii的第k个开形态学剖面特征，开形态学剖面是利用不同大小的结构元素对同一幅成分图像使用开运算获得的，就是开运算操作，其中R是指实数域，它是一系列膨胀操作接腐蚀操作的结果。膨胀和腐蚀操作是数学形态学中最基本的两种操作。类似的，表示成分图像Ii的第k个闭形态学剖面特征，闭形态学剖面是利用不同大小的结构元素对同一幅成分图像使用闭运算获得的，为闭运算操作，它与开运算相反，是由一系列腐蚀运算接膨胀运算后得到。步骤1-3，将每一个成分图像中计算得到的形态学剖面特征顺序排列就得到该高光谱图像的扩展形态学特征F：F＝EMP(I)＝{MP(I1),...,MP(Id)本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：杨育彬，王喆正，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32