联合光谱和纹理特征的高光谱遥感影像SVM分类方法及系统技术方案

本发明专利技术公开了一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法及系统，该方法包括以下步骤：S1、输入待分类的原始高光谱影像和地面调查数据样本集；S2、提取原始高光谱影像中对应坐标位置的像元，构成参考数据样本集；S3、为各地物类别随机选取训练样本集；S4、进行主成分变换，提取第一主成分影像；S5、获得区域分割图；S6、获得滤波影像；S7、统计每个分割区域内的光谱特征信息和纹理特征信息；S8、求解支持向量机模型；S9、对原始高光谱影像进行分类，得到分类的高光谱影像；S10、输出分类影像。本发明专利技术提供了联合光谱和纹理特征的新策略，可有效提高高光谱影像分类精度。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法及系统。
技术介绍
与多光谱遥感图像相比，高光谱遥感影像具有更加丰富的光谱和空间信息，这些信息能够准确反映不同地物类别之间的属性差异，并实现地物精确提取和识别，为更高精度的高光谱遥感影像分析与应用奠定良好基础。然而，高光谱影像维数高、波段相关性大、存在噪声以及独特的非线性特征等图像特征，给高光谱遥感影像分析与处理带来了巨大挑战。传统的高光谱遥感影像分类方法通常仅利用像元光谱特征来进行地物分类，而未考虑影像中所蕴含丰富的空间信息，如空间结构信息、像素位置和距离信息等。这些研究方法获得的分类精度已经到达瓶颈、难以继续提高。与传统基于像素的高光谱影像分类方法相比较，在结合高光谱影像自身的光谱特征和空间信息(包括影像的纹理信息、空间结构信息、地物尺寸信息、地物轮廓信息、空间分布信息等)的基础上，联合光谱和空间信息的高光谱影像分类方法能够进一步提高影像的分类精度，获取包含同质区域更精确的影像分类图，满足制图生产的需要。联合光谱和空间信息进行高光谱遥感影像分类能够：(1)有效减少分类图中呈椒盐分布的类别噪声；(2)揭示像元空间结构和形状特征；(3)识别相同地物类别在空间上不同土地利用类型中的差别。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中未考虑影像中所蕴含丰富的空间信息，且分类精度低的缺陷，提供一种引入光谱直方图统计量来表征不同地物类别之间的纹理特征差异，并建立基于复合核的支持向量机分类器，将光谱信息与纹理特征有机结合起来，提高分类结果同质度和分类精度的联合光谱和纹理特征的高光谱遥感影像SVM分类方法及系统。本专利技术解决其技术问题所采用的技术方案是：本专利技术提供一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法，包括以下步骤：S1、输入待分类的原始高光谱影像，并对该影像进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；S2、获取地面调查数据样本集中所有样本的坐标位置，提取原始高光谱影像中对应坐标位置的像元，构成参考数据样本集；S3、参考数据样本集中包含多个地物类别，依次为各个地物类别随机选取一定数量的参考数据样本作为监督分类的训练样本集；S4、对原始高光谱影像进行主成分变换，并提取第一主成分影像；S5、对第一主成分影像进行基于熵率的超像素分割，获得区域分割图；S6、对第一主成分影像分别进行强度滤波、高斯-拉普拉斯滤波和Gabor滤波处理，获得滤波影像；S7、根据滤波影像，统计区域分割图中每个分割区域内的光谱直方图，得到每个分割区域内的光谱特征信息和纹理特征信息；S8、将训练样本集对应的分割区域内的光谱特征信息和纹理特征信息同时代入复合核函数，求解支持向量机模型；S9、根据复合核函数的支持向量机模型，对原始高光谱影像进行分类，得到分类的高光谱影像；S10、输出分类影像。进一步地，本专利技术的步骤S4中对高光谱图像进行主成分变换的具体步骤为：S41、生成原始光谱坐标中数据的协方差矩阵；S42、求出该协方差矩阵的特征值和特征向量；S43、排列特征值，找到第一、第二及随后的主成分坐标轴；S44、用下式中的特征向量来生成像素在各个主分量上新的灰度值；Y＝GX其中，X和Y分别表示变换前和变换后的光谱空间，根据主成分变换的数学原理，G是X空间的协方差矩阵的特征向量矩阵的转置矩阵；S45、获取光谱空间Y下第一主成分。进一步地，本专利技术的步骤S5中基于熵率的超像素分割具体步骤为：S51、初始化分割区域数目；S52、计算数据项H(A)用来获得同质聚类簇，H(A)由一系列函数组成：其中，A为无向图G的一组边集其中G＝(V,E)，顶点集V表示图像中的所有像素，E表示连接顶点的边集；αi＝wi/wT，wi表示连接第i个顶点边的权重和，表示归一化常数，|v|表示图中顶点总数，pi,j表示转移概率；S53、计算平衡项B(A)，其公式为：其中，zA表示聚类簇的分布；S54、对第一主成分影像进行基于熵率的超像素分割，其计算公式为：其中，λ表示目标函数数据项和平衡项的权重大小，λ>0。进一步地，本专利技术的步骤S6中进行滤波的具体步骤为：S61、对第一主成分影像进行强度滤波，其计算公式如下：S62、初始化高斯-拉普拉斯滤波高斯核标准差；对第一主成分影像进行高斯-拉普拉斯滤波，其计算公式如下：其中，σLoG是LoG滤波器高斯核标准差；S63、初始化滤波方向和Gabor滤波器高斯核标准差；对第一主成分影像进行Gabor滤波，其计算公式如下：其中，θ表示滤波方向，σGabor是Gabor滤波器高斯核标准差，其中比值σGabor/λ设为0.5。进一步地，本专利技术的步骤S7中统计光谱直方图的具体步骤为：S71、对于滤波影像中的一个分割区域W，计算得到一组滤波器{F(α),α＝1,2,...,M本文档来自技高网...

【技术保护点】
一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法，其特征在于，包括以下步骤：S1、输入待分类的原始高光谱影像，并对该影像进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；S2、获取地面调查数据样本集中所有样本的坐标位置，提取原始高光谱影像中对应坐标位置的像元，构成参考数据样本集；S3、参考数据样本集中包含多个地物类别，依次为各个地物类别随机选取一定数量的参考数据样本作为监督分类的训练样本集；S4、对原始高光谱影像进行主成分变换，并提取第一主成分影像；S5、对第一主成分影像进行基于熵率的超像素分割，获得区域分割图；S6、对第一主成分影像分别进行强度滤波、高斯‑拉普拉斯滤波和Gabor滤波处理，获得滤波影像；S7、根据滤波影像，统计区域分割图中每个分割区域内的光谱直方图，得到每个分割区域内的光谱特征信息和纹理特征信息；S8、将训练样本集对应的分割区域内的光谱特征信息和纹理特征信息同时代入复合核函数，求解支持向量机模型；S9、根据复合核函数的支持向量机模型，对原始高光谱影像进行分类，得到分类的高光谱影像；S10、输出分类影像。

【技术特征摘要】
1.一种联合光谱和纹理特征的高光谱遥感影像SVM分类方法，其特征在于，包括以下步骤：S1、输入待分类的原始高光谱影像，并对该影像进行归一化处理；输入与待分类的高光谱影像对应的地面调查数据样本集；S2、获取地面调查数据样本集中所有样本的坐标位置，提取原始高光谱影像中对应坐标位置的像元，构成参考数据样本集；S3、参考数据样本集中包含多个地物类别，依次为各个地物类别随机选取一定数量的参考数据样本作为监督分类的训练样本集；S4、对原始高光谱影像进行主成分变换，并提取第一主成分影像；S5、对第一主成分影像进行基于熵率的超像素分割，获得区域分割图；S6、对第一主成分影像分别进行强度滤波、高斯-拉普拉斯滤波和Gabor滤波处理，获得滤波影像；S7、根据滤波影像，统计区域分割图中每个分割区域内的光谱直方图，得到每个分割区域内的光谱特征信息和纹理特征信息；S8、将训练样本集对应的分割区域内的光谱特征信息和纹理特征信息同时代入复合核函数，求解支持向量机模型；S9、根据复合核函数的支持向量机模型，对原始高光谱影像进行分类，得到分类的高光谱影像；S10、输出分类影像。2.根据权利要求1所述的联合光谱和纹理特征的高光谱遥感影像SVM分类方法，其特征在于，步骤S4中对高光谱图像进行主成分变换的具体步骤为：S41、生成原始光谱坐标中数据的协方差矩阵；S42、求出该协方差矩阵的特征值和特征向量；S43、排列特征值，找到第一、第二及随后的主成分坐标轴；S44、用下式中的特征向量来生成像素在各个主分量上新的灰度值；Y＝GX其中，X和Y分别表示变换前和变换后的光谱空间，根据主成分变换的数学原理，G是X空间的协方差矩阵的特征向量矩阵的转置矩阵；S45、获取光谱空间Y下第一主成分。3.根据权利要求1所述的联合光谱和纹理特征的高光谱遥感影像SVM分类方法，其特征在于，步骤S5中基于熵率的超像素分割具体步骤为：S51、初始化分割区域数目；S52、计算数据项H(A)用来获得同质聚类簇，H(A)由一系列函数组成：H(A)=-ΣiαiΣjpi,j(A)log(pi,j(A))]]>其中，A为无向图G的一组边集...

【专利技术属性】
技术研发人员：王毅，张琰，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42