基于多流形的多时相高光谱图像分类方法技术

基于多流形的多时相高光谱图像分类方法，本发明专利技术涉及多时相高光谱遥感图像分类方法。本发明专利技术的目的是为了解决如何利用多个时相的互补信息来解决多时相高光谱数据标签获取困难，时相图之间存在明显光谱漂移的问题。具体过程为：一、输入X

Multi temporal hyperspectral image classification method based on manifold

The invention relates to a multi temporal hyperspectral image classification method based on manifold, and relates to a multitemporal hyperspectral remote sensing image classification method. The object of the invention is to solve the problem that there is obvious spectral drift between phase diagrams when multiple time phase complementary data is used to solve the difficulty of acquiring labels of multi temporal hyperspectral data. The specific process is as follows: 1. Input X

【技术实现步骤摘要】
基于多流形的多时相高光谱图像分类方法
本专利技术涉及多时相高光谱遥感图像分类方法。
技术介绍
随着光学传感器和分光技术的发展，在多光谱遥感成像技术的基础上高光谱遥感成像技术得到快速的发展。高光谱成像技术综合了成像技术和光谱技术，能够同时记录待探测区域的空间结构信息和丰富的光谱信息，并且随着遥感技术的发展，如今可以提供大面积区域，具有空间上和时间上序列性，用于地物感知和监测的高光谱多时相图像数据。多时相高光谱图像使得多时相分析，多角度研究，精准的地物改变探测成为可能。然而为每一幅时相图都提供充足标签信息实现精确的分类是不现实的，尤其是这些图像的类别在空间上不一致的时候。因此我们常常只能依赖单个时相的地物真值图来处理多个时相的数据。多时相的高光谱数据分类主要面临三个主要问题：1、波段数不断增多，导致信息的冗余和数据处理复杂度的增加；2、高光谱图像有标签样本获取十分不易，需要消耗大量的人力、物力而且耗时；3、多时相高光谱图像中可能会有光谱漂移的现象，导致来自不同时相的图像数据有不可靠的光谱相似性。现有的利用流形对准框架的多时相分类方法大多只考虑了两个时相图，如典型的半监督的流形对准方法，基于流形学习的多时相分类方法而忽略了多个时相之间可能存在的信息互补。
技术实现思路
本专利技术的目的是为了解决如何利用多个时相的互补信息来解决多时相高光谱数据标签获取困难，时相图之间存在明显光谱漂移的问题，而提出基于多流形的多时相高光谱图像分类方法。基于多流形的多时相高光谱图像分类方法具体过程为：步骤一、输入源图像1、源图像2和目标图像中样本的光谱矩阵Xs1,Xs2,Xt和它们的空间坐标L1,L2,L3，以及Xs1,Xs2各行相应类别标签向量Y1，Y2；步骤二、计算Xs1、Xt的空谱距离矩阵d13，Xs2、Xt的空谱距离矩阵d23，Xs1、Xs2的空谱距离矩阵d12,源图像中的每一类样本都在目标图像中选择空谱距离最小的k个样本，得到三组需要匹配的数据对；步骤三、计算Xs1、Xs2、Xt的测地距离矩阵Ds1,s1、Ds2,s2、Dt,t，以及利用三组需要匹配的数据对得到不同时相图的光谱的距离矩阵Ds1,s2、Ds1,t、Ds2,t；步骤四、调整Xs2,Xt的数据尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t构建多流形的距离矩阵D；步骤五、将Xs1,D输入到保持全局几何结构的流形对准模型中，获得Xs1,在对准空间的线性映射矩阵α1,α2,β,从而得到投影fs1,fs2,ft；步骤六、利用fs1,fs2和Xs1各行相应类别标签向量Y1，以及各行相应类别标签向量Y2通过KNN分类模型对ft进行分类，获得目标时相的分类标签。本专利技术的有益效果为：本专利技术结合多个有标签的时相高光谱图像来分类一个无标签的时相高光谱图像，实现了对明显存在光谱漂移的目标时相高光谱图像的分类。算法主要针对现在时相图像的获取越来越容易，对时相数据进行分析时，想要获得每一个时相图的标签需要耗费许多的人力，物力并且十分的耗时，并且在时相图存在明显光谱漂移的情况下，直接用一个时相上的标签来训练分类另一个时相数据的分类结果不可靠的问题，本专利技术利用多个时相图间存在的信息互补，基于保持全局几何结构的对准框架，在两个以上的时相图情况下，将多个图像投影到共同的低维空间，结合图像的空间和光谱信息来实现多时相高光谱的分类。为了验证本专利技术所提出的方法的性能，针对在不同时间获得的三幅EO-1卫星Hyperion高光谱图像进行了验证。Hyperion传感器能够获取400到2500nm宽10nm的224个波段，空间分辨率30m的图像，研究中去掉了噪声较多的波段，利用了剩余的198个波段，每幅图像一共包含7个相同的类。源图像1取自2011年美国南达科他州布鲁金斯市的3月份的数据，源图像2为同一地理区域5月份的数据，目标图像为同一地理区域6月份的高光谱图像。实验结果验证了本专利技术提出的基于多流形的保持全局几何结构的流形对准算法的有效性。在如附表1所示的数据样本上，本专利技术方法的解法一Kappa系数达到0.924，总体分类精度达到左右93.9。附图说明图1是在三幅时相高光谱图像下，本专利技术的实现流程示意图；图2a是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市3月份时相数据假彩色合成图，大小为126x82；图2b是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市3月份时相数据地物真实图，大小为126x82；图3a是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市5月份时相数据假彩色合成图，大小为126x82；图3b是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市5月份时相数据地物真实图，大小为126x82；图4a是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市6月份时相数据假彩色合成图，大小为126x82；图4b是EO-1卫星的Hyperion传感器获得的美国南达科他州布鲁金斯市6月份时相数据地物真实图，大小为126x82；图5是四种分类方法，分别是直接在原始空间中，经过保持局部几何结构的流形对准方法，两个时相上的基于空谱特征保持全局几何结构的流形对准方法，以及本专利技术基于多流形的保持全局几何结构的流形对准算法的两种解法，利用表1中的3月份有标签样本和5月份的标签样本来分类表1中的6月份无标签的样本的kappa系数示意图。具体实施方式具体实施方式一：结合图1说明本实施方式，本实施方式的基于多流形的保持全局几何结构的流形对准算法，具体过程为：步骤一、输入源图像1、源图像2和目标图像中样本的光谱矩阵Xs1,Xs2,Xt和它们的空间坐标L1,L2,L3，以及Xs1,Xs2各行相应类别标签向量Y1，Y2；步骤二、计算Xs1、Xt的空谱距离矩阵d13，Xs2、Xt的空谱距离矩阵d23，Xs1、Xs2的空谱距离矩阵d12,源图像中的每一类样本都在目标图像中选择空谱距离最小的k个样本，得到三组需要匹配的数据对；步骤三、计算Xs1、Xs2、Xt的测地距离矩阵Ds1,s1、Ds2,s2、Dt,t，以及利用三组需要匹配的数据对得到不同时相图的光谱的距离矩阵Ds1,s2、Ds1,t、Ds2,t；步骤四、调整Xs2,Xt的数据尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t构建多流形的距离矩阵D；步骤五、将Xs1,D输入到保持全局几何结构的流形对准模型中，获得Xs1,在对准空间的线性映射矩阵α1,α2,β,从而得到投影fs1,fs2,ft；步骤六、利用fs1,fs2和Xs1各行相应类别标签向量Y1，以及各行相应类别标签向量Y2通过KNN分类模型对ft进行分类，获得目标时相的分类标签。所述光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中计算Xs1、Xt的空谱距离矩阵d13，Xs2、Xt的空谱距离矩阵d23，Xs1、Xs2的空谱距离矩阵d12,源图像中的每一类样本都在目标图像中选择空谱距离最小的k个样本，得到三组需要匹配的数据对具体过程为：d12＝d12spectral·d12spatiald13＝本文档来自技高网...

【技术保护点】
基于多流形的多时相高光谱图像分类方法，其特征在于：基于多流形的多时相高光谱图像分类方法，具体过程为：步骤一、输入源图像1、源图像2和目标图像中样本的光谱矩阵X

【技术特征摘要】
1.基于多流形的多时相高光谱图像分类方法，其特征在于：基于多流形的多时相高光谱图像分类方法，具体过程为：步骤一、输入源图像1、源图像2和目标图像中样本的光谱矩阵Xs1,Xs2,Xt和Xs1,Xs2,Xt的空间坐标L1,L2,L3，以及Xs1,Xs2各行相应类别标签向量Y1，Y2；步骤二、计算Xs1、Xt的空谱距离矩阵d13，Xs2、Xt的空谱距离矩阵d23，Xs1、Xs2的空谱距离矩阵d12,源图像中的每一类样本都在目标图像中选择空谱距离最小的k个样本，得到三组需要匹配的数据对；步骤三、计算Xs1、Xs2、Xt的测地距离矩阵Ds1,s1、Ds2,s2、Dt,t，以及利用三组需要匹配的数据对得到不同时相图的光谱的距离矩阵Ds1,s2、Ds1,t、Ds2,t；步骤四、调整Xs2,Xt的数据尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t构建多流形的距离矩阵D；步骤五、将Xs1,D输入到保持全局几何结构的流形对准模型中，获得Xs1,在对准空间的线性映射矩阵α1,α2,β,从而得到投影fs1,fs2,ft；步骤六、利用fs1,fs2和Xs1各行相应类别标签向量Y1，以及各行相应类别标签向量Y2通过KNN分类模型对ft进行分类，获得目标时相的分类标签。2.根据权利要求1所述基于多流形的多时相高光谱图像分类方法，其特征在于：所述步骤二中计算Xs1、Xt的空谱距离矩阵d13，Xs2、Xt的空谱距离矩阵d23，Xs1、Xs2的空谱距离矩阵d12,源图像中的每一类样本都在目标图像中选择空谱距离最小的k个样本，得到三组需要匹配的数据对具体过程为：d12＝d12spectral·d12spatiald13＝d13spectral·d13spatiald23＝d23spectral·d23spatial其中s1为源图像1，s2为源图像2，t表示目标图像，xs1i表示源图像1的第i个样本，xs2i表示源图像2的第i个样本，xs2j表示源图像2的第j个样本，xtj为目标图像第j个样本，zs1i表示源图像1第i个样本的空间坐标，zs2j表示源图像2第j个样本的空间坐标，zs2i表示源图像2第i个样本的空间坐标，ztj为目标图像第j个样本的空间坐标，i、j取值范围正整数；和分别表示源图像1和源图像2在光谱上和空间上的高斯相似性度量；d13spectral为源图像1和目标图像在光谱上的相似性度量，d13spatial为源图像1和目标图像在空间上的相似性度量，d23spectral为源图像2和目标图像在光谱上的相似性度量，d23spatial为源图像2和目标图像在空间上的相似性度量，σspectral,σspatial分别表示光谱上和空间上的高斯权重参数；源图像中的每一类样本都在目标图像中选择空谱距离最小的k个样本，得到三组需要匹配的数据对为Xs1中选择的匹配的数据，共计源图像中类别数×k个；ai为匹配数据中第ai个，为Xt中选择的匹配的数据，共计源图像中类别数×k个；bi为匹配数据中第bi个，为Xs2中选择的匹配的数据，共计源图像中类别数×k个；为Xs2中选择的匹配的数据，共计源图像中类别数×k个。3.根据权利要求2所述基于多流形的多时相高光谱图像分类方法，其特征在于：所述步骤三中计算Xs1、Xs2、Xt的测地距离矩阵Ds1,s1、Ds2,s2、Dt,t，以及利用三组需要匹配的数据对得到不同时相图的光谱的距离矩阵Ds1,s2、Ds1,t、Ds2,t；具体过程为：步骤三一、计算源图像和目标图像各自的测地距离Ds1,s1,Ds2,s2,Dt,t；步骤三二、利用三组需要...

【专利技术属性】
技术研发人员：谷延锋，张美玲，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23