基于K最近邻滤波的高光谱图像分类方法技术
【技术实现步骤摘要】
基于K最近邻滤波的高光谱图像分类方法
本专利技术属于图像处理
，具体涉及一种基于K最近邻滤波的高光谱分类方法。
技术介绍
20世纪60年代，遥感成像技术得到了快速发展，光谱分辨率不断的提高，从黑白成像，彩色摄影，到多光谱扫描成像，再到1980年，高光谱遥感成像技术诞生。高光谱遥感利用很窄而连续的光谱通道(一般波段宽小于10nm)对地物持续遥感成像的技术，其与常规遥感的主要区别是，高光谱成像光谱仪能为每个像元提供数十个至数百个窄波段的光谱信息，每个像元都能产生一条完整和连续的光谱曲线。高光谱图像实质上是一个三维的数据矩阵。高光谱图像包含地物目标的二维空间几何和一维的光谱信息，将成像技术和光谱技术相结合，实现了图谱合一。正因为高光谱图像具有图谱合一的特点，包含更多地物的特征信息，对于分析地球地物信息有明显的优势，所以在很多方面都有重大应用价值。在海洋遥感方面，高光谱图像不仅可以用于海水中叶绿素的浓度某些污染物和表层水温的探测，也可以用于海冰，海岸带等的探测。在植被研究方面，有很多成功的实例，如作物类别识别，森林树种识别和植物荒漠化研究。另外，还可利用高光谱图像定...
【技术保护点】
一种基于K最近邻滤波的高光谱分类方法，其特征在于，包括如下过程：(1)支持向量机对高光谱图像进行粗分类：利用支持向量机分类器，根据光谱信息，对高光谱图像进行粗分类，得到各个类别的初始概率图；(2)主成分分析法对高光谱图像进行降维：主成分分析法降维得到第一主成分图像，第一主成分更好地保留了高光谱图像的光谱信息和空间信息，将其作为用于引导滤波的图像；(3)K最近邻滤波：基于K最近邻的滤波器在第一主成分图像的引导下，对每一幅不同类别的初始概率图进行滤波，得到优化后的概率图；(4)获取高光谱图像的分类结果：根据滤波后的优化概率图，得到每个像元的类别概率，类别概率最大的，就给像元分配...
【技术特征摘要】
1.一种基于K最近邻滤波的高光谱分类方法，其特征在于，包括如下过程：(1)支持向量机对高光谱图像进行粗分类：利用支持向量机分类器，根据光谱信息，对高光谱图像进行粗分类，得到各个类别的初始概率图；(2)主成分分析法对高光谱图像进行降维：主成分分析法降维得到第一主成分图像，第一主成分更好地保留了高光谱图像的光谱信息和空间信息，将其作为用于引导滤波的图像；(3)K最近邻滤波：基于K最近邻的滤波器在第一主成分图像的引导下，对每一幅不同类别的初始概率图进行滤波，得到优化后的概率图；(4)获取高光谱图像的分类结果：根据滤波后的优化概率图，得到每个像元的类别概率，类别概率最大的，就给像元分配该类别的标记，得到最后的分类结果。2.根据权利要求1所述的基于K最近邻滤波的高光谱分类方法，其特征在于，步骤(1)按照如下步骤进行：令一幅d维的高光谱图像x＝(x1，...xi)∈Rd×i和τ个标记训练样本Tτ≡{(x1，y1)，...，(xi，yi)，...，(xτ，yτ)}∈(Rd×Lc).其中xi为高光谱图像第i个像元点，yi为高光谱像元i的类别标识，Rd表示高光谱图像的维数为d,Lc＝{1，...，L}是各个类别的标记，L是类别的总数；(a):首先，利用高光谱图像的标记训练样本对支持向量机进行训练：其训练的过程可以转化为解决如下最优化问题得到支持向量机模型的最佳参数：其中，αi为支持向量机的模型参数，xi为高光谱图像第i个像元点，yi为高光谱像元点i的标识，N为有标识像元点的个数；核函数K(xi，xj)把低维特征空间的点乘映射到高维空间的点乘，实现了特征向量在高维空间线性可分，核函数采用高斯径向基核函数(RBF核函数)；K(xi，x)＝exp(-γ||xi-x||2)参数γ为高斯径向基核函数的宽度参数，控制了函数的径向作用范围；(b):接着，利用训练好的支持向量机对高光谱图像进行分类，其分类的相应的决策函数为通过决策函数可以得到高光谱图像的初始概率图P，其中b为决策函数的偏移量。3.根据权利要求1所述的基于K最近邻滤波的高光谱分类方法，其特征在于步骤(3)按照如下步骤进行：(a)首先，定义高光谱图像包含光谱信息和空间信息的特征向量f(x)：f(x)＝(I(i)，λ·l(i)，λ·h(i))其中I(i)代表高光谱图像像元i的像素值，I(i)和h(i...
【专利技术属性】
技术研发人员：黄坤山，王华龙，李志鹏，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：广东,44
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。