基于信息测度的高光谱图像分类方法技术

本发明专利技术提供了基于信息测度的高光谱图像分类方法，包括如下步骤：应用熵和颜色匹配函数对高光谱图像中的光谱带进行初步选择；计算初步选择后光谱带之间的互信息，选择互信息最小的光谱带，完成二次选择；提取二次选择后光谱带的空谱信息；将所述空谱信息输入至CNN模型，输出分类结果与图像。本发明专利技术基于信息测度的高光谱图像分类方法有良好的分类表现，对高度相似的地物信息分类准确率高，而在样本充足数据集上的分类性能更加突出。

Hyperspectral image classification method based on information measure

The invention provides a hyperspectral image classification method based on information measure, which comprises the following steps: applying entropy and color matching function to preliminarily select the spectral band in the hyperspectral image; calculating the mutual information between the initially selected spectral bands, selecting the spectral band with the smallest mutual information, and completing the secondary selection; extracting the spatial spectral information of the spectral band after the secondary selection; and converting the spatial spectral information Input information to CNN model, output classification results and images. The hyperspectral image classification method based on the information measure of the invention has good classification performance, high classification accuracy for highly similar ground feature information, and more prominent classification performance on the sample sufficient data set.

【技术实现步骤摘要】
基于信息测度的高光谱图像分类方法
本专利技术涉及高光谱图像处理
，特别涉及基于信息测度的高光谱图像分类方法。
技术介绍
近年来，高光谱图像(HyperspectralImage,HSI)分析在各领域的应用十分广泛，如应用于土地覆盖分类与变化监测、环境科学和矿物开发等。高光谱传感器通过捕获数以百计连续窄谱带上的二维地面空间图像，产生了包含光谱信息和空间信息的三维高光谱图像。高光谱传感器提供许多传统光谱传感器无法提供的连续光谱曲线，其波段横跨可见光到红外光，包含丰富的光谱信息。虽然高光谱图像丰富的光谱信息和空间信息有利于对地面目标进行分类，但在实际应用中也面临着一定的困难：高光谱图像具有高维度和高信息冗余的典型特征，与普通图像相比包含的信息量更加庞大，导致在分类中对某个像元进行处理的运算量较大，因此需要先对高光谱图像进行降维预处理。目前，主成分分析(PrincipalComponentAnalysis,PCA)已成为常用的将高维数据降成低维的方法。但仅提取空间特征或光谱特征无法充分融合空间信息和光谱信息，而空谱信息的融合对于提高高光谱图像的分类准确率十分必要。因此，如何提供一种在正常样本量下对高度相似的地物信息分类准确率高、误分类信息少的高光谱图像分类方法是本领域技术人员亟需解决的问题。
技术实现思路
本专利技术提供了基于信息测度的高光谱图像分类方法，提出了提出基于信息测度降维的CNN分类方法(IM)，以及在信息测度降维的基础上加强与光谱信息融合的CNN分类方法(IM_SPE)，对各类地物分类结果与真实地物信息一致性高，说明了在大数据集上分类的稳定性和准确性。具体方案如下：基于信息测度的高光谱图像分类方法，包括如下步骤：步骤一，应用熵和颜色匹配函数对高光谱图像中的光谱带进行初步选择；步骤二，计算初步选择后光谱带之间的互信息，选择互信息最小的光谱带，完成二次选择；步骤三，提取二次选择后光谱带的空谱信息；步骤四，将所述空谱信息输入至CNN模型，输出分类结果与图像。优选的，所述步骤一具体包括：计算高光谱图像每个光谱带的熵；计算每个光谱带的熵的局部平均值；保留熵处于局部平均值上下浮动阈值因子范围内的光谱带；利用CMF颜色匹配函数进行光谱带筛选。优选的，利用CMF颜色匹配函数进行光谱带筛选包括：获取固定波段内光谱带中的CMF颜色匹配系数，采用自动阈值方法定义CMF系数最优阈值：其中，是通过对CMF进行阈值处理而丢弃的通道集合，为的互补集合，是通过上述推导得到的丢弃光谱带的总熵，是所选光谱带的总熵；根据上式，分别得到对应三原色的三个最优阈值tR,tB,tG.当光谱带中对应三原色CMF颜色匹配系数高于最优阈值时，保留所述光谱带，分别得到三原色的频带选择集合和优选的，步骤二中，遍历和中所有光谱的组合，挑选出第3阶归一化互信息最小的三个光谱。优选的，所述步骤二之后，还包括，利用图像假彩色合成方法将二次选择的光谱带进行基于信息测度的假彩色合成，得到假彩色图像，用于对地物目标信息的预判，以及与CNN分类后的结果进行对比验证。优选的，所述步骤三之后，还包括：获取二次选择的光谱带的灰度图像；将每个灰度图像分解成多个patch，提取patch中心像元在高光谱图像所有光谱带上的全部光谱信息；通过对光谱信息组合、截取、变形、叠加，输出与二次选择后光谱带的空谱信息同样形状与大小的信息。优选的，步骤四为将叠加后输出的信息与步骤三的空谱信息堆叠输入CNN模型训练，输出分类结果与图像。利用图像假彩色合成方法将二次选择的光谱带进行基于信息测度的假彩色合成，得到假彩色图像，用于对地物目标信息的预判，以及与CNN分类后的结果进行对比验证。本专利技术相较现有技术具有以下有益效果：本专利技术公开提供了基于信息测度的高光谱图像分类方法，提出了基于信息测度降维的高光谱图像分类方法(IM)，应用熵和颜色匹配函数对谱带初步选择，再计算最小互信息对谱带二次选择，有效实现了对高光谱图像降维。并通过对选出谱带合成假彩色图像，实现了对地物信息的可视预判。相对于基于光谱信息的分类方法，IM方法的总分类准确率至少提高了7％。相对于基于空间信息的分类方法和融合光谱与第一主成分空间信息的分类方法，IM方法总分类准确率至少提高了4％。在此基础上，又提出基于信息测度降维与光谱信息加强的分类方法(IM_SPE)，进一步融合空谱信息输入卷积神经网络，获得比基于前三主成分空谱信息分类方法和IM方法更高的分类准确率，该方法通过巧妙的降维在一定程度上解决了光谱信息冗余的问题，并且利用空谱融合得到了更好的分类效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术基于信息测度的高光谱图像分类方法流程图；图2为本专利技术高纬数据集不相关光谱带的排除示意图；图3为本专利技术波长360nm到830nm之间的CIE1931颜色匹配曲线；图4为本专利技术红光CMF系数变化曲线及阈值设置示意图；图5为本专利技术红、绿、蓝三色加色假彩色合成示意图；图6为本专利技术基于信息测度的高光谱图像分类模型；图7为本专利技术基于信息测度降维与光谱信息加强的高光谱图像分类流程图；图8为本专利技术基于信息测度降维与光谱信息加强的CNN分类模型；图9为本专利技术实施例Salinas数据集地物真实标记图；图10为本专利技术实施例PaviaCenter数据集地物真实标记；图11为本专利技术实施例基于信息测度所选三个谱带的灰度图生成的假彩色图像一；图12为本专利技术实施例基于信息测度所选三个谱带的灰度图生成的假彩色图像二；图13为本专利技术实施例SPE、PCA1、PCA1_SPE、PCA3、IM和IM_SPE方法在Salinas数据集上的分类结果图；图14为本专利技术实施例SPE、PCA1、PCA1_SPE、PCA3、IM和IM_SPE方法在PaviaCenter数据集分类结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。谱带选择是指选择具有相关信息的谱带图像，本实施例的主要思路是将熵和互信息作为谱带选择的标准，以实现高光谱图像降维和下一步分类。首先，应用香农熵来测量图像信息，计算熵信息来评价每个波段或波长间隔中包含的信息，设置阈值以排除不相关的光谱带，并结合颜色匹配函数来完成光谱带的初步选择。其本文档来自技高网...

【技术保护点】
1.基于信息测度的高光谱图像分类方法，其特征在于，包括如下步骤：/n步骤一，应用熵和颜色匹配函数对高光谱图像中的光谱带进行初步选择；/n步骤二，计算初步选择后光谱带之间的互信息，选择互信息最小的光谱带，完成二次选择；/n步骤三，提取二次选择后光谱带的空谱信息；/n步骤四，将所述空谱信息输入至CNN模型，输出分类结果与图像。/n

【技术特征摘要】
1.基于信息测度的高光谱图像分类方法，其特征在于，包括如下步骤：
步骤一，应用熵和颜色匹配函数对高光谱图像中的光谱带进行初步选择；
步骤二，计算初步选择后光谱带之间的互信息，选择互信息最小的光谱带，完成二次选择；
步骤三，提取二次选择后光谱带的空谱信息；
步骤四，将所述空谱信息输入至CNN模型，输出分类结果与图像。


2.根据权利要求1所述的基于信息测度的高光谱图像分类方法，其特征在于，所述步骤一具体包括：
计算高光谱图像每个光谱带的熵；
计算每个光谱带的熵的局部平均值；
保留熵处于局部平均值上下浮动阈值因子范围内的光谱带；
利用CMF颜色匹配函数进行光谱带筛选。


3.根据权利要求2所述的基于信息测度的高光谱图像分类方法，其特征在于，利用CMF颜色匹配函数进行光谱带筛选包括：
获取固定波段内光谱带中的CMF颜色匹配系数，采用自动阈值方法定义CMF系数最优阈值：



其中，是通过对CMF进行阈值处理而丢弃的通道集合，为的互补集合，是通过上述推导得到的丢弃光谱带的总熵，是所选光谱带的总熵；根据上式，分别得到对应三原色的三个最优阈值tR,tB,tG.
当光谱带中对应三原色CMF颜色匹配系数高于最优阈值时，保留所述光谱带，分别得到三原色的频带选择集合和

【专利技术属性】
技术研发人员：林连雷，陈采璐，张珊珊，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23