一种基于多尺度超像元分割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多尺度超像元分割的高光谱图像分类方法，包括：设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；将原始图像与超像元分割图像集合进行光谱‑空间特征融合获得多组融合图像；采用支持向量机对每组融合图像进行分类得到分类图像集合；采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。该方法作为一种融合光谱‑空间信息的分类模型，可以有效地解决因单一分割尺度所导致的类别精度分布不均等问题，在高光谱图像地表精细分类等方面具有重要的应用价值。

A hyperspectral image classification method based on multi-scale super pixel segmentation

The invention discloses a hyperspectral image classification method based on multi-scale super-pixel segmentation, which includes: setting a multi-scale processing framework model, using a simple linear iterative clustering algorithm to segment the super-pixel to obtain a set of super-pixel segmented images; fusing the spectral \u2011 spatial features of the original image and the set of super-pixel segmented images to obtain a set of fused images; adopting the support direction Each group of fused image is classified by the measurement machine to get the classified image set, and the final classification result is obtained by decision-making fusion of the classified image set by the main voting method. As a classification model of spectral spatial information fusion, this method can effectively solve the problem of uneven distribution of classification accuracy caused by a single segmentation scale, and has important application value in hyperspectral image surface fine classification.

【技术实现步骤摘要】
一种基于多尺度超像元分割的高光谱图像分类方法
本专利技术涉及遥感图像处理
，尤其涉及一种基于多尺度超像元分割的高光谱图像分类方法。
技术介绍
高光谱遥感是遥感对地观测领域中的一项前沿技术，其特点是既能成像，又能测谱。其图像数据是一个三维的数据立方体，包含丰富的光谱和空间信息，在遥感图像分类等应用领域带了新的技术突破和发展前景。近年来，结合光谱和空间信息的高光谱图像分类框架得到了广泛的应用，但是目前大多数方法主要采用空间信息后处理的方式，侧重于使用空间信息对光谱信息的处理结果进行调整和修正，并没有将具有高度一致性的局部光谱和空间信息作为一个整体来进行考虑和处理。针对这一现状，面向对象的图像分类框架带了新的研究思路，即在图像分割的基础上再进行图像分类，从而将分类的基本单元转换为融合了光谱和空间特征的图像对象，而不再是单个像元，从而实现分类效果的提升。因此这类方法的核心是图像分割，目前应用效果稳定且快速有效的是超像元分割，但是在应用超像元分割于高光谱图像分类时，面临的一个主要问题是受到地物不同空间尺寸和分布的影响，超像元分割的尺度难以确定，即单一尺度的超像元分割会带来类别精度分布不均等问题。
技术实现思路
根据现有技术存在的问题，本专利技术公开了一种基于多尺度超像元分割的高光谱图像分类方法，具体包括如下步骤：设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；将原始图像与超像元分割图像集合进行光谱-空间特征融合获得多组融合图像；采用支持向量机对每组融合图像进行分类得到分类图像集合；采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。所述采用简单线性迭代聚类算法SLIC对超像元进行分割时具体采用如下方式：在原始图像中选取若干个聚类中心，计算并衡量不同像元距各个聚类中心的距离，将各像元关联至距离最近的聚类中心生成不同的聚类簇，计算每个聚类簇的均值向量，将该均值向量更新为各聚类簇的新聚类中心，当新聚类中心与原聚类中心位置一致时，则完成分割，否则返回进行下一次象元间的距离衡量和聚类，完成新的聚类中心更新，如此循环最终输出分割结果图像。采用简单线性迭代聚类算法SLIC在衡量像元间的距离时，其中衡量的搜索范围是在各个超像元定义的局部区域范围内，其中像元间的距离计算方式为：其中Dspectral表示光谱距离项，具体定义为：其中和表示像元xi和xj在第b个波段的值，B表示波段总数；其中Dspatial表示空间距离项，具体定义为：其中(ai,bi)和(aj,bj)表示像元xi和xj在超像元中的位置，公式(1)中，m是平衡空间和颜色信息的比重参数，d＝N/C表示分割尺度参数，N表示像元总数，C表示超像元尺寸参数。进一步的，通过设定像元间的距离计算方式中不同的分割尺度参数d设计多尺度处理框架模型。即通过设定公式(1)中不同的分割尺度d来实现的，为了配合下述过程中的“主投票法”的判定准则和过分割原则，通常设定奇数个分割尺度，避免投票时出现票数相同的情况。进一步的，公式(3)中采用支持向量机(SupportVectorMachine,SVM)对每个尺度下融合后的图像进行分类，对于任意像元xi，SVM的判别函数为：其中yi∈{-1,1}表示类别标签，当xi属于类别k时，满足且其中c∈[1,K]且c≠k，sgn(·)定义了一个符号函数，返回值为参数的正负，n表示训练样本数量，0≤αj≤C表示软间隔参数，b定义了偏移量。所述将原始图像与超像元分割图像集合进行光谱-空间特征融合时过计算分割图像中每块超像元对应原图位置的像元的均值向量，将该均值向量作为融合后图像中对应位置的像元值，从而完成光谱-空间特征的融合。所述主投票法的方式为：统计各尺度分类结果图像中各像元位置出现次数最多的类别，其中主投票法的具体表示形式为：其中mod是众数函数，表示将中出现次数最多的类别赋值给yi。由于采用了上述技术方案，本专利技术提供的一种基于多尺度超像元分割的高光谱图像分类方法，该方法基于高光谱图像局部光谱和空间信息所具有的高度一致特性，重点针对基于超像元分割的分类方法中，因不同类别地物的空间尺度和分布等影响，导致分割尺度难以确定等问题，设计了一种多尺度的超像元分割处理框架，在各个尺度下，首先分别进行超像元分割，根据获取的超像元图像集合与原始图像进行光谱和空间特征的融合，再采用支持向量机模型对融合后的图像集合进行分类，得到分类图像集合，最后通过“主投票法”的决策融合方式判定并得到最终的分类结果图像。该方法作为一种融合光谱-空间信息的分类模型，可以有效地解决因单一分割尺度所导致的类别精度分布不均等问题，在高光谱图像地表精细分类等方面具有重要的应用价值。附图说明为了更清楚地说明本申请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申请中记载的一些实施例，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，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种基于多尺度超像元分割的高光谱图像分类方法的具体技术流程图；图2a-图2b为本专利技术中AVIRISIndianPines数据集假彩色合成图像以及地面参考信息图像；图3为本专利技术中AVIRISIndianPines数据集多尺度超像元分割图像；图4为本专利技术中光谱-空间特征融合原理示意图；图5为本专利技术中“主投票法”决策融合原理示意图；图6为本专利技术中AVIRISIndianPines数据集分类结果图像；图7a-图7c为本专利技术中ROSISUniversityofPavia数据集假彩色合成图像、地面参考信息图像和分类结果图像。具体实施方式为使本专利技术的技术方案和优点更加清楚，下面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的描述：如图1所示的一种基于多尺度超像元分割的高光谱图像分类方法，通过调整超像元分割算法中的尺度参数，设定多尺度的并行处理框架，在各尺度下分别融合光谱和空间特征，采用支持向量机模型得到多组分类结果，通过决策融合得到最终分类结果。具体包括以下步骤：(1):设定多尺度处理框架，分别进行超像元分割，得到分割图像集合；(2):原始图像与超像元图像集合分别进行光谱-空间特征融合；(3):支持向量机对每组融合后的图像进行分类，得到分类图像集合；(4):主投票法对每组分类结果进行决策融合，得到最终分类结果。实施例：采用两组真实公开的高光谱图像数据集，重点以其中第一组数据AVIRISIndianPines图像为例，说明本专利技术中的具体的实施方式，其中涉及关于分类结果的评价指标定义如下：(1)整体精度(OverallAccuracy,OA)整体精度O本文档来自技高网...

【技术保护点】
1.一种基于多尺度超像元分割的高光谱图像分类方法，其特征在于包括：/n设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；/n将原始图像与超像元分割图像集合进行光谱-空间特征融合获得多组融合图像；/n采用支持向量机对每组融合图像进行分类得到分类图像集合；/n采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。/n

【技术特征摘要】
1.一种基于多尺度超像元分割的高光谱图像分类方法，其特征在于包括：
设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；
将原始图像与超像元分割图像集合进行光谱-空间特征融合获得多组融合图像；
采用支持向量机对每组融合图像进行分类得到分类图像集合；
采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。


2.根据权利要求1所述的方法，其特征还在于：所述采用简单线性迭代聚类算法SLIC对超像元进行分割时具体采用如下方式：
在原始图像中选取若干个聚类中心，计算并衡量不同像元距各个聚类中心的距离，将各像元关联至距离最近的聚类中心生成不同的聚类簇，计算每个聚类簇的均值向量，将该均值向量更新为各聚类簇的新聚类中心，当新聚类中心与原聚类中心位置一致时，则完成分割，否则返回进行下一次象元间的距离衡量和聚类，完成新的聚类中心更新，如此循环最终输出分割结果图像。


3.根据权利要求2所述的方法，其特征还在于：采用简单线性迭代聚类算法SLIC在衡量像元间的距离时，其中衡量的搜索范围是在各个超像元定义的局部区域范围内，其中像元间的距离计算方式为：



其中Dspectral表示光谱距离...

【专利技术属性】
技术研发人员：于浩洋，胡姣婵，宋梅萍，于纯妍，王玉磊，张建祎，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁;21