一种基于三维接收机工作特性曲线的高光谱图像分类评价方法技术

本发明专利技术公开了一种基于三维接收机工作特性曲线的高光谱图像分类评价方法，包括：采用不同的分类器对高光谱图像进行分类得到分类后的软决策概率图，通过不同的阈值τ将软决策概率图转化为硬决策分类图；从信号检测角度将高光谱图像的硬决策分类图转化为目标检测结果图，计算每个阈值τ对应的检测率P

A classification and evaluation method of hyperspectral image based on the working characteristic curve of 3D receiver

【技术实现步骤摘要】
一种基于三维接收机工作特性曲线的高光谱图像分类评价方法
本专利技术涉及高光谱图像分类
，尤其涉及一种基于三维接收机工作特性曲线的高光谱图像分类评价方法。
技术介绍
高光谱图像分类(HSIC)是高光谱成像领域的研究热点，国内外众多学者对此进行了大量的研究，然而在过去的研究中，以下三个问题未受到足够的重视。一是如何解决由软决策分类器产生的部分类成员分配(FCMA)问题。高光谱成像传感器提供了成百上千个相邻光谱波段的光谱信息，高光谱图像可以看作是许多物质光谱组合而成的数据。目前，针对高光谱图像，许多高光谱分类器都可分析出各地物在各像素点处对应的丰度信息，得到分类软概率图。然而，HSIC是一个基于硬决策的类成员分配过程，因此，如何将软决策分类转化为硬决策分类是HSIC中面临的一大挑战。二是HSIC中类别不平衡问题。在高光谱图像中，不同类别的样本数量存在差异，部分类别样本数据量很大，部分类别样本数据量很小。在传统的高光谱分类评价体系中，总体精度(OA)用于衡量正确分类的样本数在总样本数中所占的比例。当类别间样本数目存在较大差异时，将导致数据样本量大的类别其正确分类的数目会对OA值起决定性作用，而数据样本量小的类别对OA值的影响较小。也就是说，当各类别样本数目极不平衡的状况下，传统分类评价准则OA更大程度上是对大类别分类精度的评估，而无法准确体现小类别的分类精度。三是如何将背景(BKG)纳入HSIC。由于背景包含许多未知特征，对数据分析来说非常复杂，因此，现有的HSIC一般是用已知的地物类别标签进行分类，而不考虑背景。传统的分类评价标准，如总体精度(OA)、平均精度(AA)，并没有考虑背景对分类的影响，若将背景也作为图像的一部分进行分类，则传统的评价标准可能无效。因此，针对上述三大问题，探究一种合适的高光谱图像分类评价方法是非常有必要的。
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三维接收机工作特性曲线的高光谱图像分类评价方法，具体包括如下步骤：采用不同的分类器对高光谱图像进行分类得到分类后的软决策概率图，通过不同的阈值τ将软决策概率图转化为硬决策分类图；从信号检测角度将高光谱图像的硬决策分类图转化为目标检测结果图，计算每个阈值τ对应的检测率PD和虚警率PF，生成基于(PD,PF,τ)的三维接收机工作特性曲线(3DROC)；根据3DROC曲线分别生成基于(PD,PF)、(PD,τ)和(PF,τ)的三个二维接收机工作特性曲线(2DROC)，设计多准则打分机制评价不同分类器分类性能的优良。进一步的，通过不同的阈值τ将软决策概率图转化为硬决策分类图时：通过阈值τ将软决策概率图Mapsoft(r)转化为一个硬决策分类图Maphard(r)：其中，X表示高光谱图像数据，τ为阈值，0≤τ≤1，FCMA(X,τ)代表将软决策概率图转化为硬决策分类图的过程，r代表高光谱图像中的像素点。进一步的，将高光谱图像的硬决策分类图转化为目标检测结果图时：将信号检测问题表述为二元假设检验问题，在高光谱分类中，二元假设检验问题描述如下：其中，假设H0和H1分别表示背景类和信号类，p0(y)和p1(y)分别为控制假设H0和H1的概率密度函数。进一步的，计算每个阈值τ对应的检测率PD和虚警率PF，生成基于(PD,PF,τ)的三维接收机工作特性曲线(3DROC)：(PD,PF)＝δ(FCMA(X,τ),gt)(3)X表示高光谱图像数据，τ为阈值，0≤τ≤1，FCMA(X,τ)代表将软决策概率图转化为硬决策分类图的过程，gt表示地物类别标签，δ表示产生对应阈值τ的PD和PF的过程。进一步的，生成基于(PD，τ)的2DROC曲线用于评价分类器对大、小类的分类精度，其中，参数PD表示目标的检测率，对应分类中单个类别的分类精度PA；生成基于(PF，τ)的2DROC曲线用于评价分类器对背景的抑制效果，其中，参数PF表示虚警率，即被检测为目标的背景样本在总背景样本中的比例。进一步的，评价不同分类器分类性能的优良时：计算所有被测试的分类器对应的(PD,PF)、(PD,τ)和(PF,τ)2DROC曲线的线下面积AUC；根据(PD,PF)、(PD,τ)和(PF,τ)2DROC曲线对应的AUC值对各分类器进行排序，得到排序数其中，classiferi表示第i个分类器；ROCj表示第j种2DROC曲线，其中1≤j≤3；将每个分类器不同准则下的排序数相加，得到各个分类器的总排序数其中，classiferi表示第i个分类器，ROCj表示第j种2DROC曲线，1≤j≤3，2DROC曲线包括(PD,PF)、(PD,τ)和(PF,τ)三种2DROC曲线，AUC表示ROC曲线线下面积；根据评价不同分类器分类性能的优良，越小，则第i个分类器classiferi的分类性能越好。由于采用了上述技术方案，本专利技术提供的一种基于三维接收机工作特性曲线的高光谱图像分类评价方法，本方法首先从信号检测的角度，将高光谱图像的分类问题转化为目标检测问题，设计了一种由常用的目标检测评价方法衍生出的分类评价体系，即三维接收机工作特性曲线(3DROC)分类评价体系。首先，通过不同的阈值τ将分类器得到的软决策概率图转化为硬决策分类图，使每一个阈值τ都产生对应的检测率PD和虚警率PF，生成基于(PD,PF,τ)的三维接收机工作特性曲线(3DROC)；其次，根据3DROC曲线生成分别基于(PD,PF)、(PD,τ)、(PF,τ)的二维接收机工作特性曲线(2DROC)；最后，设计多准则打分机制以评价不同分类器分类性能的优良。总之，上述3DROC分类评价方法解决了高光谱图像分类中(1)如何为分类后的软决策概率值分配类别标签，即分类器产生的部分类成员分配(FCMA)问题；(2)类别不平衡问题；(3)未知背景复杂性问题。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为本专利技术的方法流程图；图2为实施例中待分类的高光谱数据的第186波段的显示图；图3为实施例中高光谱数据图像的地物类别标签参考图；图4为实施例中高光谱数据图像四大类目标地物的光谱曲线图；图5为实施例中由四个分类器得到的四大类地物的3DROC曲线图；图6为实施例中由四个分类器得到的玉米类的基于(PD，PF)、(PD，τ)和(PF，τ)的2DROC曲线图；图7为实施例中由四个分类器得到的草类的基于(PD，PF)、(PD，τ)和(PF，τ)的2DROC曲线图；图8为实施例中由四个分类器得到的大豆类的基于(PD，PF)、(PD，τ)和(PF，τ本文档来自技高网...

【技术保护点】
1.一种基于三维接收机工作特性曲线的高光谱图像分类评价方法，其特征在于包括：/n采用不同的分类器对高光谱图像进行分类得到分类后的软决策概率图，通过不同的阈值τ将软决策概率图转化为硬决策分类图；/n从信号检测角度将高光谱图像的硬决策分类图转化为目标检测结果图，计算每个阈值τ对应的检测率P

【技术特征摘要】
1.一种基于三维接收机工作特性曲线的高光谱图像分类评价方法，其特征在于包括：
采用不同的分类器对高光谱图像进行分类得到分类后的软决策概率图，通过不同的阈值τ将软决策概率图转化为硬决策分类图；
从信号检测角度将高光谱图像的硬决策分类图转化为目标检测结果图，计算每个阈值τ对应的检测率PD和虚警率PF，生成基于(PD,PF,τ)的三维接收机工作特性曲线(3DROC)；
根据3DROC曲线分别生成基于(PD,PF)、(PD,τ)和(PF,τ)的三个二维接收机工作特性曲线(2DROC)，设计多准则打分机制评价不同分类器分类性能的优良。


2.根据权利要求1所述的方法，其特征还在于：通过不同的阈值τ将软决策概率图转化为硬决策分类图时：
通过阈值τ将软决策概率图Mapsoft(r)转化为一个硬决策分类图Maphard(r)：



其中，X表示高光谱图像数据，τ为阈值，0≤τ≤1，FCMA(X,τ)代表将软决策概率图转化为硬决策分类图的过程，r代表高光谱图像中的像素点。


3.根据权利要求1所述的方法，其特征还在于：将高光谱图像的硬决策分类图转化为目标检测结果图时：
将信号检测问题表述为二元假设检验问题，在高光谱分类中，二元假设检验问题描述如下：



其中，假设H0和H1分别表示背景类和信号类，p0(y)和p1(y)分别为控制假设H0和H1的概率密度函数。


4.根据权利要求1所述的方法，其特征还在于：计算每个阈值τ对应的检测率PD和虚警率PF，生成基于(PD,PF,τ)的三维接收机工...

【专利技术属性】
技术研发人员：宋梅萍，尚晓笛，于浩洋，王晓岚，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