基于改进K-means算法的高光谱图像分类方法及装置制造方法及图纸

本申请涉及高光谱图像处理技术领域，特别地，涉及一种基于改进K‑means算法的高光谱图像分类方法及装置。一定程度上可以解决高光谱遥感的图像光谱维度高、聚类中心获取不合理、分类耗时的问题。所述方法采用带权重的欧式距离作为距离函数，能有效的提升了高光谱图像的分类精度。首先对原始图像进行预处理，使用主成分分析方法降低高光谱图像的光谱维度，然后对数据进行归一化处理。将完整的图像数据输入到将加权欧式距离作为距离函数的K‑means算法进行分类，最终得到高光谱图像中每个像素的分类结果。

【技术实现步骤摘要】
基于改进K-means算法的高光谱图像分类方法及装置
本申请涉及高光谱图像处理
，特别地，涉及一种基于改进K-means算法的高光谱图像分类方法及装置。
技术介绍
遥感图像越来越多地被应用于气象预测、植被分析、地质勘探、海洋遥感、环境检测以及城市规划等领域。有关高光谱图像的分类技术的应用一直以来都是其中一个备受关注的应用方向，其目的是对高光谱图像中每个像素点对应的地表物体类别实现准确判定。然而在实际应用中，由于光谱数据量庞大且波段间的信息相关性强且主次影响关系难以分清，要获得较为满意的分类精度是一件具有挑战性的工作。目前应用于图像分类的算法大多集中在监督算法上，该系列的方法顾及地物的光谱，纹理等信息，在分类效果上已经取得一定的成果，然而却存在一些问题，如严重依赖地面采样数据，人为干扰程度大，自动化程度低的特点。然而高光谱图像的波段较多，场景复杂，同时聚类中心和距离函数的选择对K-means算法的分类效果影响较大，使得K-means算法在高光谱遥感图像分类中的分类效果较差，在分类精度上仍有很大的提升空间。。专本文档来自技高网...

【技术保护点】
1.一种基于改进K-means算法的高光谱图像分类方法，其特征在于，所述方法包括：/nS1、获取具有标签的高光谱图像原始数据，所述图像中每个像素对应一个样本；/nS2、采用主成分分析方法对高光谱图像进行处理，降低所述高光谱图像的维数，并对所述原始数据进行归一化处理；/nS3、利用遗传算法初始k个类的类中心；/nS4、计算每一个样本到每个类中心的加权欧氏距离，将所述样本划分到距离最小的类；/nS5、在满足收敛条件时，得到高光谱图像分类结果；否则，重新计算特征权值，重复步骤S4。/n

【技术特征摘要】
1.一种基于改进K-means算法的高光谱图像分类方法，其特征在于，所述方法包括：
S1、获取具有标签的高光谱图像原始数据，所述图像中每个像素对应一个样本；
S2、采用主成分分析方法对高光谱图像进行处理，降低所述高光谱图像的维数，并对所述原始数据进行归一化处理；
S3、利用遗传算法初始k个类的类中心；
S4、计算每一个样本到每个类中心的加权欧氏距离，将所述样本划分到距离最小的类；
S5、在满足收敛条件时，得到高光谱图像分类结果；否则，重新计算特征权值，重复步骤S4。


2.如权利要求1所述基于改进K-means算法的高光谱图像分类方法，其特征在于，所述收敛条件为：
所述加权欧氏距离大于等于预设阈值δ，或迭代大于预设最大迭代次数。


3.如权利要求1所述基于改进K-means算法的高光谱图像分类方法，其特征在于，采用主成分分析方法对高光谱图像进行处理，降低所述高光谱图像的维数，并对所述原始数据进行归一化处理，具体执行如下：
降低所述高光谱图像的维数，包括：采用主成分分析法，将X×Y×C的高维光谱图像从光谱维度将数据向低维空间进行映射转换到由K个特征向量构建的新空间中，降低至X×Y×K的低维光谱图像；
对所述原始数据进行归一化处理，包括：采用min-max标准化方法对原始数据进行归一化处理。


4.如权利要求1所述基于改进K-means算法的高光谱图像分类方法，其特征在于，所述遗传算法，其种群初始化过程为：
产生一个随机整数Ki∈(Kmin，Kmax)，其中，Kmin设置为2，Kmax等于图像所要划分类别数加上1；
从数据中随机选取Ki个数据进行浮点数偏码，完成一个字符串的构建；
重复上述过程P次，直至完成P个字符串的构建，最终完成种群初始化，其中，P为所要划分的类别数。


5.如权利要求1所述基于改进K-means算法的高光谱图像分类方法，其特征在于，
所述遗传算法，其适应度函数采用Davies-Bo...

【专利技术属性】
技术研发人员：马御棠，王达达，钱国超，彭庆军，黄然，周仿荣，赵加能，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南;53