尺度自适应的高光谱图像分类方法及系统技术方案

本发明专利技术提供了一种尺度自适应的高光谱图像分类方法及系统，该方法包括：获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值，根据尺度判别指数值中最大尺度对目标高光谱图像进行超像素分割，根据超像素分割后的空间分布信息进行目标高光谱图像的分类。本发明专利技术实现了场景自适应的尺度选择过程，无需人工调参，能够选择适合场景特点的尺度，提高了高光谱图像分类的效率和场景鲁棒性。

【技术实现步骤摘要】
尺度自适应的高光谱图像分类方法及系统
本专利技术属于光谱图像分类
，尤其涉及一种尺度自适应的高光谱图像分类方法及系统。
技术介绍
高光谱图像分类是识别高光谱图像中每个像素的土地覆盖类别的技术，它是目前遥感领域的研究热点之一。除了高光谱像素本身包含的连续光谱信息，像素的空间分布蕴含了像素间潜在的类别关联，联合光谱信息和空间分布信息的方法(即光谱-空间法)一直是高光谱图像分类研究的主流方向。在基于光谱-空间法的高光谱分类研究中，空间分布信息的获取过程一般分为三步：首先设定待分割的超像素数量(也称为分割尺度)，其次通过超像素分割技术生成指定数量的形状自适应的超像素，最后计算每个像素的空间分布特征。尺度的选择对于光谱-空间法的性能至关重要，然而现有的尺度选择方法依赖于人工经验或采用固定值[2-3]，使得难以适应复杂多样的高光谱图像场景，进而导致高光谱图像分类效率低下。
技术实现思路
本专利技术实施例的目的在于提供一种尺度自适应的高光谱图像分类方法及系统，旨在解决现有的高光谱图像分类过程中分类效率低下的问题。...

【技术保护点】
1.一种尺度自适应的高光谱图像分类方法，其特征在于，所述方法包括：/n获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；/n获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；/n根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；/n根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；/n根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。/n

【技术特征摘要】
20200109 CN 20201002039381.一种尺度自适应的高光谱图像分类方法，其特征在于，所述方法包括：
获取目标高光谱图像，并对所述目标高光谱图像进行主成分分析，得到主成分图像；
获取所述目标高光谱图像中地表覆盖的类别数量，并将所述类别数量设置为区间下界；
根据所述类别数量和所述主要成分图像计算区间上界，并将所述区间上界和所述区间下界形成尺度池；
根据所述尺度池计算尺度判别指数，以得到多个尺度判别指数值；
根据所述尺度判别指数值中的最大尺度对所述目标高光谱图像进行超像素分割，并根据超像素分割后的空间分布信息进行所述目标高光谱图像的分类。


2.如权利要求1所述的尺度自适应的高光谱图像分类方法，其特征在于，所述根据所述类别数量和所述主要成分图像计算区间上界的步骤包括：
根据纹理检测子提取所述主成分图像的边缘信息；
根据所述主要成分图像和所述边缘信息计算纹理复杂度；
计算所述纹理复杂度与所述类别数量的商，得到所述区间上界。


3.如权利要求2所述的尺度自适应的高光谱图像分类方法，其特征在于，所述根据所述主要成分图像和所述边缘信息计算纹理复杂度的步骤包括：
计算所述主要成分图像中的所有像素数量与所述边缘信息中的边缘像素数量之间的商，得到所述纹理复杂度。


4.如权利要求1所述的尺度自适应的高光谱图像分类方法，其特征在于，所述将所述区间上界和所述区间下界形成尺度池的步骤包括：
将所述区间下界设置为最小值、所述区间上界设置为最大值，形成闭合区间，以得到所述尺度池。


5.如权利要求1所述的尺度自适应的高光谱图像分类方法，其特征在于，所述根据所述尺度池计算尺度判别指数的步骤包括：
计算所述尺度池中每个尺度的超像素内差异，得到超像素内差异值；
计算所述尺度池中相邻超像素之间的超像素间差异，得到超像素间差异值；
计算所述超像素内差异值与所述超像素间差异值之间的和，以得到所述尺度判别指数。


6.如权利要求5所述的尺度自适应的高光谱图像分类方法，其特征在于，所述计算所述尺度池中每个尺度的超像素内差异所采用的...

【专利技术属性】
技术研发人员：冷清明，阳海鸥，江俊君，
申请(专利权)人：九江学院，
类型：发明
国别省市：江西;36