【技术实现步骤摘要】
一种高光谱图像分类系统和方法
本专利技术涉及高光谱图像处理，尤其涉及一种高光谱图像分类系统和方法。
技术介绍
高光谱遥感图像可以在电磁波谱的紫外、可见光、近红外和中红外范围，以数十至数百个连续且细分的光谱波段对目标区域同时成像，集图像信息与光谱信息于一体，为图像分类提供了可能。高光谱图像分类方法主要分成两类：基于像素的分类方法和面向对象的分类方法。基于像素的分类方法是逐像素提取特征进行分类，分类准确率较高，但是由于逐像素分类，分类的时间会很长，效率低，无法满足实时性的要求。面向对象的分类方法首先需要对图像进行分割，获得同质性区域，然后再对每个同质性区域提取特征进行区域分类。相比于基于像素的分类方法，面向对象的分类方法分类速度快，能够满足实时性要求。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是克服现有技术的不足，即基于像素的分类方法分类效率低，无法满足实时性的缺点，提出一种基于自适应阈值分水岭算法和改进支持向量机的高光谱图像分类方法，即通过自适应阈值分水岭算法获得同质性区域，提取区域特征，再通过改进支持向量机算法进行分类。为实现上述目的，本专利技术在第一方面提供了一种高光谱图像分类方法，包括如下步骤：(1)输入待分类的高光谱图像数据集；(2)执行图像预处理步骤；(3)利用自适应阈值分水岭算法得到分割图像；(4)根据分割图像，提取光谱特征和纹理特征；(5)通过分类模型进行特征评估，去除无益特征，得到最佳分类；其...
【技术保护点】
1.一种高光谱图像分类方法，其特征在于，包括如下步骤：/n(1)输入待分类的高光谱图像数据集；/n(2)执行图像预处理步骤；/n(3)利用自适应阈值分水岭算法得到分割图像；/n(4)根据分割图像，提取光谱特征和纹理特征；/n(5)通过分类模型进行特征评估，去除无益特征，得到最佳分类；/n其中分类模型为利用训练子集和WOA-GA混合算法确定SVM模型的最佳核函数参数g和惩罚系数C而得。/n
【技术特征摘要】
1.一种高光谱图像分类方法，其特征在于，包括如下步骤：
(1)输入待分类的高光谱图像数据集；
(2)执行图像预处理步骤；
(3)利用自适应阈值分水岭算法得到分割图像；
(4)根据分割图像，提取光谱特征和纹理特征；
(5)通过分类模型进行特征评估，去除无益特征，得到最佳分类；
其中分类模型为利用训练子集和WOA-GA混合算法确定SVM模型的最佳核函数参数g和惩罚系数C而得。
2.如权利要求1所述的高光谱图像分类方法，其中，步骤(2)中，具体包括如下子步骤：
(201)红光波长选择700.0nm，绿光波长选择546.1nm，蓝光波长选择435.8nm，通过波段运算计算得到对应波长的图像根据计算得到红光图像、绿光图像和蓝光图像合成可见光图像，并转化成灰度图像f，波段计算公式如下所示：
式中，H为波段运算得到的图像，ρ为需要计算的波长，ρmin和ρmax分别为最接近波长ρ的下限波长和上限波长，G为ρmax对应的波段图像，F为ρmin对应的波段图像；
(202)通过双边滤波算法滤除树林区域可见光图像的噪声，减少伪局部最小值；
(203)接着利用多尺度形态学梯度提取算法提取梯度图像，多尺度形态学梯度提取算法定义如下所示：
式中，为膨胀运算，为腐蚀运算，f为原始灰度图像，G(f)为梯度图像，Bij为一组正方形结构元素，i(1≤i≤n)为结构元素大小因子，对于结构元素大小为(2i+1)*(2i+1)，j(1≤j≤m)为结构元素形状因子，代表不同方向的结构元素；
选择4个方向的结构元素，分别为0°、45°、90°和135°；尺寸为3*3的4个方向结构元素分别为
3.如权利要求2所述的高光谱图像分类方法，其中，步骤(3)中，首先执行自适应阈值提取算法，然后执行H-minima强制极小值变换，最后执行分水岭图像分割，具体包括如下子步骤：
(301)执行自适应阈值提取算法，定义如下所示：
H＝mean(0＜gradmin≤h)；
式中，gradmin为局部最小值，h为的阈值上限；
(302)执行强制极小值变换，使用标记阈值H对梯度图像进行标记，即保留大于阈值的局部最小值并得到能够反映局部最小值位置的二值化图像；利用强制最小算法修改梯度图像，并通过形态学腐蚀膨胀操作，将小于阈值的像素点的值设置为阈值大小，使局部最小值只出现在标记位置，从而减少伪局部最小值；其定义如下所示：
式中，为使用阈值H对梯度图像进行标记后的二值图像，G为梯度图像，I为经过强制极小值变换后的标记梯度图像；
(303)执行分水岭算法，得到分割图像；采用的分水岭算法为Meyer算法；
(304)执行基于光谱匹配法的区域合并算法，对得到的初分割区域图像进行小面积区域和相似区域合并，区域相似度评价指标如下式：
式中，T为新的评价指标，X和Y为光谱向量。
4.如权利要求3所述的高光谱图像分类方法，其中，步骤(4)中，具体包括如下子步骤：
(401)对区域中同一波段图像的所有像元的反射率值取均值的方式得到区域的平均光谱特征；
(402)利用灰度梯度共生矩阵提取纹理信息：提取可见光波段的每个图像中的每个像素点的灰度梯度共生矩阵，分别计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差矩这15个纹理特征并取均值，得到后15维特征。
5.如权利要求4所述的高光谱图像分类方法，其中，步骤(5)中，包括如下具体子步骤：
(501)利用排序指标对所有的特征进行排序，评估特征重要性；
(502)剔除得分最少的特征，形成新的子集；
(503)执行上述步骤直到子集中只有一个特征，根据分类模型的分类准确率寻找最终保留的特征；
其中，采用的特征排序指标为最大几何间隔特征排序指标，公式如下所示：
Rc＝|W2-W-(P)2|；
式中，W2和W-(P)2分别为SVM模型在当前子集下的权重和剔除第P个特征后的权重，W2公式如式下所示：
式中，i和j为样本序号，αi和αj为求解后的参数，y为类别标签，K为核函数。
6.一种高光谱图像分类系统，包括如下模...
【专利技术属性】
技术研发人员：曹衍龙，刘佳炜，董献瑞，杨将新，曹彦鹏，
申请(专利权)人：浙江大学山东工业技术研究院，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。