【技术实现步骤摘要】
基于LBP特征的超像素空谱多核高光谱图像分类方法
本专利技术涉及高光谱遥感图像处理
，尤其涉及一种基于LBP(LocalBinaryPattern，局部二值模式)特征的超像素空谱多核高光谱图像分类方法。
技术介绍
高光谱遥感的出现是遥感界的一场革命，它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱图像可以获得数百条相同的窄带光谱通道，并能提供更丰富的光谱信息，以支持各种地表覆盖材料的精细识别。因此，高光谱图像受到越来越多的关注，它被应用到分类、目标检测、异常检测、光谱解混等方面。而其中的高光谱图像分类任务又对地质勘探农作物检测、国防军事等领域起着实质性的重要作用，值得更加深入的研究。然而，在高光谱图像分类广泛应用的同时，它也面临着巨大的挑战，例如著名的休斯(Hughes)现象。Hughes现象是指在高光谱分析过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。为了解决这一问题，特征提取被看作是高光谱图像处理的一个关键步骤。然而，由于光谱特征的空间变异性，高光谱图像特征提取是高光谱...
【技术保护点】
1.基于LBP特征的超像素空谱多核高光谱图像分类方法，其特征在于，包括以下步骤：/n步骤1，采用熵率超像素分割算法对高光谱图像进行索引，生成带有超像素索引的高光谱图像；/n步骤2：利用所述带有超像素索引的高光谱图像获得三个核函数，所述三个核函数包括光谱核、基于超像素内的空间核和基于超像素间的空间核；/n步骤3：将得到的所述三个核函数进行融合，将获得的融合结果输入支持向量机分类器，完成训练后进行分类，得到分类结果图。/n
【技术特征摘要】
1.基于LBP特征的超像素空谱多核高光谱图像分类方法，其特征在于，包括以下步骤：
步骤1，采用熵率超像素分割算法对高光谱图像进行索引，生成带有超像素索引的高光谱图像；
步骤2：利用所述带有超像素索引的高光谱图像获得三个核函数，所述三个核函数包括光谱核、基于超像素内的空间核和基于超像素间的空间核；
步骤3：将得到的所述三个核函数进行融合，将获得的融合结果输入支持向量机分类器，完成训练后进行分类，得到分类结果图。
2.根据权利要求1所述的基于LBP特征的超像素空谱多核高光谱图像分类方法，其特征在于，所述步骤1包括：
步骤1-1，使用主成分分析法对所述高光谱图像进行波段选择，获得三个各不相关的主成分图像；
步骤1-2，对所述主成分图像应用熵率超像素分割算法，生成超像素分割图像；
步骤1-3，将所述超像素分割图像与原始的高光谱图像结合，生成所述带有超像素索引的高光谱图像。
3.根据权利要求2所述的基于LBP特征的超像素空谱多核高光谱图像分类方法，其特征在于，所述步骤1-1包括：
使用主成分分析法将所述高光谱图像线性投影到一组新的坐标空间中，选取所述高光谱图像的前三个主成分形成主成分图像，用于所述步骤1-2中的超像素分割。
4.根据权利要求3所述的基于LBP特征的超像素空谱多核高光谱图像分类方法，其特征在于，所述步骤1-2包括：
步骤1-2-1，根据以下公式，结合所述主成分图像纹理的复杂程度选择超像素数：
L＝Lbase×Rtexture
Rtexture＝n/N
其中，L是超像素数，Lbase是基超像素数，Rtexture是纹理比率，n表示经过纹理分析过滤后的主成分图像中的非零元素数量，N表示纹理分析过滤前主成分图像中非零元素的数量；
步骤1-2-2，超像素分割首先在主成分图像上构造一个图G＝(V,E)；
其中，V为基本图像像素对应的顶点集，E为相邻像素之间成对相似点的边缘集；
步骤1-2-3，通过选择边的子集，将图分成多个连通的子图，每个所述子图对应一个超像素；
步骤1-2-4，根据以下公式，在超像素分割的目标函数中加入熵率项H(A)和平衡项B(·)：
其中，λ是为了控制H(A)和B(·)而引入的权重，λ≥0。
5.根据权利要求1所述的基于LBP特征的超像素空谱多核高光谱图像分类方法，其特征在于，所述步骤2包括：
步骤2-1，采集所述高光谱图像中所有的光谱像素；单个超像素是由具有相似结构特征的相邻光谱像素组成，对所述光谱像素进行采集，获得所述高光谱图像的光谱特征，根据所述光谱特征计算获得光谱核；
步骤2-2，利用局部二值模式算法，通过阈值标记法得出中心点像素与所述中心点像素的邻域像素之间的差分值，对所述主成分图像的局部纹理结构进行分析，实现超像素内空间核的提取；
步骤2-3...
【专利技术属性】
技术研发人员：占伟伟，蒉露超，周传龙，牟苏斌，褚孔统，王辉，李佳琪，李坪泽，袁思佳，马宁，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：江苏;32
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。