一种增强二维奇异谱分析的空间特征提取方法技术

本发明专利技术公开了一种增强二维奇异谱分析的空间特征提取方法，利用像素的局部相似性来增强空间特征提取效果。基于传统2DSSA，本发明专利技术提出一种改进的自适应窗口来代替固定窗口，结合目标像素的邻域相似性实现嵌入过程，得到具有低秩性的轨迹矩阵；对该低秩性轨迹矩阵进行奇异值分解，由其得到的最大奇异值，比固定窗口得到的最大奇异值更大，并且在所有奇异值中占比更高，对应更多的空间信息；将最大奇异值对应的空间子成分作为特征进行重构，得到最终的特征成分，该成分在增强空间结构信息的同时，去除了噪声等影响成分。本发明专利技术能够解决高光谱影像中空间尺度多样、噪声等问题，克服传统2DSSA方法的不足，增强影像的特征提取效果，提高影像的地物分类精度。高影像的地物分类精度。高影像的地物分类精度。

【技术实现步骤摘要】
一种增强二维奇异谱分析的空间特征提取方法


[0001]本专利技术属于遥感影像处理
，尤其涉及一种增强二维奇异谱分析的空间特征提取方法。

技术介绍

[0002]随着传感器和卫星技术的进步，高光谱遥感成为近30年来获得迅速发展的重要地球观测技术之一，目前已在地物分类、目标识别、环境管理和矿产测绘等领域扮演重要角色，并成为促进国家经济发展建设的重要手段。尽管高光谱影像包含丰富的光谱信息，但其存在“同物异谱，同谱异物”的现象，会造成分类图像中严重的“椒盐噪声”误分类。此外，高光谱影像的波段狭窄，每个通道接收的光能量较少，使得信噪比较低，部分波段噪声严重，这给影像的解译带来了挑战。因此，对高光谱数据进行有效的特征提取是必要的。
[0003]空间特征提取方法可以解决光谱变异性和波段噪声等问题。它通过利用人工设计的算子或滤波窗口，与灰度图像的像素进行计算，从而提取图像中的上下文、纹理、形状等多种特征，从而消除噪声的影响。在高光谱影像中，一类被广泛应用的空间特征提取方式是数学形态学方法，主要提取图像的形状特征。通过基本形态学运算，包括腐蚀、膨胀、开和闭操作，可以从图像中提取对表达和描绘目标区域形状有意义的图像分量，如边界和连通区域等。然而，该方法也存在一些缺点：如一系列的操作运算会带来较高的计算复杂度，不同地物的形状连通易造成混淆。此外，一些纹理特征提取方法，如灰度共生矩阵(GLCM)、Gabor滤波和局部二值模式(LBP)等，可以充分反应图像在不同方向上的梯度变化，获取空间相关性，但其精度通常有限。
[0004]二维奇异谱分析(2DSSA)是由N.Golyandina等人在2010年提出的一种矩阵分解算法，并阐述了其在图像中的可应用性。J.Zabalza等人在2015年首次将2DSSA应用于高光谱影像，逐波段的进行空间特征提取，取得了优于一般空间技术的效果。基于奇异值分解(SVD)，2DSSA可以将原始的灰度图像分解为几个子图像，不同的子图像包含空间趋势、纹理、边缘和噪声等信息；通过选取合适的子图像进行重构，可以获得原始图像的主要空间结构内容，并去除噪声等影响成分。此外，它通过不同的嵌入窗口构造全图对应的轨迹矩阵，可以同时包含图像的局部和全局空间特征，很好的考虑了全局相关性。
[0005]然而，与其它广泛应用的空间技术相似，2DSSA也存在一些缺点。首先，上述算法通常使用规则形状或固定大小的窗口进行处理，忽略了影像地物形状和尺度的复杂性，即用于空间特征提取的区域与图像的空间结构不匹配。此外2DSSA通常选用最大奇异值对应的空间趋势分量作为重构的特征图像，但是其它奇异值也对应一些有用的信息，这就造成部分空间信息的丢失，主要表现为地物边缘差异降低、纹理特征很少，图像会因过于平滑而使得分类精度下降，尤其对于较小地物。为了对高光谱影像进行有效地空间特征提取，需要对该算法进行改进与提高。

技术实现思路

[0006]针对上述存在的问题，本专利技术旨在提供一种增强二维奇异谱分析的空间特征提取方法，该方法通过自适应嵌入窗口结合目标像素的邻域信息，可以改善传统2DSSA固定窗口造成的边缘模糊、细节丢失和空间信息量少的问题，增强影像的特征提取效果，提高影像的地物分类精度。
[0007]为了实现上述目的，本专利技术所采用的技术方案如下：一种增强二维奇异谱分析的空间特征提取方法，其特征在于，包括以下步骤：
[0008]步骤一：基于自适应窗口的特征分解
[0009]1)自适应嵌入：选取遥感高光谱影像，根据每个目标光谱像素及其相似光谱像素的个数，确定嵌入窗口的大小；
[0010]2)、构造轨迹矩阵：对于任一波段将每个目标像素及相似像素拉伸为列向量，并记录相应的空间位置，通过对全图像素对应的列向量进行排列，得到轨迹矩阵；
[0011]3)奇异值分解：对轨迹矩阵进行奇异值分解，可得到一定数量的奇异值及对应的奇异向量；
[0012]步骤二、基于增强最大奇异值的特征重构
[0013]4)轨迹矩阵重构：选取最大奇异值及其对应的奇异向量，对轨迹矩阵进行重构；
[0014]5)像素重投影：对于重构轨迹矩阵中的每个列向量，结合2)中记录的空间位置信息，将每个像素值重新投影到原始的空间位置；
[0015]6)像素修正：部分像素在步骤1)中被多次选择，并被包含在多个列向量中得到多个重构值，对多个重构值进行平均得到最终的像素值。
[0016]进一步的，在步骤1)中，自适应嵌入的方式具体为：定义待处理的高光谱影像X，确定其尺寸大小为N＝R
×
C，波段数量为B，满足R＝145，C＝145和B＝200，将影像X表示为所有光谱像素的集合，为光谱像素的集合，为嵌入窗口大小确定为L，对于任一光谱像素p
i
，则在全图范围内选取(L
‑
1)个相似像素，相似性度量为归一化欧式距离，则计算公式为：
[0017][0018]其中，s
ij
表示像素p
i
和像素p
j
的相似度，选取每个像素p
i
的(L
‑
1)个相似像素组成该像素对应的自适应嵌入窗口。
[0019]进一步的，其特征在于，在步骤2)中，构造轨迹矩阵为逐波段进行，具体方式为：将原始影像X表示为所有波段图像的集合，为原始影像X表示为所有波段图像的集合，为对于某一波段图像X
i
，其对应的像元值为将每个像元值x
k
对应的嵌入窗口内的所有像元，拉伸为一个列向量并记录嵌入窗口内像元的空间位置，通过对全图所有像元得到的列向量进行排列，得到轨迹矩阵G，如下式所示：
[0020][0021]进一步的，在步骤3)中，对轨迹矩阵G进行奇异值分解，得到奇异值(λ1≥λ2≥...≥λ
L
)及相应的奇异向量：左奇异向量(U1,U2,...,U
L
)和右奇异向量(V1,V2,...,V
L
)，轨迹矩阵
可写成多个子矩阵的和：
[0022]G＝G1+G2+...+G
L
[0023][0024]其中，G
i
表示对应第i个奇异值的子矩阵，由奇异值和相应的奇异向量构造而成。
[0025]进一步的，在步骤4)中，选用最大奇异值对应的子矩阵G1作为轨迹矩阵G的重构：
[0026][0027]其中表示重构轨迹矩阵G1的每个列向量。
[0028]本专利技术的有益效果是：本专利技术相比于原始2DSSA，通过自适应窗口嵌入得到轨迹矩阵，相比于固定窗口充分考虑了地物形状的复杂性和多样性；轨迹矩阵具有低秩性，可以提升最大奇异值的占比，从而增强重构图像的空间特征，在去除噪声等影响成分的同时保留主要的空间鉴别信息。
[0029]2DSSA通常选取最大奇异值对应的成分作为提取的空间特征，最大奇异值在所有奇异值的占比关乎空间特征的信息量。本专利技术通过采用了自适应的嵌入窗口，经轨迹矩阵构造和SVD可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增强二维奇异谱分析的空间特征提取方法，其特征在于，包括以下步骤：步骤一：基于自适应窗口的特征分解1)自适应嵌入：选取遥感高光谱影像，根据每个目标光谱像素及其相似光谱像素的个数，确定嵌入窗口的大小；2)、构造轨迹矩阵：对于任一波段将每个目标像素及相似像素拉伸为列向量，并记录相应的空间位置，通过对全图像素对应的列向量进行排列，得到轨迹矩阵；3)奇异值分解：对轨迹矩阵进行奇异值分解，可得到一定数量的奇异值及对应的奇异向量；步骤二、基于增强最大奇异值的特征重构4)轨迹矩阵重构：选取最大奇异值及其对应的奇异向量，对轨迹矩阵进行重构；5)像素重投影：对于重构轨迹矩阵中的每个列向量，结合2)中记录的空间位置信息，将每个像素值重新投影到原始的空间位置；6)像素修正：部分像素在步骤1)中被多次选择，并被包含在多个列向量中得到多个重构值，对多个重构值进行平均得到最终的像素值。2.根据权利要求1所述的一种增强二维奇异谱分析的空间特征提取方法，其特征在于，在步骤1)中，自适应嵌入的方式具体为：定义待处理的高光谱影像X，确定其尺寸大小为N＝R
×
C，波段数量为B，满足R＝145，C＝145和B＝200，将影像X表示为所有光谱像素的集合，为C，波段数量为B，满足R＝145，C＝145和B＝200，将影像X表示为所有光谱像素的集合，为嵌入窗口大小确定为L，对于任一光谱像素p
i
，则在全图范围内选取(L
‑
1)个相似像素，相似性度量为归一化欧式距离，则计算公式为：其中，s
ij

【专利技术属性】
技术研发人员：付航，于会泳，刘春秀，董震，高慧娟，
申请(专利权)人：青岛星科瑞升信息科技有限公司，
类型：发明
国别省市：