一种用于目标地物分类识别的特征光谱提取方法技术

本发明专利技术公开了一种用于目标地物分类识别的特征光谱提取方法，包括：获取目标地物的多条地物光谱、并构建光谱矩阵，根据光谱矩阵获得目标地物光谱的谱域空间，构建以整形反射率为行号，波长为列号的多条目标地物光谱对应的多个待插值矩阵，根据波长对应的反射率和谱域空间的距离，计算每个待插值矩阵的归一化插值因子，对每个待插值矩阵采用反距离插值的方式进行插值处理，获得多个谱域空间矩阵，累加多个谱域空间矩阵，获得地物累计谱域空间矩阵、并计算目标地物的特征光谱。该方法构建的特征光谱可以用于改进分类场景中目标地物的特征光谱提取流程，提高目标识别精度；优化反演场景中特征参量的构建，提升特征参量的表征能力。力。力。

【技术实现步骤摘要】
一种用于目标地物分类识别的特征光谱提取方法


[0001]本专利技术涉及谱域插值
，更具体的涉及一种用于目标地物分类识别的特征光谱提取方法。

技术介绍

[0002]高光谱遥感在国民经济、国防建设等方面都发挥着重要作用，已经广泛地应用于地表分类、目标探测、农业监测、矿物填图、环境管理和国防建设等领域。相较于传统光学影像，高光谱影像在普通的二维空间图像的基础上，增加了一维光谱数据，整个数据形成一个光谱图像立方体，每一个像元的光谱数据展开来就对应为一条光谱曲线，形成了图谱合一的数据特征。对于高光谱影像而言，无论是进行分类还是参量反演，都需要构建出目标地物的特征光谱曲线，受到目标地物本身特性和环境因素影响，同类地物多条光谱间也存在一定的波动振荡。因此，获取具有足够表征能力的地物特征光谱对高光谱数据的分析和分类是至关重要的。传统的特征光谱提取方法主要是取多条目标地物光谱曲线的算术平均值作为目标地物特征光谱，也有部分学者利用多条目标地物光谱波动范围构成带状光谱作为目标地物的特征光谱。
[0003]传统特征光谱提取方法在高光谱影像分类、分析和定量反演中有着广泛的应用，取得了丰硕的应用成果。但在应用过程中也暴露了一些共性的问题。
[0004]算术平均数是一种代表性数值，具有较强的概括能力，表征总体的一般水平，而且易于计算分析，但是其灵敏性高，耐抗性差，受少数极端值影响大。反映到基于算术平均数的特征光谱上就是会削弱部分特征光谱，产生类似“大气效应”的“消峰平谷”的影响。
[0005]基于波动范围的带状特征光谱，利用若干条目标地物光谱求取统一波段的最大最小值构建带状特征光谱，此类方法同样易收到极值的影响，同时相较于单一的线状特征光谱，因为其不均匀的谱带形态，不利于部分特征的提取和后续的计算分析。

技术实现思路

[0006]本专利技术实施例提供一种用于目标地物分类识别的特征光谱提取方法，包括：
[0007]获取目标地物的多条地物光谱、基于多条目标地物光谱，构建光谱矩阵；
[0008]利用光谱矩阵计算光谱矩阵每列的最大值和最小值，获得目标地物光谱的谱域空间；
[0009]构建以整形反射率为行号，波长为列号的多条目标地物光谱对应的多个待插值矩阵，其中，每个待插值矩阵每列中为1的元素代表该列波长存在对应的反射率；
[0010]根据波长对应的反射率和谱域空间的距离，计算每个待插值矩阵每一列的归一化插值因子；
[0011]对每个待插值矩阵的每一列采用反距离插值的方式进行插值处理，获得多个谱域空间矩阵；
[0012]累加多个谱域空间矩阵，获得地物累计谱域空间矩阵、并计算每一列最大值，根据
每一列的最大值，构造目标地物的特征光谱。
[0013]优选地，获得目标地物光谱的谱域空间，包括：
[0014]获得目标地物的多条地物光谱中不同波长对应的反射率；
[0015]将反射率乘于10000化为整型；
[0016]构造表示N条光谱、M个波长的N
×
M的矩阵；
[0017]计算N
×
M的矩阵每一列的最大值max和最小值min，作为谱域空间的边界。
[0018]优选地，构建待插值矩阵，包括：
[0019]构建N条地物光谱的10000
×
M矩阵Ai，i∈[1、2、
……
、N]，其中N表示光谱数，在10000
×
M矩阵每列中为1的元素代表该列的波长存在对应的反射率，0代表在该列的波长不存在对应的反射率。
[0020]优选地，根据波长对应的反射率和谱域空间的距离，计算每个待插值矩阵每一列的归一化插值因子，包括：
[0021]获得待插值矩阵每一列中波长对应的反射率为Rm；
[0022]计算反射率为Rm与谱域空间中波长对应的最大值max和最小值min的距离|max
‑
Rm|、|min
‑
Rm|；
[0023]将1/|max
‑
Rm|和1/|min
‑
Rm|作为归一化插值因子。
[0024]优选地，获得多个谱域空间矩阵，包括：
[0025]在待插值矩阵每一列中，以为1的元素为界，向上下逐行递减插值，直至值不大于0，向上递减的归一化插值因子为1/|max
‑
Rm|，向下递减的归一化插值因子为1/|min
‑
Rm|，直至值不大于0；
[0026]更新N个10000
×
M矩阵，获得多个谱域空间矩阵。
[0027]优选地，累加多个谱域空间矩阵，获得地物累计谱域空间矩阵、并构造目标地物的特征光谱，包括：
[0028]将N个10000
×
M的谱域空间矩阵进行相加，获得累计谱域空间矩阵；
[0029]检索累计谱域空间矩阵每列的最大值，并记录其所在的行号得到一个1
×
M的矩阵；
[0030]将1
×
M矩阵除于10000，得到M个0
‑
1的数值，获得目标地物的特征光谱。
[0031]优选地，还包括对识别不同类的地物目标进行精度验证，其包括：
[0032]采用航空高光谱集标注数据分层按比例生成验证像元；
[0033]采用混淆矩阵对不同类的地物目标识别精度进行验证。
[0034]优选地，还包括对识别不同类的地物目标进行精度评价，其包括：
[0035]采用总体精度OA、Kappa系数、制图精度PA和用户精度UA作为精度指标对不同类的地物目标识别精度进行评价。
[0036]本专利技术实施例提供一种用于目标地物分类识别的特征光谱提取方法，与现有技术相比，其有益效果如下：
[0037]本文基于地理相似定律，参考空间插值思想，提出了一种基于谱域插值的特征光谱构建算法。该方法将光谱带与空间插值的思路进行耦合，在保留均值特征光谱易于计算分析特性的同时，有效地弥补均值特征光谱耐抗性差的缺点，提高了特征光谱对异常极值的抗性，强化了特征光谱的表征能力。实验结果显示，相较于MCS，ICS在表征特征光谱形态
的SAM中，总体精度提升4.24％；在表征特征光谱细节的幅值特征参量重要性评价和LDA中，幅值参量重要性得分平均提高0.35，各树种判别精度提升2.51％，总体精度提上2.5％。研究表明，ICS无论是在光谱特征整体形态的表征，还是对细节特征的再现上，都要优于传统MCS。可以用于改进分类场景中目标地物的特征光谱提取流程，提高类间可分离性；优化反演场景中特征参量的构建，提升光谱的表征能力。
附图说明
[0038]图1为本专利技术实施例提供的一种用于目标地物分类识别的特征光谱提取方法的ICS计算流程图；
[0039]图2为本专利技术实施例提供的一种用于目标地物分类识别的特征光谱提取方法的均值(a)与插值(b)特征光谱SAM结果；
[0040]图3为本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于目标地物分类识别的特征光谱提取方法，其特征在于，包括：获取目标地物的多条地物光谱、并构建光谱矩阵；计算光谱矩阵每列的最大值和最小值，获得目标地物光谱的谱域空间；构建以整形反射率为行号，波长为列号的多条地物光谱对应的多个待插值矩阵，其中，每个待插值矩阵每列中为1的元素代表该列波长存在对应的反射率；在每个待插值矩阵中，计算每一列中波长对应的反射率和谱域空间的距离，获得归一化插值因子；对每个待插值矩阵的每一列采用反距离插值的方式进行插值处理，获得多个谱域空间矩阵；累加多个谱域空间矩阵，获得地物累计谱域空间矩阵、并提取目标地物的特征光谱；采用目标地物的特征光谱联合光谱角制图算法对采集的航空高光谱集进行分类制图，识别不同类的地物目标。2.如权利要求1所述的一种用于目标地物分类识别的特征光谱提取方法，其特征在于，所述获得目标地物光谱的谱域空间，包括：获得目标地物的多条地物光谱中不同波长对应的反射率；将反射率乘于10000化为整型；构造表示N条光谱、M个波长的N
×
M的矩阵；计算N
×
M的矩阵每一列的最大值max和最小值min，作为谱域空间的边界。3.如权利要求2所述的一种用于目标地物分类识别的特征光谱提取方法，其特征在于，所述构建待插值矩阵，包括：构建N条地物光谱的10000
×
M矩阵Ai，i∈[1、2、
……
、N]，其中N表示光谱数，在10000
×
M矩阵每列中为1的元素代表该列的波长存在对应的反射率，0代表在该列的波长不存在对应的反射率。4.如权利要求3所述的一种用于目标地物分类识别的特征光谱提取方法，其特征在于，所述根据波长对应的反射率和谱域空间的距离，计算每个待插值矩阵每一列的归一化插值因子，包括：获得待插值矩阵每一列中波长对应的反射率为Rm；计算反射率为Rm与谱域空间中波长对应的最...

【专利技术属性】
技术研发人员：栗旭升，赵英俊，陆冬华，张东辉，邵亚奎，秦凯，孙雨，杨越超，崔鑫，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：