一种高光谱与红外数据多级决策融合分类方法，其步骤如下：(1)对高光谱与红外数据进行抑噪处理与空间配准；(2)根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；(3)根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；(4)根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2)建立的联合特征空间进行小目标加强决策提取；(5)对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策；(6)设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。
【技术实现步骤摘要】
本专利技术涉及，属于多源遥感数据处理方法与应用
，适用于高光谱与红外数据高精度分类的理论方法和应用技术研究。
技术介绍
随着航天遥感技术发展和应用，多层次、多角度、全方位和全天候的地球信息获取系统逐渐建立起来，并由此带来了地球观测数据量的迅猛增长，如何将这些信息有效的综合起来应用，使多源遥感数据互相补充，是当前遥感研究的热点问题之一。高光谱遥感技术克服了传统单波段、多光谱遥感在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供遥感信息，能够对地物予以细分和鉴别，在资源、环境、城市、生态等领域得到了广泛应用。红外成像技术能够获取到物体表面热辐射及其内部热耗散的信息，具有抗干扰能力强、气候环境适应性强、全天候连续、 非接触探测、高精度角度测量等优点，在民用与军事应用中发挥了重大的作用。融合高光谱与红外数据，能够在利用高光谱的图谱信息的同时，又补充以红外图像的空间热分布信息， 使多源遥感信息相互补充，进而更好的服务于目标探测与地物精细划分等应用，解决高光谱遥感与红外遥感中存在的问题。受仪器本身以及环境等因素的影响，真实遥感数据普遍存在噪声，影响遥感数据的真实性和可靠性，因此去噪处理对遥感数据非常重要。最小噪声分离(Minimum Noise Fraction, MNF)变换是一种很好的高光谱数据抑噪方法，在实际应用中简单有效。然而作为MNF变换中的核心输入参量一高光谱数据波段噪声协方差估计方法仍然存在问题。光谱-空间去相关法(Spectral and Spatial Decorrelation Method, SSDC)是现阶段公认的适应性强、精度稳定的噪声提取算法，然而由于该算法理论的限制，它对均匀地物图像的噪声提取有效，而对图像上地物混杂的情况提取的噪声精度下降。实际上，“同质”假设在噪声估计中至关重要，准确的同质区域提取将很大程度上提高噪声估计的结果。而在高光谱数据中，同质区域和非同质区域一般会同时存在，需要充分利用同质区域求取噪声，并降低非同质区域对求取噪声的影响。决策级融合非常适合于多源遥感数据处理，它可以对每个数据源进行变换以获得独立的目标属性估计，然后将其作为决策进行决策融合，是一种灵活高效的处理多源数据的融合方法。决策层融合的主要优点在于融合中心处理代价低；对信息传输带宽要求很低；当一个或几个决策输出出现错误时，通过适当的融合，系统还能获得正确的结果；适用面广，对原始的传感数据没有特殊的要求，提供原始数据的各传感器可以是异类传感器，其中甚至可以包括由非图像传感器获取的信息。
技术实现思路
本专利技术的目的是提出，它降低了单一数据源与单一分类方法的不足所造成的分类误判，通过一种多级决策融合的方式实现高光谱与红外数据的高精度、高稳定性地物分类。本专利技术的技术解决方案是本专利技术以决策融合的方式实现高光谱与红外数据的高精度地物融合分类，充分考虑了噪声对数据真实性的影响，对于高光谱数据采用一种针对高光谱数据同质区域探测的多维梯度的方法实现高光谱图像同质区域的探测，求解出精确的高光谱波段噪声估计结果，进而得到精确的抑噪高光谱数据；在决策的提取中采用多级决策提取的方式高光谱与红外数据联合特征级分类、小目标加强决策提取、基于可变端元优化搜索的高光谱数据丰度估计方法，其中对于小目标加强决策提取，设计了地物类型的选择标准，对于丰度决策提取设计了一种充分考虑了混合不确定性与端元不确定性的高效的可变端元丰度估计方法；此外，为更好的实现决策的融合，设计了一种结合了模糊思想的融合规则。本专利技术以一种多级决策融合的方式实现了高光谱与红外数据的高精度分类。本专利技术，其步骤如下(I)、对高光谱与红外数据进行抑噪处理与空间配准；(2)、根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；(3)、根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；(4)、根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2) 建立的联合特征空间进行小目标加强决策提取；(5)、对步骤(I)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策；(6)、设计融合规则，融合由步骤(3)获取的分类决策、步骤⑷获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。其中，步骤(I)中所采用的抑噪方法采用小波方法对红外图像抑噪，采用改进最小噪声分离变换对高光谱数据抑噪，在改进最小噪声分离变换中采用一种基于高光谱多维梯度分块甄选的循环光谱-空间去相关噪声估计方法估计高光谱数据波段噪声协方差矩阵Cov，其具体步骤如下a)令循环标号T = I,Km为完整的高光谱数据空间，将Km空间维分成LenXLen 大小的相接且不重叠的方块，Len e ，并在Κ(τ)标记分块情况，将无法划分成块的图像部分剔除Km ；b)基于Κ(τ)，利用SSDC法求解波段噪声￡(n = ，<为波段i的噪声方差， L，L为高光谱数据的光谱维数，若T > I且IEm-E(H) I < ε，ε = 10_4，根据当前Km利用SSDC法计算波段噪声协方差矩阵Cov，结束循环；否则进行下一步骤c)；c)根据波段噪声Em计算高光谱多维权重梯度的权重因子 W(r) ，计算公式如下权利要求1.，其特征在于它包含以下步骤(1)、对高光谱与红外数据进行抑噪处理与空间配准；(2)、根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；(3)、根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类， 得到地物分类决策；(4)、根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2)建立的联合特征空间进行小目标加强决策提取；(5)、对步骤(I)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策;(6)、设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。2.根据权利要求I所述的，其特征在于步骤(I)中所采用的抑噪方法采用小波方法对红外图像抑噪，采用改进最小噪声分离变换对高光谱数据抑噪，在改进最小噪声分离变换中采用一种基于高光谱多维梯度分块甄选的循环光谱-空间去相关噪声估计方法估计高光谱数据波段噪声协方差矩阵Cov，其具体步骤如下a)令循环标号T= 1,K(T)为完整的高光谱数据空间，将Km空间维分成LenXLen大小的相接且不重叠的方块，Len e ，并在Κ(τ)标记分块情况，将无法划分成块的图像部分剔除Km ；b)基于Km，利用光谱-空间去相关法求解波段噪声=为波段i的噪声方差，I彡i彡L，L为高光谱数据的光谱维数，若T > I且IEm-E(H) I < ε，ε = 10_4，根据当前Km利用光谱-空间去相关法计算波段噪声协方差矩阵Cov，结束循环；否则进行下一步骤c)；C)根据波段噪声Em计算高光谱多维权重梯度的权重因子=V··,Mf I，计算公式如下d)利用w(T)求解高光谱数据每个像元(X，y)的梯度Gx,y，计算公式如下其中P δ (zk)为第k波段的形态学梯度，l^k^L, δ为结构元，Zk为第k波段像元 (X，y)处的灰度值，P δ (zk)计算公式本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：赵慧洁，曹扬，李娜，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。