本发明专利技术针对现有高光谱遥感图像分类技术，在图像分类结果存在“杂点”的问题上，提出了一种空间邻域信息加权的高光谱遥感图像分类方案。首先对预处理后的图像数据进行部分主成分分析，获取变换后的特征矩阵，然后对特征矩阵利用空间邻域信息加权的FCM算法实施快速聚类，得到高光谱图像的分类结果。本发明专利技术提供的高光谱遥感图像分类方案，充分结合了主成分分析特征降维的功效和高光谱图像丰富的空间邻域信息，在保证算法效率的同时，提高了高光谱图像的分类效果，与传统方法法相比，不仅能够降低计算量，而且可以改善分类效果，克服“同物异谱”和噪声引起的“杂点”现象，获得很好的分类效果。
【技术实现步骤摘要】
【专利摘要】本专利技术针对现有高光谱遥感图像分类技术，在图像分类结果存在“杂点”的问题上，提出了一种空间邻域信息加权的高光谱遥感图像分类方案。首先对预处理后的图像数据进行部分主成分分析，获取变换后的特征矩阵，然后对特征矩阵利用空间邻域信息加权的FCM算法实施快速聚类，得到高光谱图像的分类结果。本专利技术提供的高光谱遥感图像分类方案，充分结合了主成分分析特征降维的功效和高光谱图像丰富的空间邻域信息，在保证算法效率的同时，提高了高光谱图像的分类效果，与传统方法法相比，不仅能够降低计算量，而且可以改善分类效果，克服“同物异谱”和噪声引起的“杂点”现象，获得很好的分类效果。【专利说明】技术邻域本专利技术属于高光谱遥感图像处理领域，具体涉及一种。
技术介绍
高光谱遥感技术是一种新兴遥感技术，它借助成像光谱仪将成像技术和细分光谱技术革命性地结合在一起，与传统多光谱遥感相比，高光谱遥感具有光谱分辨率高、图谱合一、在某一光谱段范围内连续成像的优势。这些特点和优势使得高光谱图像在军事目标的探测、植被的精细分类、地质岩矿物的识别、海洋检测、环境检测、以及城市规划等众多领域得到广泛应用。高光谱图像数据是一个光谱图像的立方体，通常有以下三种表示方法:I)图像空间:它是一种最直观的高光谱数据信息的表现方式，反映了地物的分布和变化以及不同地物之间的空间关系。图像空间最重要的用途就是将图像中每一个像素与其地面位置对应起来，为高光谱影像处理与分析提供空间知识，但是波段之间的相互关系很难从图像中反映出来。2)光谱空间:利用目标的光谱响应与波长之间的变化关系来描述高光谱数据所蕴含的信息。图像中每一个像元矢量对应一条近似连续的光谱曲线，它是电磁波能量对波长的函数，反映了其所代表的目标的辐射光谱信息。曲线中每个点的数值是相应成像波段上传感器对目标光谱辐射与反射能量的响应值。3)特征空间:高光谱影像中的每一个像元对应着多个成像波段的反射值，这些反射值可以用一个多维矢量表示。在特征空间中，不同的目标分布在不同区域，并且有不同的分布特性，这就有利于定量地描述目标的光谱辐射特性及其在特征空间内的变化规律。高光谱遥感技术中一个经典、具有探索性的研究领域就是遥感图像的分类。由于目前尚无通用的分类理论，而现有的大多数算法只针对具体问题，所以人们至今仍在不断研究和发掘新的分类理论与分类算法。高光谱图像分类方法，可以归结为两类:一类是基于光谱空间的分类方法，利用反映地物光谱特征的光谱曲线来识别地物；另一类是基于特征空间的分类方法，利用地物在特征空间的统计特性来建立分类模型。这两类方法通常只注重地物在光谱空间或特征空间上的差异，而忽视了像元“同物异谱”的现象和像元在图像空间维的结构，这种处理方式造成的后果就是图像分类后会有很多“杂点”，这是由噪声和地物分布在数据获取尺度上的不均匀引起的。一般情况下，地物在空间上都是连续分布的，或者说如果某点处为A类地物，那么在此点的邻域上是A类地物的可能性最大，这是一个非常重要的信息，利用好这个信息是消除“杂点”现象、提高分类精度的关键所在。高光谱图像具有数据量大、冗余度高和波段间相关性强的特点，直接对原始数据处理并不经济，所以通常在进行分类之前会对遥感数据做特征降维处理，常用的高光谱数据降维方法是主成分分析(Principal Component Analysis)算法。主成分分析是考察多个变量间相关性的一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。这对高光谱数据有非常重要的意义:一方面，能够使图像远离噪声，提高数据质量；另一方面，去除图像中的无价值波段，可以降低计算量，提高处理效率。
技术实现思路
本专利技术所要解决的技术问题是，针对高光谱遥感图像数据量大、冗余高和现有分类技术在分类结果中存在“杂点”的问题上，提出了一种。本专利技术解决上述技术问题的技术方案是:一种，包括:预处理阶段和分类阶段，预处理阶段，采用PPCA变换对高光谱图像波段进行降维，降低图像波段信息的冗余；分类阶段，采用图像空间邻域信息加权的模糊C均值算法，消除遥感图像分类结果中存在的“杂点”。具体技术方案为:读取遥感图像，对图像特征矢量进行PPCA变换实现对特征矢量矩阵降维，从波段数据中获得部分线性不相关的矢量作为像元样本；从图像矩阵中提取像元样本的邻域像元，获取特征隶属度，根据特征隶属度计算像元样本所有邻域像元对应第某类特征隶属度的中值，获得特征矩阵中所有样本对应每个类别的空间邻域信息，根据空间邻域信息更新模糊划分矩阵和聚类中心，由模糊划分矩阵得到各像元分类结果，构造伪彩色图。其中，对特征矢量矩阵降维包括:选取样本并转换成数据矩阵，计算样本数据的相关系数矩阵，计算相关系数矩阵的特征根，计算特征根的累计贡献率，根据累计贡献率选取特征维数，获取特征矢量。具体为:提取图像中心像元选取样本，并转换成2维数据矩阵B，获得数据矩阵S的相关系数矩阵R ;根据特征方程lR-λ?Ι =0，计算R的特征根Xi，并使其从大到小排列【权利要求】1.一种，其特征在于，该方法包括:读取遥感图像，对图像特征矢量进行PPCA变换实现对特征矢量矩阵降维，从波段数据中获得部分线性不相关的矢量作为像元样本；从图像矩阵中提取像元样本的邻域像元，获取特征隶属度，根据特征隶属度计算像元样本所有邻域像元对应第某类特征隶属度的中值，作为特征矩阵中所有样本对应每个类别的空间邻域信息，根据空间邻域信息更新模糊划分矩阵和聚类中心，由模糊划分矩阵得到各像元分类结果，构造伪彩色图。2.根据权利要求1所述的方法，其特征在于，对特征矢量矩阵降维包括:选取样本并转换成数据矩阵，计算样本数据的相关系数矩阵，计算相关系数矩阵的特征根，计算特征根的累计贡献率，根据累计贡献率选取特征维数，获取特征矢量。3.根据权利要求1所述的方法，其特征在于，根据特征隶属度计算像元样本所有邻域像元对应第某类特征隶属度的中值具体为:根据公式: 4.根据权利要求1所述的方法，其特征在于，根据空间邻域信息更新模糊划分矩阵和聚类中心具体包括:从图像矩阵中提取样本Xj的邻域像元；获得&隶属于第i类的特征隶属度v1/和空间邻域信息#，获得特征隶属度&和空间邻域信息4加权后的模糊相似度 5.根据权利要求2所述的方法，其特征在于，计算相关系数矩阵的特征根具体为:根据数据矩阵S的相关系数矩阵R，调用特征方程lR-λ 11=0计算R的特征根λ it)6.根据权利要求2所述的方法，其特征在于，计算特征根的累计贡献率，根据累计贡献率选取特征维数具体为:将特征根从大到小排列，得到对应的特征向量a= {a1; a2，…au}， 根据公式 7.根据权利要求2或6所述的方法，其特征在于，根据累计贡献率选取特征维数，获取特征矢量具体为:找到使累计贡献率第一次到达累计贡献率上限值K的特征维数L，提取前L个主成分对应的特征向量i3={ai，a2，…aj，调用公式Χ=βτ.Β获取图像的特征矩阵，即根据公式: Xij=BliBya2iB-MauiBuj (i = 1,2, ".,Uj=I, 2,…，p)计算原图像数据的主成分。8.根据权利要求4所述的方本文档来自技高网...
【技术保护点】
一种空间邻域信息加权的高光谱遥感图像分类方法，其特征在于，该方法包括：读取遥感图像，对图像特征矢量进行PPCA变换实现对特征矢量矩阵降维，从波段数据中获得部分线性不相关的矢量作为像元样本；从图像矩阵中提取像元样本的邻域像元，获取特征隶属度，根据特征隶属度计算像元样本所有邻域像元对应第某类特征隶属度的中值，作为特征矩阵中所有样本对应每个类别的空间邻域信息，根据空间邻域信息更新模糊划分矩阵和聚类中心，由模糊划分矩阵得到各像元分类结果，构造伪彩色图。
【技术特征摘要】
【专利技术属性】
技术研发人员：陈善学，李俊，于佳佳，韩勇，冯银波，
申请(专利权)人：重庆邮电大学，
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。