基于空间信息迁移的高光谱图像分类方法技术

本发明专利技术公开了一种基于空间信息迁移的高光谱图像分类方法，主要解决现有基于SVM算法的高光谱图像分类不准确，速度较慢，稳定性较差的问题。其实现步骤是：先从高光谱图像中随机选出一些波段分别作为源域，利用EM算法对源域进行聚类得到空间信息；随机选取高光谱图像剩余波段中一些波段作为目标域，在空间信息的约束下将目标域样本迁移到标记样本；最后用SVM算法对这些标记样本进行训练分类，得到最终的分类结果。本发明专利技术与传统的分类方法相比，具有速度快、效果好等优点，而且可使用较少的波段达到较高的聚类精度，大大的节约了计算成本，可用于矿产探测、资源调查及环境监测。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，主要解决现有基于SVM算法的高光谱图像分类不准确，速度较慢，稳定性较差的问题。其实现步骤是：先从高光谱图像中随机选出一些波段分别作为源域，利用EM算法对源域进行聚类得到空间信息；随机选取高光谱图像剩余波段中一些波段作为目标域，在空间信息的约束下将目标域样本迁移到标记样本；最后用SVM算法对这些标记样本进行训练分类，得到最终的分类结果。本专利技术与传统的分类方法相比，具有速度快、效果好等优点，而且可使用较少的波段达到较高的聚类精度，大大的节约了计算成本，可用于矿产探测、资源调查及环境监测。【专利说明】
本专利技术属于图像处理
，涉及对高光谱遥感图像的处理，可用于矿产探测、资源调查及环境监测。
技术介绍
伴随着遥感技术的发展和成像设备的进步，光学遥感技术进入了高光谱遥感时代，高光谱遥感技术的出现和发展将使得遥感成像设备以更快的速度、更高的分辨率、更大的信息量为人类提供海量的观测数据，将人们通过遥感技术观测和认识地物的能力带入了一个崭新的阶段。针对由成像光谱仪采集得到的高光谱遥感数据，如何对其中蕴含的海量信息进行充分而且有效的利用，给广大的科研工作者和技术人员提出的挑战并带来了机遇。通过对高光谱遥感数据进行有效的分类，能够更加深入的挖掘高光谱遥感图像在矿产探测、资源调查以及环境监测等方面的应用。分类按照是否需要事先标记样本可以分为有监督分类、无监督分类和半监督分类。无监督分类由于其不需要人工去标记样本，一般易于实现，但是由于没有标记样本的指导，得到的分类效果往往不是很理想。有监督分类一般是在标记样本的指导下进行分类，在训练样本充足的情况下能获得不错的分类效果，所以有监督分类在高光谱图像分类中被广泛应用。一些常用的有监督分类算法，如SVM算法、贝叶斯算法等在训练样本充足的情况下能获得不错的分类效果，但是由于高光谱图像波段数目多的原因，分类速度慢，而且受标记样本是否充足的影响很大，常常需要大量标记样本，否则分类效果不理想。
技术实现思路
本专利技术的目的在于针对上述SVM算法在高光谱遥感图像中分类的缺陷，提出一种，以加快分类速度，提高分类正确率。`为实现上述目的，本专利技术包括如下步骤:(I)输入高光谱图像、…，!^是光谱中大小为!!!※!!的一个波段，N为高光谱图像的波段数目；(2)输入高光谱图像Ikxn中的已标记样本Xi和标记标签Yi,Xi是高光谱图像中第i个样本的特征向量，Yi是与已标记样本Xi相对应的标记标签，Yi e {1，2，...，k}, k是高光谱图像中的类别数目；(3)随机选出高光谱图像中的10个波段数据作为目标域样本Dt，从高光谱图像中剩余的波段中再另选取出10个波段数据作为源域样本Ds ；(4)用基于高斯混合模型的EM算法对源域样本Ds进行聚类，得到源域样本Ds的聚类结果，计为总空间信息D。；(5)将标记样本Xi结合源域样本Dt的空间信息，在总空间信息D。的约束下迁移样本至已标记样本，得到新的标记样本Xj和新的标记标签Yj ；(6)根据新的标记样本Xj和标记标签Yj进行学习，得到支持向量机分类器SVM ；(7)用支持向量机SVM对目标域样本叫进行分类，得到分类标签I ;本专利技术与现有的技术相比具有以下优点:1、本专利技术通过引入迁移学习的方法，充分利用了高光谱图像波段间的信息，减少了需要使用的波段数目，使分类速度加快；同时通过引入其它波段的空间信息，提高了分类的准确性；2、本专利技术针对用SVM算法进行高光谱图像分类时标记样本点少的问题，通过迁移其它波段的空间信息来增加标记样本点，减少了人力和物力的消耗，大大的提高了分类正确率。【专利附图】【附图说明】图1是本专利技术的总流程图；图2是本专利技术所使用的高光谱遥感图像的灰度图；图3是本专利技术中所使用高光谱图像的真实分布标签；图4是本专利技术中对高光谱数据用EM算法聚类得到的空间信息；图5是本专利技术中对高光谱数据用SVM分类方法得到的结果；图6是本专利技术中用的结果。【具体实施方式】·参照图1，本专利技术，包括如下步骤:步骤1:输入高光谱图像IKXN，1?是光谱中大小为mXn的一个波段，N为高光谱图像的波段数目，这幅高光谱图像是由ROSIS传感器在意大利帕维亚大学拍摄的，图像的分辨率为610X340，灰度图像如图2所示，该图总共有9类地物，真实分布标签如图3所示。步骤2:输入高光谱图像Ikxn中的已标记样本Xi和标记标签Yi, Xi是高光谱图像中第i个样本的特征向量，Yi是与已标记样本Xi相对应的标记标签，Yi e {1，2，...，k}, k是高光谱图像中的类别数目。步骤3:随机选出高光谱图像中的10个波段数据作为目标域样本Dt，从高光谱图像中剩余的波段中再另选取出10个波段数据作为源域样本Ds。步骤4:用基于高斯混合模型的EM算法对源域样本Ds进行聚类，得到源域样本Ds的聚类结果，计为总空间信息D。。(4a)用EM算法估计源域样本Ds的高斯混合模型的类混合权值参数α」、均值μ」、协方差σEM算法是期望最大算法，它的主要目的是在不知道待估计参数先验信息和观测数据不完备的情况下提供一个简单的迭代算法来计算参数的最大似然估计。EM算法能保证迭代收敛并至少得到使待估计参数的似然函数达到局部极值的一个估计值。其主要分为两步:第一步称为E步骤，是根据参数初始值或上一次迭代值来计算期望；第二步称为M步骤，是将似然函数最大化得到新的参数。通过重复以上两步直到收敛为止，最后可得到源域样本Ds的高斯混合模型的类混合权值参数α」、均值μ」、协方差σ」；(4b)根据类混合权值参数α」、均值μ」和协方差σ」，计算源域中的隶属度Zi^j:【权利要求】1.一种，包括如下步骤: (1)输入高光谱图像IKXN，R是光谱中大小为HiXn的一个波段，N为高光谱图像的波段数目； (2)输入高光谱图像Ikxn中的已标记样本Xi和标记标签YyXi是高光谱图像中第i个样本的特征向量，Yi是与已标记样本Xi相对应的标记标签，Yi e {1,2,...,k\ Λ是高光谱图像中的类别数目； (3)随机选出高光谱图像中的10个波段数据作为目标域样本Dt，从高光谱图像中剩余的波段中再另选取出10个波段数据作为源域样本Ds ； (4)用基于高斯混合模型的EM算法对源域样本Ds进行聚类，得到源域样本Ds的聚类结果，计为总空间信息D。； (5)将标记样本Xi结合源域样本Dt的空间信息，在总空间信息D。的约束下迁移样本至已标记样本，得到新的标记样本Xj和新的标记标签Yj ； (6)根据新的标记样本Xj和标记标签Yj进行学习，得到支持向量机分类器SVM； (7)用支持向量机SVM对目标域样本Dt进行分类，得到分类标签I。2.根据权利要求1所述的方法，其中所述步骤(5)中将标记样本Xi结合源域样本Dt的总空间信息D。，在空间信息的约束下迁移样本至已标记样本，得到新的标记样本Xj和新的标记标签Yj，通过如下步骤进行: (5a)将源域样本聚类之后得到的总空间信息D。表示为: D0 = {Dj , z = 1，2，...，t， 其中，Dz表示第z个聚类块的空间信息，是聚类标签相同并且标签连通的一块区域，t是聚类结果中聚类块的个数； (5b)计算已标记样本Xi中每个样本的位置,若i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：缑水平，刘芳，张观侣，马文萍，马晶晶，侯彪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：