專利名稱：一種高光譜與紅外數據多級決策融合分類方法
技術領域：
本發明涉及一種高光譜與紅外數據多級決策融合分類方法，屬于多源遙感數據處理方法與應用技術領域，適用于高光譜與紅外數據高精度分類的理論方法和應用技術研究。
背景技術：
隨著航天遙感技術發展和應用，多層次、多角度、全方位和全天候的地球信息獲取系統逐漸建立起來，并由此帶來了地球觀測數據量的迅猛增長，如何將這些信息有效的綜合起來應用，使多源遙感數據互相補充，是當前遙感研究的熱點問題之一。高光譜遙感技術克服了傳統單波段、多光譜遙感在波段數、波段范圍、精細信息表達等方面的局限性，以較窄的波段區間、較多的波段數量提供遙感信息，能夠對地物予以細分和鑒別，在資源、環境、城市、生態等領域得到了廣泛應用。紅外成像技術能夠獲取到物體表面熱輻射及其內部熱耗散的信息，具有抗干擾能力強、氣候環境適應性強、全天候連續、 非接觸探測、高精度角度測量等優點，在民用與軍事應用中發揮了重大的作用。融合高光譜與紅外數據，能夠在利用高光譜的圖譜信息的同時，又補充以紅外圖像的空間熱分布信息， 使多源遙感信息相互補充，進而更好的服務于目標探測與地物精細劃分等應用，解決高光譜遙感與紅外遙感中存在的問題。受儀器本身以及環境等因素的影響，真實遙感數據普遍存在噪聲，影響遙感數據的真實性和可靠性，因此去噪處理對遙感數據非常重要。最小噪聲分離(Minimum Noise Fraction, MNF)變換是一種很好的高光譜數據抑噪方法，在實際應用中簡單有效。然而作為MNF變換中的核心輸入參量一高光譜數據波段噪聲協方差估計方法仍然存在問題。光譜-空間去相關法(Spectral and Spatial Decorrelation Method, SSDC)是現階段公認的適應性強、精度穩定的噪聲提取算法，然而由于該算法理論的限制，它對均勻地物圖像的噪聲提取有效，而對圖像上地物混雜的情況提取的噪聲精度下降。實際上，“同質”假設在噪聲估計中至關重要，準確的同質區域提取將很大程度上提高噪聲估計的結果。而在高光譜數據中，同質區域和非同質區域一般會同時存在，需要充分利用同質區域求取噪聲，并降低非同質區域對求取噪聲的影響。決策級融合非常適合于多源遙感數據處理，它可以對每個數據源進行變換以獲得獨立的目標屬性估計，然后將其作為決策進行決策融合，是一種靈活高效的處理多源數據的融合方法。決策層融合的主要優點在于融合中心處理代價低；對信息傳輸帶寬要求很低；當一個或幾個決策輸出出現錯誤時，通過適當的融合，系統還能獲得正確的結果；適用面廣，對原始的傳感數據沒有特殊的要求，提供原始數據的各傳感器可以是異類傳感器，其中甚至可以包括由非圖像傳感器獲取的信息。
發明內容
本發明的目的是提出一種高光譜與紅外數據多級決策融合分類方法，它降低了單一數據源與單一分類方法的不足所造成的分類誤判，通過一種多級決策融合的方式實現高光譜與紅外數據的高精度、高穩定性地物分類。本發明的技術解決方案是本發明以決策融合的方式實現高光譜與紅外數據的高精度地物融合分類，充分考慮了噪聲對數據真實性的影響，對于高光譜數據采用一種針對高光譜數據同質區域探測的多維梯度的方法實現高光譜圖像同質區域的探測，求解出精確的高光譜波段噪聲估計結果，進而得到精確的抑噪高光譜數據；在決策的提取中采用多級決策提取的方式高光譜與紅外數據聯合特征級分類、小目標加強決策提取、基于可變端元優化搜索的高光譜數據豐度估計方法，其中對于小目標加強決策提取，設計了地物類型的選擇標準，對于豐度決策提取設計了一種充分考慮了混合不確定性與端元不確定性的高效的可變端元豐度估計方法；此外，為更好的實現決策的融合，設計了一種結合了模糊思想的融合規則。本發明以一種多級決策融合的方式實現了高光譜與紅外數據的高精度分類。本發明一種高光譜與紅外數據多級決策融合分類方法，其步驟如下(I)、對高光譜與紅外數據進行抑噪處理與空間配準；(2)、根據高光譜與紅外數據特點，建立高光譜與紅外數據聯合特征空間；(3)、根據待分地物類別與訓練樣本，對步驟(2)建立的聯合特征空間進行監督分類，得到地物分類決策；(4)、根據目標尺寸，確定需要進行小目標加強決策提取的地物種類，利用步驟(2) 建立的聯合特征空間進行小目標加強決策提取；(5)、對步驟(I)得到的抑噪后的高光譜數據進行端元提取與豐度估計，得到豐度決策；(6)、設計融合規則，融合由步驟(3)獲取的分類決策、步驟⑷獲取的小目標加強決策與步驟(5)獲取的豐度決策，得到融合分類結果。其中，步驟(I)中所采用的抑噪方法采用小波方法對紅外圖像抑噪，采用改進最小噪聲分離變換對高光譜數據抑噪，在改進最小噪聲分離變換中采用一種基于高光譜多維梯度分塊甄選的循環光譜-空間去相關噪聲估計方法估計高光譜數據波段噪聲協方差矩陣Cov，其具體步驟如下a)令循環標號T = I,Km為完整的高光譜數據空間，將Km空間維分成LenXLen 大小的相接且不重疊的方塊，Len e [5，15]，并在Κ(τ)標記分塊情況，將無法劃分成塊的圖像部分剔除Km ；b)基于Κ(τ)，利用SSDC法求解波段噪聲￡(n = ，<為波段i的噪聲方差， L，L為高光譜數據的光譜維數，若T > I且IEm-E(H) I < ε，ε = 10_4，根據當前
Km利用SSDC法計算波段噪聲協方差矩陣Cov，結束循環；否則進行下一步驟c)；c)根據波段噪聲Em計算高光譜多維權重梯度的權重因子 W(r) ，計算公式如下
權利要求
1.一種高光譜與紅外數據多級決策融合分類方法，其特征在于它包含以下步驟(1)、對高光譜與紅外數據進行抑噪處理與空間配準；(2)、根據高光譜與紅外數據特點，建立高光譜與紅外數據聯合特征空間；(3)、根據待分地物類別與訓練樣本，對步驟(2)建立的聯合特征空間進行監督分類， 得到地物分類決策；(4)、根據目標尺寸，確定需要進行小目標加強決策提取的地物種類，利用步驟(2)建立的聯合特征空間進行小目標加強決策提取；(5)、對步驟(I)得到的抑噪后的高光譜數據進行端元提取與豐度估計，得到豐度決策;(6)、設計融合規則，融合由步驟(3)獲取的分類決策、步驟(4)獲取的小目標加強決策與步驟(5)獲取的豐度決策，得到融合分類結果。
2.根據權利要求I所述的一種高光譜與紅外數據多級決策融合分類方法，其特征在于步驟(I)中所采用的抑噪方法采用小波方法對紅外圖像抑噪，采用改進最小噪聲分離變換對高光譜數據抑噪，在改進最小噪聲分離變換中采用一種基于高光譜多維梯度分塊甄選的循環光譜-空間去相關噪聲估計方法估計高光譜數據波段噪聲協方差矩陣Cov，其具體步驟如下a)令循環標號T= 1,K(T)為完整的高光譜數據空間，將Km空間維分成LenXLen大小的相接且不重疊的方塊，Len e [5，15]，并在Κ(τ)標記分塊情況，將無法劃分成塊的圖像部分剔除Km ；b)基于Km，利用光譜-空間去相關法求解波段噪聲=為波段i的噪聲方差，I彡i彡L，L為高光譜數據的光譜維數，若T > I且IEm-E(H) I < ε，ε = 10_4，根據當前Km利用光譜-空間去相關法計算波段噪聲協方差矩陣Cov，結束循環；否則進行下一步驟c)；C)根據波段噪聲Em計算高光譜多維權重梯度的權重因子=V··,Mf I，計算公式如下d)利用w(T)求解高光譜數據每個像元(X，y)的梯度Gx,y，計算公式如下其中P δ (zk)為第k波段的形態學梯度，l^k^L, δ為結構元，Zk為第k波段像元 (X，y)處的灰度值，P δ (zk)計算公式如下P s ( ) = d s (Zk) _θ δ (Zk)，其中ds和es為膨脹與腐蝕算子；e)重新將原始高光譜數據空間維分成LenXLen大小的相接且不重疊的方塊，剔除無法劃分成塊的圖像部分，得到Qm，并在Qm標記分塊情況，計算每塊高光譜數據的平均梯度，公式如下
3.根據權利要求I所述的一種高光譜與紅外數據多級決策融合分類方法，其特征在于步驟(4)中選擇需要進行小目標加強決策提取的地物種類的方法，其含義說明如下若
4.根據權利要求I所述的一種高光譜與紅外數據多級決策融合分類方法，其特征在于步驟(5)中所述的“對步驟⑴得到的抑噪后的高光譜數據進行端元提取與豐度估計， 得到豐度決策”，其具體步驟如下a)利用頂點成分分析、純像元指數、序列最大角凸錐方法提取圖像端元，構成初始端元庫 ;b)基于對地面實際情況的了解，將標準光譜庫光譜信息引入到 中作為對圖像端元的補充；c)采用聚類分析與光譜角準則相結合的方式去除冗余端元，簡化后續處理的運算量， 具體方法如下首先采用聚類分析方法將端元集 分為C類，C為地物類別數目，將各類中與該類聚類中心光譜角大于α (α >0. I)的端元光譜剔除該類，同時將與他類聚類中心光譜角小于β (β <0. I)的端元光譜剔除本類，得到去冗余的端元光譜庫O，O = {Ψι，...， Ψ , . . . , Vc}，Ψ 為第i類端元集合，I ^ i ^ C ；d)利用交叉相關光譜匹配方法、基于Θ為高光譜數據每一像元尋找一個參與該像元混合的端元子集，在尋找端元子集的過程中，若第i類端元被交叉相關光譜匹配方法選入某像元對應的端元子集，則在該像元隨后的選擇中第i類端元不再參與選擇，最終確定每一像元對應的端元子集；e)利用步驟d)確定的端元子集對對應像元進行非負限制最小二乘解混，計算每一像元對應端元子集的解混誤差(RMSE，Θ)，其中RMSE為均方根誤差、Θ為光譜角，RMSE與Θ 計算公式如下!(R-R' f (R-Fi) θ-arc cosi_空_ ,其中R為像元光譜，V為R的建模光譜；f)設定解混誤差閾值如下
5.根據權利要求I所述的一種高光譜與紅外數據多級決策融合分類方法，其特征在于步驟(6)中所述的“設計融合規則，融合由步驟(3)獲取的分類決策、步驟(4)獲取的小目標加強決策與步驟(5)獲取的豐度決策，得到融合分類結果”，其含義說明如下設計融合規則，融合步驟(3)得到的分類決策Cla、步驟(4)得到的小目標加強決策Objs，與步驟(5)得到的豐度決策Fras，得到最終的融合分類結果，具體方法如下
全文摘要
一種高光譜與紅外數據多級決策融合分類方法，其步驟如下(1)對高光譜與紅外數據進行抑噪處理與空間配準；(2)根據高光譜與紅外數據特點，建立高光譜與紅外數據聯合特征空間；(3)根據待分地物類別與訓練樣本，對步驟(2)建立的聯合特征空間進行監督分類，得到地物分類決策；(4)根據目標尺寸，確定需要進行小目標加強決策提取的地物種類，利用步驟(2)建立的聯合特征空間進行小目標加強決策提取；(5)對步驟(1)得到的抑噪后的高光譜數據進行端元提取與豐度估計，得到豐度決策；(6)設計融合規則，融合由步驟(3)獲取的分類決策、步驟(4)獲取的小目標加強決策與步驟(5)獲取的豐度決策，得到融合分類結果。
文檔編號G06K9/40GK102592134SQ20111038457
公開日2012年7月18日 申請日期2011年11月28日 優先權日2011年11月28日
發明者曹揚, 李娜, 趙慧潔 申請人:北京航空航天大學