基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方法
【專利摘要】本發明屬于遙感圖像處理【技術領域】，具體為基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方法。本發明在過分割的前提下，以隸屬度評分為核心，引入區域生長的流程，有效地結合光譜信息和空間信息，為半監督分類提供一種新策略。其中，隸屬度評分以模糊理論為基礎，同步權衡三大因素：高光譜圖像的空間一致性、光譜多變性以及先驗知識，能夠得到高精度的分類結果以及平滑的分類標識圖。本發明對參數以及訓練樣本在總體樣本中的占比都具有良好的魯棒性；地物類別隸屬度的模糊評分高效地利用了先驗知識，只需極少量的訓練樣本就能輸出高質量的分類結果，而且分類精度對參數的變化不敏感；本發明在高光譜圖像的分類方面具有重要的應用價值。
【專利說明】基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方 法
【技術領域】
[0001] 本發明屬于遙感圖像處理【技術領域】，具體涉及一種基于地物類別隸屬度評分的高 光譜遙感圖像半監督分類方法。
【背景技術】
[0002] 遙感技術是本世紀六十年代發展起來的新興綜合技術，與空間、電子光學、計算 機、地理學等科學技術緊密相關，是研究地球資源環境的最有力的技術手段之一。高光譜遙 感是將成像技術與光譜技術相結合的多維信息獲取技術。高光譜成像儀在電磁波譜的數十 至數百個非常窄且連續的光譜段上同時探測目標的二維幾何空間與一維光譜信息，為地物 信息的提取和分析提供了極其豐富的信息，有助于精細的地物分類和目標識別，從而被廣 泛應用于地質科學、水文科學、精準農業以及軍事領域等[1]，[2]。然而，大量的光譜信息也 會帶來諸多問題，如維數災難、休斯（Hughes)效應等。特別是遇到嚴重的同物異譜現象時， 單純依靠光譜特征的分類器無法精確地將同一種類的像素劃分出來[2]。所以需要借助空 間信息來彌補光譜信息的不足。在高光譜圖像中，像素的分布往往表現出空間上的特性，可 以提取出多種對應于地物的空間特征，例如形狀、紋理等。將這些空間信息與光譜信息相結 合[2]，則可以大大提高利用高光譜圖像進行地物分類的能力。
[0003] 在空譜結合的指導思想下，大量學者致力于半監督分類的研究，并發表了各種優 秀的方法[1]_[6]。而這些方法往往偏重于算法的開發，卻忽視了高光譜遙感圖像本身的特 性，使得它們步驟龐雜，不利于應用與推廣。經我們研究發現，只要能夠充分利用高光譜圖 像的局部空間一致性，就能夠有效地應對同物異譜現象，從而得到高精度的地物標識圖。另 夕卜，由于獲取一組高光譜數據的地物真實信息的難度較大，使得訓練樣本的個數稀少[2]。 所以充分地利用有限的先驗知識是半監督分類方法的另一大要點。
[0004] 下面介紹與本發明相關的一些概念：
[0005] 光譜多樣性（Spectral variability)
[0006] 由于高光譜圖像的波段數量大、地物種類多，所以像素的光譜特征具有多樣性。另 夕卜，低空間分辨率、地物分布異質性、多次散射效應等因素會加重多樣性的程度[2]，往往會 導致同物異譜現象或異物同譜現象，為分類造成困難。
[0007] 局部空間的一致性（Local spatial consistency)
[0008] 該特性由我們觀察經驗所得，即為在一個較小的局部空間內，高光譜圖像的像素 往往均屬于少數的幾種類別甚至是同一類別，而且它們的光譜特征具有高度的相關性。 [0009]超像素（Superpixel)
[0010] 超像素在圖像分割領域中得到廣泛應用[7]。本發明將一個分割區域視為一個超 像素。
【發明內容】
toon] 本發明的目的在于提出一種高光譜遙感圖像的半監督分類方法。
[0012] 本發明以模糊理論為基礎[1]，提出一種地物類別隸屬度的評分方法，借用過分割 的結果將其嵌入區域生長流程，同步權衡三大因素：局部空間一致性、光譜多變性以及先驗 知識，實現高光譜遙感圖像的半監督分類。與其他優秀的同類方法相比，本發明具有更高的 分類精度、更好的兼容性和魯棒性，以及更為簡便的實現方式。兼容性表現在能夠兼容多種 像素級相似性（距離）度量和簡單基本的過分割算法：即使在過分割結果誤差較大的情況 下，本發明也能夠保證高質量的分類效果；即使采用不同的像素級相似性度量時，最終分類 精度的波動也不明顯。魯棒性表現在能夠有效應對參數以及訓練樣本占比的變化：只需使 用缺省值而不精確地參數調節，只需極少量的訓練樣本，就能夠獲得高精度的分類結果。實 用性主要體現在評分表達式中，即只需要基本的數值運算，就能夠有效地實現地物隸屬度 的模糊評分。
[0013] 本發明提出一種基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方法。具 體內容如下：
[0014] 一、定義像素和超像素之間的距離
[0015] 對高光譜遙感圖像X e RIX〃Q(I，J，Q分別表示行、列以及波段數）過分割后，得到 M個分割區域IW = I52,...Mr 將每一個Xm視為一個超像素，其中 所涵蓋的自然像素即為該超像素的成員，成員個數Bm即為該超像素的大小[7]。已知超像 素 m和自然像素 i，則像素與超像素之間的距離可定義為：
【權利要求】
1. 一種基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方法，其特征在于，以 模糊理論為基礎，采用地物類別隸屬度評分的方法，同步權衡三大因素：高光譜圖像的空間 一致性、光譜多變性以及先驗知識，借用過分割的結果，通過區域生長的流程，對高光譜遙 感圖像進行半監督的分類以及糾錯；具體內容如下： (一） 定義像素和超像素之間的距離 對高光譜遙感圖像 XEJj2JxJxg過分割后，得到1/個分割區域Xme及5*^，m = 1，2，·.·Μ, 分別表示行、列以及波段數；將每一個視為一個超像素，其中所涵蓋的自然 像素即為該超像素的成員，成員個數即為該超像素的大小；已知超像素w和自然像素i，則像素與超像素之間的距離定義為：
其中，二《?,Γ, 關O是任意像素級的光譜距離或者空間坐標距 yy5u 離； (二） 定義超像素的鄰域 如果一個超像素至少有一個成員與另一的超像素的成員相鄰，則認為這兩個超像素是 相鄰的，在此基礎之上定義超像素的自然鄰域，一個超像素的自然鄰域，即僅涵蓋了與該超 像素相鄰的所有超像素； (三） 定義隸屬度模糊評分 令4表示超像素《內成員$屬于類別e的程度評分，其具體計算過程如公式（2);為 了保持空間區域的一致性，將每次評分都限定在某一個超像素《及其鄰域內，因此，令 C =U,…Cjvia為其中先驗的或已分類的成員的類別；
其中，F是》的自然鄰域中超像素的個數^和J分別表示超像素w及其鄰域中的成 員；是超像素^及其鄰域中先驗為類別e或已劃分為類別^的像素個數，Af、4以 及％的定義同式（1)中；
是成員之 間的空間坐標的歐氏距離；4是下降因子：如果成員j是先驗的訓練樣本，則其類別標識 可信度較高，給它加上較重的權值，故令= %，其中呎>> 1且為常數；如果J不是先驗的 訓練樣本而是在先前的區域生長過程中經過分類的測試樣本，則其類別標識可信度相對較 低，賦予它較輕的權值，故令，其中O 且為常數夕為區域生長過程中J被 分類時的周期編號，τ為整個區域生長過程所經歷的周期數； 在一個周期中，先對像素〗求得所有類別e=U，…的隸屬度評分，再將i劃分到得 分最高的類別中，實現半監督分類； (四） 定義簡化的隸屬度模糊評分 同公式（2)，令表示超像素@內成員$屬于類別e的程度評分，其具體計算過程 如公式（3):
其中，取代了公式（2)中的Fy/y,簡化了加權方法：如果成員」屬于超像素w 且為先驗的訓練樣本，則其類別標識可信度較高，與當前被評分的成員i的關聯密切，給它 加上較重的權值，故令巧=丐，其中％ >> 1且為常數；如果成員j屬于《的鄰域且為先驗 的訓練樣本，則其與2的相關程度有所下降，故令％ =%，其中1?丐《% ;若j不是訓 練樣本，則其類別標識可信度相對較低，故令％ =JT2 ;在半監督分類后，利用公式（3)，實現 糾錯與再分類，以進一步提升分類精度； (五） 采用隸屬度模糊評分，實現半監督分類與糾錯，具體步驟如下： 步驟1 :已知高光譜圖像又Ε 12?χ/χδ,訓練樣本的地物真實、過分割得到的超像素； 其中，訓練樣本的個數為超像素的個數為I;令M=Jx/ ; 步驟2 :計算并記錄X中任意兩個像素7和J之間的相似度; 步驟3 :計算并記錄任意一個訓練樣本$和一個超像素《之間的相似度Dmi ; 步驟4:令超像素計數《 =O;周期計數i=O; 步驟5:半監督分類環節 5a):根據步驟(二）中的定義，確定超像素μ的自然鄰域； 5b):令
其中是 ?鄰域內超像素I的大小；如果超像素M及其鄰域內的先驗訓練樣本數量AL不足，即Iw < ，則在μ及其鄰域外的所有先驗訓練樣本中，查找
個離^?的光譜距離最短的 樣本以及個離^的空間距離最短的樣本，并將這些額外的訓練樣本與超像素《及其 鄰域內固有的訓練樣本相并：ΛΓΜ =JVm + ，用于步驟5c)_ 5d); 5c):根據式（2)中定義的隸屬度評分規則，對超像素概中每一成員i屬于每一類別c的程度進行模糊評分； 5d):將超像素m中每一個成員i重新標注為得分最高的類別； 5e):更新+ ?+l,重復步驟5a)_ 7d);當Ot=M時執行步驟6;此時 t=T； 步驟6:令超像素計數m = 〇 ;循環計數心=〇,最大值為TL; 步驟7:糾錯環節(非強制） 7a):根據（2)中的定義，確定超像素w的自然鄰域； 7b):根據式（3)中定義的隸屬度評分規則，對超像素w中每一成員?屬于每一類別r的程度進行模糊評分； 7c):將超像素?中每一個成員i重新標注為得分最高的類別； 7d):更新重復步驟7a)_ 7c);當直至時執行步驟7e); 7e):更新重復步驟7a)_ 7d);當直至心=?^時執行步驟8; 步驟8 :得到分類后的地物標識圖。
2.根據權利要求1所述的基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方 法，其特征在于：步驟1所述過分割采用線性迭代聚類法（SLIC)，或者采用直接將圖像分為 若干個大小相同的數據立方體：,每個立方體即為一個超像素= ;相應 的，采用SLIC算法的記為SCAS1，采用立方體超像素的記為SCAS2。
3.根據權利要求1所述的基于地物類別隸屬度評分的高光譜遙感圖像半監督分類方 法，其特征在于：步驟5b)中，對于先驗訓練樣本數量不足的超像素《及其鄰域內，添加該 鄰域以外的訓練樣本，能夠引入適量的光譜和類別的多樣性，最大限度地利用稀有的先驗 知識，有助于快速有效地進行半監督分類；此外，額外補充的訓練樣本中，一半是距當前被 分類的超像素光譜最近的，另一半是距當前被分類的超像素空間最近的，從而平衡了光譜 多樣性和空間一致性。
【文檔編號】G06K9/62GK104463203SQ201410728151
【公開日】2015年3月25日 申請日期:2014年12月3日 優先權日:2014年12月3日
【發明者】陳昭, 王斌 申請人:復旦大學