一種結合勢函數的高光譜圖像分類方法
【技術領域】
[0001] 本發明屬于信息技術領域，涉及到模式識別、圖像處理技術，具體是涉及一種結合 勢函數的高光譜圖像分類方法。
【背景技術】
[0002] 高光譜圖像分類一直是遙感影像處理領域的研宄重點之一。在標準環境下，同一 地物光譜曲線的唯一性假設一直是高光譜圖像分類中的一個主要依據。根據這一光譜信 息，神經網絡、支持向量機等傳統的分類方法均先后被用于高光譜圖像的分類。事實上，高 光譜遙感圖像能從空間維、光譜維兩個不同的角度對地物信息進行描述。傳統方法經常只 利用光譜域信息，而較少考慮空間域信息。在圖譜一體化的高光譜影像中引入空間域信息 能對分類準確率的提高提供幫助。根據這一原理，提出了一種對高光譜圖像分類結果進行 優化的方法。首先在光譜域信息的基礎上采用傳統的支持向量機對高光譜圖像進行分類； 然后，通過提取連通區域的方法去除誤分像元；最后，結合空間域的鄰域信息和新定義的勢 函數對分類結果進行優化。通過實測數據對所提方法進行了驗證，結果表明提出的方法在 降低分類結果虛警率的同時能夠提高準確率。
[0003] 根據這一原理可以對基于SVM支持向量機的高光譜圖像分類結果進行優化。
【發明內容】
[0004] 本發明的目的就是針對現有技術的不足，提供了一種結合勢函數的高光譜圖像分 類方法。該方法彌補了傳統模式分類方法在高光譜分類問題上忽視了空間維的信息的不 足。為了對光譜維分類的結果進行優化，本發明引入空間維信息，可用空間鄰域信息和構造 的勢函數來實現。
[0005] 本發明解決其技術問題所采用的技術方案具體包括以下步驟：
[0006] 步驟1、高光譜譜域分類；
[0007] 首先對高光譜數據做歸一化處理；
[0008] 其次依據先驗知識，在每個地物類別區域內，隨機選取30%的訓練樣本構成訓練 樣本集；
[0009] 然后使用訓練樣本集進行分類器的訓練，訓練采用的分類器為支持向量機；
[0010] 最后用訓練好的分類器進行高光譜數據的測試，從而得到譜域分類結果矩陣；
[0011] 所述的先驗知識包括事先已知的各類目標位置；
[0012] 步驟2、對譜域分類結果矩陣提取連通區域；
[0013] 提取連通區域的實質就是把空間相近的譜域分類結果矩陣中的像元歸為一類，最 后刪去像元數少于10的連通區域；具體步驟如下：
[0014] 2-1.從譜域分類結果矩陣中的第一個像元開始遍歷，找到第一個目標像元作為初 始點，并將初始點定義為區域數η = 1 ;
[0015] 2-2.判斷初始點鄰域內是否存在目標像元，采用模板P1與以初始點為中心的區域 求交集；
[0016] 2-2-1.如果沒交集，更新n，n = n+l，繼續遍歷尋找下一個沒有歸屬區域的目標像 元，將沒有歸屬區域的目標像元的區域數賦值為η ;
[0017] 2-2-2.如果有交集，則說明初始點鄰域內存在目標像元，將目標像元的區域數也 定為η ;
[0018] 2-3.將新增加的目標像元作為初始點，重復步驟2-2,直到遍歷完所有像元；
[0019] 所述的模板？1具體如下：
【主權項】
1. 一種結合勢函數的高光譜圖像分類方法，其特征在包括如下步驟： 步驟1、高光譜譜域分類； 首先對高光譜數據做歸一化處理； 其次依據先驗知識，在每個地物類別區域內，隨機選取30%的訓練樣本構成訓練樣本 集； 然后使用訓練樣本集進行分類器的訓練，訓練采用的分類器為支持向量機； 最后用訓練好的分類器進行高光譜數據的測試，從而得到譜域分類結果矩陣； 所述的先驗知識包括事先已知的各類目標位置； 步驟2、對譜域分類結果矩陣提取連通區域； 提取連通區域的實質就是把空間相近的譜域分類結果矩陣中的像元歸為一類，最后刪 去像元數少于10的連通區域；具體步驟如下： 2-1.從譜域分類結果矩陣中的第一個像元開始遍歷，找到第一個目標像元作為初始 點，并將初始點定義為區域數η = 1 ; 2-2.判斷初始點鄰域內是否存在目標像元，采用模板？1與以初始點為中心的區域求交 集； 2-2-1.如果沒交集，更新η，η = η+1，繼續遍歷尋找下一個沒有歸屬區域的目標像元， 將沒有歸屬區域的目標像元的區域數賦值為η ; 2-2-2.如果有交集，則說明初始點鄰域內存在目標像元，將目標像元的區域數也定為 η ； 2-3.將新增加的目標像元作為初始點，重復步驟2-2,直到遍歷完所有像元； 所述的模板？1具體如下：
(1) 2- 4.計算每一個連通區域的像元個數，將小于10個像元的連通區域刪除，即賦值0,歸 為背景像元； 步驟3、結合勢函數對提取的連通區域進行優化； 3- 1.計算所有提取的連通區域中像元的光譜均值巧：
(2) 其中，N是該類別目標像元的個數，&為光譜曲線，i是自然數； 3-2.選定待優化目標像元Xu，要求其24鄰域內（5X5模板）有目標像元；采用模板 P1與以待優化目標像元X i，j為中心的區域求交集； 3-3.判斷24鄰域內目標像元個數，并計算鄰域內目標像元的光譜均值月.若24鄰域內 5 目標像元個數大于14,則表明鄰域內目標像元是包圍待優化目標像元xi;j的，滿足所定義 的勢函數的條件，轉至步驟3-4計算勢函數；若小于14,則分別計算待優化目標像元xi;j與 連通區域中像元的光譜均值巧、鄰域內目標像元的光譜均值f的距離，如果滿足條件（3) 則將其歸為目標點；
(3) 其中fu是待優化像元Xiij的光譜曲線，?\、Τ2是給定的兩個閾值，閾值的選擇是根據具 體高光譜數據而定的；所述的小于T1表明待優化目標像元X u與鄰域內的目標像元相似； 小于T2表明待優化目標像元X u與該類目標整體也是相似的； 3-4.計算勢函數；對于被鄰域內目標像元包圍的待優化目標像元采用模板^、q2 分別計算X，Y方向上的偏導Rx、Ry; 所述的模板qp %具體如下：
(4) (5) 采用模板Q1與以待優化目標像元X U為中心的區域求偏導Rx; 采用模板q2與以待優化目標像元X U為中心的區域求偏導Ry; 計算出待優化目標像元Xu進行優化的勢的方向Θ : Θ = arctan (Ry/Rx) (6) 將231分為8個區間，每個區間大小為31/4,根據得到的Θ在區間圖上的分布，對待優 化目標像元Xu的24鄰域進行8種方向的優化； 3-5.調用公式（3)判斷是否該優化為目標像元。
【專利摘要】本發明公開了一種結合勢函數的高光譜圖像分類方法。傳統方法經常只利用光譜域信息，而較少考慮空間域信息。本發明首先在光譜域信息的基礎上采用傳統的支持向量機對高光譜圖像進行分類；然后，通過提取連通區域的方法去除誤分像元；最后，結合空間域的鄰域信息和新定義的勢函數對分類結果進行優化。本發明提高了分類準確率的目的；通過引入勢函數的概念對整個算法的性能進行進一步的提升，同時降低分類結果虛警率的同時能夠提高準確率。
【IPC分類】G06K9-62
【公開號】CN104766092
【申請號】CN201510136242
【發明人】郭寶峰, 陳春種, 陳華杰
【申請人】杭州電子科技大學
【公開日】2015年7月8日
【申請日】2015年3月26日