[發明專利]一種空譜一體化的高光譜遙感圖像分類方法

在審

• 申請號: 201310393099.1
• 申請日: 2013-09-02
• 公開（公告）號: CN103473557A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 郭寶峰;高曉健;陳春種;彭冬亮;左燕;谷雨
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

技術領域

本發明屬于信息技術領域，涉及到模式識別、圖像處理技術，具體是一種空譜一體化的高光譜遙感圖像分類方法。

背景技術

隨著對地觀測技術的發展，光譜遙感技術成為人們獲取地表信息的重要手段。高光譜遙感作為一種新型的遙感方式，在軍用和民用領域都發揮著極其重要的作用。高光譜圖像分類是高光譜信息處理的重要方向，其中高精度的分類算法是實現各種應用的一個重要前提。

高光譜圖像以其高分辨率、多波段數、大數據量的特點給傳統圖像分類技術帶來了巨大的挑戰。傳統的分類方法不管是最大似然分類法、決策樹分類法還是人工神經網絡方法、支持向量機方法都僅僅從光譜域層面對地物特征進行分類識別。但是高光譜遙感數據不僅包含有豐富的地物光譜信息，其在圖像空間維、光譜維兩個不同的維度都會對地物特征有具體的描述和表達。傳統的高光譜分類方法，往往只著重于數據光譜維上的特性，而忽視了空間維的信息。作為光譜維分析的補充，通過對圖像空間維的分析，可以獲得大量隱含的、豐富的對地物識別與處理有用的信息。

空譜一體化的技術就是將空間信息引入到高光譜分類中，在光譜域分類結果的基礎上，對圖像像素鄰域進行決策，以期對分類結果進行修正。本發明采用了通過區域生長法、二值形態學法兩種策略對譜域分類結果進行修正，仿真實驗證明了本發明能夠提高地物分類的精度。

發明內容

本發明的目的就是針對現有技術的不足，提供了一種高光譜空譜一體化圖像分類方法。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。為了對譜域分類的結果進行優化，本發明引入空間域信息，可用區域生長法或二值形態學法來現。

本發明方法包括以下步驟：

1）高光譜譜域分類。

首先對數據做歸一化處理，并依據先驗知識，在每個地物類別區域內，隨機的選取一定比例的訓練樣本構成訓練樣本集；然后進行分類器的訓練，采用的分類器為支持向量機；最后用訓練好的分類器進行數據的測試，即能得到譜域分類的結果。

2）目標邊緣檢測。

在進行譜域分類結果優化前，我們先要得到目標的邊緣信息。

目標邊緣檢測具體實現步驟如下：

第一步：選擇2個清晰波段的圖像。

第二步：用Canny算子對第一個波段進行邊緣檢測。首先對圖像???????????????????????????????????????????????采用高斯濾波函數進行濾波操作；然后，對梯度幅值進行非極大值抑制，確定候選邊緣點，其具體做法為尋找圖像梯度中的局部極大值點，并且設置非局部極大值點為零，從而使得圖像邊緣得到細化；最后，采用雙閾值處理，首先設定高閾值和低閾值(一般取)，然后掃描圖像。若圖像中的點的梯度幅值大于高閾值，則該點為邊緣點。若圖像中的點的梯度幅值小于低閾值，則該點為一定不為邊緣點。若點的梯度幅值在兩閾值之間，則要視其鄰接像素中是否有邊緣點，若有則將其劃歸為邊緣點。

第三步：用LoG算子對第二個波段進行邊緣檢測。首先對圖像采用高斯濾波函數進行濾波操作，然后采用Laplacian算子依據二階導數過零點來檢測邊緣。所述LoG算子即高斯型的Laplacian算子，卷積模板形式為：

第四步：為了提高邊緣檢測的有效性，可采用這兩種邊緣檢測方法效果疊加以增強邊緣檢測的效果，所以對2幅圖像的邊緣檢測結果進行疊加即能得到較清晰的目標輪廓。

3）空間域信息優化。

????在得到目標邊緣信息后，就可以用區域生長法或二值形態學法進行譜域分類結果優化。

3.1）區域生長法。

區域生長法就是一種基于某個確定的準則將像素或者種子連接成區域的方法。首先，在待分割的區域中選定一個種子點或種子區域作為此區域生長的起點，之后對種子周圍符合事先設計好的某個生長準則的點劃歸到此區域中。繼而將新生長出來的點作為種子點，重新在其鄰域探索符合生長規則的點，直到沒有新的鄰點滿足生長規則時區域生長停止。

具體實現步驟如下：

第一步：選擇能夠代表區域特性的一個種子點或一組種子區域。在空譜一體化應用中，首先有對基于譜域信息的分類結果，故而可以選取每種目標的分類結果的像素點作為種子集。

第二步：確定相應的區域生長準則。由于基于先驗知識，知道目標點具有聚集特性。對種子點周圍的四鄰域內，進行搜索，檢測是否有未分類的像素點（即非目標像素點）。若有則對該點做生長操作，判定其為種子點的模式類別。