[發(fā)明專利]空間鄰域信息加權的高光譜遙感圖像分類方法

有效

• 申請?zhí)枺?/td>: 201310422632.2
• 申請日: 2013-09-16
• 公開（公告）號: CN103440505B
• 公開（公告）日: 2016-11-02
• 發(fā)明（設計）人: 陳善學;李俊;于佳佳;韓勇;馮銀波
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 劉小紅

技術鄰域

本發(fā)明屬于高光譜遙感圖像處理領域，具體涉及一種空間鄰域信息加權的高光譜遙感圖像分類方法。

背景技術

高光譜遙感技術是一種新興遙感技術，它借助成像光譜儀將成像技術和細分光譜技術革命性地結合在一起，與傳統(tǒng)多光譜遙感相比，高光譜遙感具有光譜分辨率高、圖譜合一、在某一光譜段范圍內連續(xù)成像的優(yōu)勢。這些特點和優(yōu)勢使得高光譜圖像在軍事目標的探測、植被的精細分類、地質巖礦物的識別、海洋檢測、環(huán)境檢測、以及城市規(guī)劃等眾多領域得到廣泛應用。高光譜圖像數(shù)據(jù)是一個光譜圖像的立方體，通常有以下三種表示方法：

1)圖像空間：它是一種最直觀的高光譜數(shù)據(jù)信息的表現(xiàn)方式，反映了地物的分布和變化以及不同地物之間的空間關系。圖像空間最重要的用途就是將圖像中每一個像素與其地面位置對應起來，為高光譜影像處理與分析提供空間知識，但是波段之間的相互關系很難從圖像中反映出來。

2)光譜空間：利用目標的光譜響應與波長之間的變化關系來描述高光譜數(shù)據(jù)所蘊含的信息。圖像中每一個像元矢量對應一條近似連續(xù)的光譜曲線，它是電磁波能量對波長的函數(shù)，反映了其所代表的目標的輻射光譜信息。曲線中每個點的數(shù)值是相應成像波段上傳感器對目標光譜輻射與反射能量的響應值。

3)特征空間：高光譜影像中的每一個像元對應著多個成像波段的反射值，這些反射值可以用一個多維矢量表示。在特征空間中，不同的目標分布在不同區(qū)域，并且有不同的分布特性，這就有利于定量地描述目標的光譜輻射特性及其在特征空間內的變化規(guī)律。

高光譜遙感技術中一個經典、具有探索性的研究領域就是遙感圖像的分類。由于目前尚無通用的分類理論，而現(xiàn)有的大多數(shù)算法只針對具體問題，所以人們至今仍在不斷研究和發(fā)掘新的分類理論與分類算法。高光譜圖像分類方法，可以歸結為兩類：一類是基于光譜空間的分類方法，利用反映地物光譜特征的光譜曲線來識別地物；另一類是基于特征空間的分類方法，利用地物在特征空間的統(tǒng)計特性來建立分類模型。這兩類方法通常只注重地物在光譜空間或特征空間上的差異，而忽視了像元“同物異譜”的現(xiàn)象和像元在圖像空間維的結構，這種處理方式造成的后果就是圖像分類后會有很多“雜點”，這是由噪聲和地物分布在數(shù)據(jù)獲取尺度上的不均勻引起的。一般情況下，地物在空間上都是連續(xù)分布的，或者說如果某點處為A類地物，那么在此點的鄰域上是A類地物的可能性最大，這是一個非常重要的信息，利用好這個信息是消除“雜點”現(xiàn)象、提高分類精度的關鍵所在。

高光譜圖像具有數(shù)據(jù)量大、冗余度高和波段間相關性強的特點，直接對原始數(shù)據(jù)處理并不經濟，所以通常在進行分類之前會對遙感數(shù)據(jù)做特征降維處理，常用的高光譜數(shù)據(jù)降維方法是主成分分析(Principal?Component?Analysis)算法。主成分分析是考察多個變量間相關性的一種多元統(tǒng)計方法，研究如何通過少數(shù)幾個主成分來揭示多個變量間的內部結構，即從原始變量中導出少數(shù)幾個主成分，使它們盡可能多地保留原始變量的信息，且彼此間互不相關。這對高光譜數(shù)據(jù)有非常重要的意義：一方面，能夠使圖像遠離噪聲，提高數(shù)據(jù)質量；另一方面，去除圖像中的無價值波段，可以降低計算量，提高處理效率。

發(fā)明內容

本發(fā)明所要解決的技術問題是，針對高光譜遙感圖像數(shù)據(jù)量大、冗余高和現(xiàn)有分類技術在分類結果中存在“雜點”的問題上，提出了一種空間鄰域信息加權的高光譜遙感圖像分類方法。

本發(fā)明解決上述技術問題的技術方案是：一種空間鄰域信息加權的高光譜遙感圖像分類方法，包括：預處理階段和分類階段，預處理階段，采用PPCA變換對高光譜圖像波段進行降維，降低圖像波段信息的冗余；分類階段，采用圖像空間鄰域信息加權的模糊C均值算法，消除遙感圖像分類結果中存在的“雜點”。具體技術方案為：

讀取遙感圖像，對圖像特征矢量進行PPCA變換實現(xiàn)對特征矢量矩陣降維，從波段數(shù)據(jù)中獲得部分線性不相關的矢量作為像元樣本；從圖像矩陣中提取像元樣本的鄰域像元，獲取特征隸屬度，根據(jù)特征隸屬度計算像元樣本所有鄰域像元對應第某類特征隸屬度的中值，獲得特征矩陣中所有樣本對應每個類別的空間鄰域信息，根據(jù)空間鄰域信息更新模糊劃分矩陣和聚類中心，由模糊劃分矩陣得到各像元分類結果，構造偽彩色圖。

其中，對特征矢量矩陣降維包括：選取樣本并轉換成數(shù)據(jù)矩陣，計算樣本數(shù)據(jù)的相關系數(shù)矩陣，計算相關系數(shù)矩陣的特征根，計算特征根的累計貢獻率，根據(jù)累計貢獻率選取特征維數(shù)，獲取特征矢量。