[發明專利]基于邊界點重分類的高光譜圖像分類方法

有效

• 申請號: 201510112666.0
• 申請日: 2015-03-15
• 公開（公告）號: CN104680185B
• 公開（公告）日: 2018-04-17
• 發明（設計）人: 曹向海;焦李成;汪波棚;姚利;王爽;劉紅英;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 田文英,王品華

1.一種基于邊界點重分類的高光譜圖像分類方法，包括如下步驟：

(1)輸入數據：

(1a)輸入一幅待分類的高光譜圖像；

(1b)輸入與待分類的高光譜圖像對應的人工標記的樣本集；

(2)獲取聚類圖：

采用迭代自組織數據分析法IOSDATA，對待分類的高光譜圖像進行聚類操作，由待分類的高光譜圖像的空域信息，得到待分類的高光譜圖像的空域聚類圖；

(3)獲取基于光譜信息的分類圖：

采用有監督的支撐向量機SVM，對待分類的高光譜圖像進行分類，得到待分類的高光譜圖像的譜域分類圖；

(4)獲取空域-譜域分類圖：

采用多數投票Majority-Voting方法，整合空域聚類圖和譜域分類圖的信息，得到空域-譜域分類圖；

(5)修正空域-譜域分類圖中的分類錯誤：

采用后期歸整Post-Regulation方法，對空域-譜域分類圖進行修正，修正因噪聲引起的分類錯誤，得到修正后的分類圖；

(6)選取邊界點：

比較修正后的分類圖中各個像素點的類標與各自8鄰域像素點類標的異同，將類標與8鄰域中的各個類標均不相同的像素點定義為邊界點；

(7)邊界點分類：

采用多類別不確定性MCLU方式的主動學習方法，對邊界點進行分類，得到邊界點分類的類標；

(8)更正邊界點的分類類標：

用邊界點分類的類標替代修正后的分類圖中的邊界點的類標，得到最終的分類圖；

(9)輸出最終的分類圖。

2.根據權利要求1所述的基于邊界點重分類的高光譜圖像分類方法，其特征在于，步驟(4)中所述多數投票Majority-Voting方法的具體步驟如下：

第一步：統計譜域分類圖的各類別在空域聚類圖所形成的各個區域中的像素數；

第二步：從各區域中選取的像素數最多的類別的類別標號；

第三步：用所選取的類別標號，替換本區域內所有的譜域分類圖的類標，得到空域-譜域分類圖。

3.根據權利要求1所述的基于邊界點重分類的高光譜圖像分類方法，其特征在于，步驟(5)中所述的后期歸整Post-Regulation方法是指，判斷空域-譜域分類圖各個像素點的類別與其周圍4鄰域中擁有相同類標的像素數最多的類別標號是否相同；若相同，則該像素點的類標不變；若不同，則將該像素點的類標修正為其4鄰域中擁有相同類標的像素數最多的類別標號，得到修正后的分類圖。

4.根據權利要求1所述的基于邊界點重分類的高光譜圖像分類方法，其特征在于，步驟(7)中所述多類別不確定性MCLU方式的主動學習方法的具體步驟如下：

第一步：用待分類的高光譜圖對應的人工標記的樣本集，訓練支撐向量機SVM；

第二步：用訓練后的支撐向量機SVM對待分類點進行分類；

第三步：用多類別不確定性MCLU方式，計算待分類點在分類中的信息量，人工標記信息量大的待分類點，得到人工標記的待分類點；

第四步：將人工標記的待分類點加入到人工標記樣本集中，更新人工標記樣本集；

第五步：判斷人工標記樣本集中的樣本數目是否達到待分類點數的十分之一，若是，則執行第一步；否則，執行第六步；

第六步：用完成更新后的人工標記樣本集訓練支撐向量機SVM，用訓練后的支撐向量機SVM對待分類點進行分類，得到待分類點的分類類標。