[發(fā)明專(zhuān)利]基于邊界點(diǎn)重分類(lèi)的高光譜圖像分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510112666.0
• 申請(qǐng)日: 2015-03-15
• 公開(kāi)（公告）號(hào): CN104680185B
• 公開(kāi)（公告）日: 2018-04-17
• 發(fā)明（設(shè)計(jì)）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(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專(zhuān)利中心61205
• 代理人: 田文英,王品華

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及高光譜影像(Hyperspectral Imagery)分類(lèi)技術(shù)領(lǐng)域中的一種基于邊界點(diǎn)重分類(lèi)的高光譜分類(lèi)方法。本發(fā)明針對(duì)高光譜影像處理中圖像標(biāo)記樣本稀少的特點(diǎn)，提出的一種分類(lèi)的方法，提高了分類(lèi)的精確度。

背景技術(shù)

高光譜技術(shù)是一種新型的對(duì)地觀(guān)測(cè)技術(shù)，通過(guò)獲取大量地物反射的窄帶電磁波波段，革命性地結(jié)合了地物的光譜信息、空間信息和幾何信息，進(jìn)而可以分析出感興趣地物的相關(guān)信息。隨著光譜獲取技術(shù)和高光譜數(shù)據(jù)分析技術(shù)的發(fā)展，高光譜技術(shù)在軍事和民用領(lǐng)域得到廣泛的應(yīng)用。由于高光譜數(shù)據(jù)的龐大和復(fù)雜性，對(duì)于圖像中的每個(gè)象元代表的物質(zhì)類(lèi)別不能靠人工一一識(shí)別，因此，高光譜圖像的分類(lèi)技術(shù)就成為高光譜圖像處理技術(shù)中重要的一環(huán)。

高光譜圖像分類(lèi)的關(guān)鍵在于依靠少量的樣本數(shù)據(jù)，結(jié)合光譜信息和空間信息對(duì)數(shù)據(jù)進(jìn)精準(zhǔn)的分類(lèi)識(shí)別。在分類(lèi)技術(shù)發(fā)展的初期，主要是依靠光譜信息進(jìn)行分類(lèi)，隨著傳感器技術(shù)的進(jìn)步，圖像的分辨率得到很大的提高，由此圖像中的空間信息也納入到分類(lèi)技術(shù)中。

香港理工大學(xué)申請(qǐng)的專(zhuān)利“融合空間信息及光譜信息的高光譜圖像的分類(lèi)方法及裝置”(專(zhuān)利申請(qǐng)?zhí)枺篊N201210003388.1，公開(kāi)號(hào)：CN102708373A)中提出了一種融合空間信息及光譜信息的高光譜圖像的分類(lèi)方法。該方法采用聯(lián)合分割圖和基于光譜信息的分類(lèi)圖，對(duì)分割塊區(qū)域進(jìn)行多數(shù)表決的形式對(duì)區(qū)域進(jìn)行統(tǒng)一分類(lèi)，該技術(shù)依靠同一區(qū)域?yàn)橥坏匚锏男再|(zhì)，極大地提高了分類(lèi)的精準(zhǔn)度，減少了誤分類(lèi)的可能性。但是該方法仍然存在的不足是，由于該方法準(zhǔn)確的前提是分割的精準(zhǔn)性，而分割技術(shù)在區(qū)域內(nèi)點(diǎn)和邊界的無(wú)差別對(duì)待導(dǎo)致的區(qū)域劃分錯(cuò)誤，所以導(dǎo)致后續(xù)的分類(lèi)結(jié)果在分割邊緣處的分類(lèi)精度較差。

西安電子科技大學(xué)申請(qǐng)的專(zhuān)利“基于壓縮譜聚類(lèi)集成的高光譜圖像分類(lèi)方法”(專(zhuān)利申請(qǐng)?zhí)枺篊N201410077182.2，公開(kāi)號(hào)：CN103996047A)提出了一種壓縮譜聚類(lèi)的高光譜分類(lèi)方法。該方法對(duì)圖像數(shù)據(jù)先進(jìn)行降維處理，然后聯(lián)合圖像分割圖和光譜信息進(jìn)行分類(lèi)。該方法克服了K-mean聚類(lèi)方法對(duì)初始化敏感的缺點(diǎn)，提高了分類(lèi)的精確度。但是該方法仍然存在的不足是，圖像信息的的使用不充分，對(duì)于各個(gè)目標(biāo)的內(nèi)部區(qū)域點(diǎn)和邊界區(qū)域點(diǎn)沒(méi)有進(jìn)行區(qū)分，導(dǎo)致分類(lèi)存在較大的錯(cuò)誤，使得圖像分類(lèi)的整體精度降低。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種基于邊界點(diǎn)重分類(lèi)的高光譜分類(lèi)方法。本發(fā)明優(yōu)化了高光譜圖像的分類(lèi)過(guò)程；充分利用的邊界點(diǎn)的獨(dú)特信息，避免了區(qū)域邊界的劃分錯(cuò)誤；引入了主動(dòng)學(xué)習(xí)算法對(duì)邊界點(diǎn)單獨(dú)分類(lèi)處理，提高了分類(lèi)結(jié)果的精準(zhǔn)性。

本發(fā)明實(shí)現(xiàn)上述目的的思路是：采用劃分聚類(lèi)的分割方式引入信息，結(jié)合譜域信息，依據(jù)多數(shù)投票的原理，融合空域-譜域信息進(jìn)行分類(lèi)；依據(jù)聚類(lèi)的結(jié)果，提取邊界點(diǎn)，引入主動(dòng)學(xué)習(xí)算法充分利用少量的標(biāo)記樣本和邊界點(diǎn)的信息，獲得較好的分類(lèi)效果。

本發(fā)明實(shí)現(xiàn)的具體步驟如下：

(1)輸入數(shù)據(jù)：

(1a)輸入一幅待分類(lèi)的高光譜圖像；

(1b)輸入與待分類(lèi)的高光譜圖像對(duì)應(yīng)的人工標(biāo)記的樣本集；

(2)獲取聚類(lèi)圖：

采用迭代自組織數(shù)據(jù)分析法IOSDATA，對(duì)待分類(lèi)的高光譜圖像進(jìn)行聚類(lèi)操作，由待分類(lèi)的高光譜圖像的空域信息，得到待分類(lèi)的高光譜圖像的空域聚類(lèi)圖；

(3)獲取基于光譜信息的分類(lèi)圖：

采用有監(jiān)督的支撐向量機(jī)SVM，對(duì)待分類(lèi)的高光譜圖像進(jìn)行分類(lèi)，得到待分類(lèi)的高光譜圖像的譜域分類(lèi)圖；

(4)獲取空域-譜域分類(lèi)圖：

采用多數(shù)投票Majority-Voting方法，整合空域聚類(lèi)圖和譜域分類(lèi)圖的信息，得到空域-譜域分類(lèi)圖；

(5)修正空域-譜域分類(lèi)圖中的分類(lèi)錯(cuò)誤：

采用后期歸整Post-Regulation方法，對(duì)空域-譜域分類(lèi)圖進(jìn)行修正，修正因噪聲引起的分類(lèi)錯(cuò)誤，得到修正后的分類(lèi)圖；

(6)選取邊界點(diǎn)：

比較修正后的分類(lèi)圖中各個(gè)像素點(diǎn)的類(lèi)標(biāo)與各自8鄰域像素點(diǎn)類(lèi)標(biāo)的異同，將類(lèi)標(biāo)與8鄰域中的各個(gè)類(lèi)標(biāo)均不相同的像素點(diǎn)定義為邊界點(diǎn)；

(7)邊界點(diǎn)分類(lèi)：

采用多類(lèi)別不確定性MCLU方式的主動(dòng)學(xué)習(xí)方法，對(duì)邊界點(diǎn)進(jìn)行分類(lèi)，得到邊界點(diǎn)分類(lèi)的類(lèi)標(biāo)；

(8)更正邊界點(diǎn)的分類(lèi)類(lèi)標(biāo)：

用邊界點(diǎn)分類(lèi)的類(lèi)標(biāo)替代修正后的分類(lèi)圖中的邊界點(diǎn)的類(lèi)標(biāo)，得到最終的分類(lèi)圖；

(9)輸出最終的分類(lèi)圖。