[發明專利]基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法

有效

• 申請號: 201710227248.5
• 申請日: 2017-04-11
• 公開（公告）號: CN107145831B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 王毅
• 申請（專利權）人: 中國地質大學(武漢)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 42238 武漢知產時代知識產權代理有限公司
• 代理人: 曹雄

1.基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法，其特征在于，包括以下步驟：

S1將待分類的高光譜影像輸入樣本獲取單元；

S2將與待分類的高光譜影像相對應的地面調查數據樣本集輸入樣本獲取單元，并根據所述地面調查數據樣本集中所有樣本的坐標位置提取所述高光譜影像中對應坐標位置的像元，進而構成參考數據樣本集；

S3參考數據樣本集包括多個信息類別，依次為各信息類別隨機選取一部分樣本作為監督分類的訓練樣本集；

S4將各信息類別的訓練樣本集輸入分類單元，在所述分類單元中采用支持向量機分類器進行分類，獲得高光譜影像的初始分類圖，并根據初始分類圖計算各類別的屬性二值標簽圖；

S5在處理單元中采用矢量概率擴散方法分別對各類別的屬性二值標簽圖進行濾波，獲得初始類別屬性后驗概率估計，并基于最大后驗概率估計框架構建馬爾科夫隨機場模型；

S6采用圖割算法對步驟S5構建的馬爾科夫隨機場模型進行能量最小化求解，得到最終類別屬性后驗概率估計；其中：在初始化正則化參數后，采用標準的最小圖割算法求解能量方程的全局最優解，計算公式為：

式中，表示經過概率擴散處理的后驗概率估計；其中：x_j表示像元，y_j表示高光譜影像的類別，λ表示正則化參數，α為像素的類別標簽，N_j表示第j個像元的鄰域，α-Expansion(.)表示基于圖割的一種算法，其通過批量移動像元到標簽為α的類來最小化能量函數，其同時考慮了標簽為α的像元與其它所有類別像元N_j之間的關系；

S7將最終類別屬性后驗概率估計利用最大似然估計進行處理，得到最終類別屬性標簽，輸出，即得到高光譜影像的最終分類圖。

2.根據權利要求1所述的基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法，其特征在于，所述步驟S3中，各信息類別隨機選取10％的樣本作為監督分類的訓練樣本集，余下的樣本作為精度評價的測試樣本集。

3.根據權利要求1所述的基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法，其特征在于，所述步驟S4中，將各信息類別的訓練樣本集采用支持向量機分類器進行分類的具體步驟為：

S4.1在各信息類別的訓練樣本集中選取已知的、有代表性的像元；

S4.2利用步驟S4.1選取的像元來估計支持向量機分類器中的最優懲罰因子和核函數參數；

S4.3利用步驟S4.2訓練過的支持向量機分類器為高光譜影像中的每個像元賦予類別屬性標簽，即完成對高光譜影像的初始分類，獲得高光譜影像的初始分類圖。

4.根據權利要求3所述的基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法，其特征在于，所述步驟S4.2中，在支持向量機分類器中先選擇高斯徑向基函數為核函數，再將步驟S4.1選取的像元輸入支持向量機分類器中，并采取網格搜索法對懲罰因子和核函數參數進行尋優，得到支持向量機分類器中的最優懲罰因子和核函數參數。

5.根據權利要求1所述的基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法，其特征在于，所述步驟S4中，屬性二值標簽圖的計算公式為：

式中：i和j分別表示高光譜影像的類別和像元序號；P_j為每個類別對應的屬性標簽值。

6.根據權利要求1所述的基于矢量概率擴散和馬爾科夫隨機場高光譜影像分類方法，其特征在于，所述步驟S5中，采用矢量概率擴散方法分別對各類別的屬性二值標簽圖進行濾波的具體步驟為：

S5.1建立矢量概率擴散模型；

S5.2初始化矢量概率擴散模型的最大迭代次數和擴散尺度參數；

S5.3采用矢量概率擴散模型濾除屬性二值標簽圖中的“椒鹽噪聲”,并保持邊界不被損壞，獲得初始類別屬性后驗概率估計。