[發(fā)明專利]Beltrami流和遞歸濾波的高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 201710578518.7
• 申請日: 2017-07-12
• 公開（公告）號: CN107480593B
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計）人: 廖建尚;曹成濤;黎新華;林曉輝
• 申請（專利權(quán)）人: 廣東交通職業(yè)技術(shù)學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.Beltrami流和遞歸濾波的高光譜圖像分類方法，其特征在于：包括以下步驟：

S1.輸入高光譜圖像；

S2.將高光譜圖像歸一化，形成高光譜數(shù)據(jù)集R；

S3.對高光譜數(shù)據(jù)集R進行PCA降維：對于有l(wèi)個波段的高光譜數(shù)據(jù)集R進行PCA降維，選擇前面n維的數(shù)據(jù)組成新的數(shù)據(jù)集H：

H＝PCA(R)；

S4.基于步驟S3，用Beltrami流濾波對PCA降維后的數(shù)據(jù)集H根據(jù)公式(1)進行濾波，獲取空間信息R_mp：

其中，為圖像Rⁱ的第k次迭代，h_t為時間步長，和分別為高光譜波段圖像Rⁱ在x與y方向的梯度，

S5.基于步驟S2，用域轉(zhuǎn)換遞歸濾波對高光譜數(shù)據(jù)集R根據(jù)公式(2)進行域轉(zhuǎn)換標準卷積濾波，獲取空間信息D_ts：

其中，d＝f(y_n)-f(y_n-1)，a^d是反饋系數(shù)，d為兩個相鄰像元y_n和y_n-1在轉(zhuǎn)換域Ω_w中的距離；

S6.基于步驟S4和步驟S5，對獲取的空間信息R_mp和空間信息D_ts按照以下公式進行結(jié)合，獲取結(jié)合后的空間信息W：

W＝R_mp+D_ts； (3)

S7.基于步驟S6，將結(jié)合后的空間信息W進行分類，并輸出分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的Beltrami流和遞歸濾波的高光譜圖像分類方法，其特征在于：

步驟S4的具體步驟如下：

S41.根據(jù)步驟S3進行PCA降維后的數(shù)據(jù)集H；輸入第i個成分I，獲取度量矩陣，獲取度量張量；

S42.采用Beltrami流濾波進行迭代計算；

S43.對步驟S42的迭代計算結(jié)果進行判斷，若濾波結(jié)束，則進行步驟S44，否則，重復操作S41～S42；

S44.輸出空間信息R_mp。

3.根據(jù)權(quán)利要求1所述的Beltrami流和遞歸濾波的高光譜圖像分類方法，其特征在于：

步驟S5的具體步驟如下：

S51.根據(jù)步驟S2的數(shù)據(jù)集R，輸入一波段圖像；

S52.根據(jù)圖像估計圖像水平和垂直方向的偏微分，進一步計算近鄰距離，計算出水平和垂直的偏微分，并進一步的遞歸濾波；

S53.基于步驟S52，對遞歸濾波的結(jié)果進行迭代運算，

S54.判斷一波段圖像濾波是否結(jié)束，若是則進行S55，否則重復步驟S52；

S55.判斷全波段濾波是否結(jié)束，若是則進行步驟S56，否則進行步驟S51；

S56.輸出空間信息D_ts。

4.根據(jù)權(quán)利要求1所述的Beltrami流和遞歸濾波的高光譜圖像分類方法，其特征在于：

所述的步驟S7的具體步驟如下：

S71.隨機從空間信息數(shù)據(jù)集W以一定比例隨機抽取訓練集W_s，其余部分作為訓練集W_t；

S72.用徑向基函數(shù)支持的SVM方法交叉驗證，尋找最優(yōu)的參數(shù)組合；

S73.用徑向基函數(shù)支持的SVM對W_s進行訓練，獲取訓練模型；

S74.獲取模型后，用徑向基函數(shù)支持的SVM對測試集W_t進行分類。