[發(fā)明專(zhuān)利]一種高光譜圖像的分類(lèi)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201711090175.6
• 申請(qǐng)日: 2017-11-08
• 公開(kāi)（公告）號(hào): CN107832793B
• 公開(kāi)（公告）日: 2021-08-06
• 發(fā)明（設(shè)計(jì)）人: 李巖山;王賢辰;謝維信
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 深圳市恒申知識(shí)產(chǎn)權(quán)事務(wù)所(普通合伙) 44312
• 代理人: 王利彬

本發(fā)明適用于圖像分類(lèi)，提供了高光譜圖像的分類(lèi)方法，包括：將高光譜圖像分為訓(xùn)練集和測(cè)試集，并提取局部特征點(diǎn)，通過(guò)K?means算法對(duì)訓(xùn)練集的局部特征點(diǎn)進(jìn)行計(jì)算形成詞典，采用KNN算法在詞典中為測(cè)試集的待分類(lèi)局部特征點(diǎn)形成最近鄰單詞，并為測(cè)試集圖像的待分類(lèi)特征點(diǎn)查找最近鄰特征點(diǎn)，在最近鄰單詞中查找出光譜維距離最短的近鄰單詞，引入近鄰特征點(diǎn)、近鄰單詞和光譜維距離三重約束，通過(guò)求解約束最小乘擬合問(wèn)題，得到編碼系數(shù)，通過(guò)最大池化算法池化編碼系數(shù)，并將得到的編碼系數(shù)作為高光譜圖像的特征描述符對(duì)測(cè)試集進(jìn)行分類(lèi)。本發(fā)明解決了高光譜圖像特征點(diǎn)和詞典單詞建立映射關(guān)系時(shí)存在的不確定性的問(wèn)題，提高了相似圖像的識(shí)別力。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種高光譜圖像的分類(lèi)方法及系統(tǒng)。

背景技術(shù)

高光譜圖像相比于灰度圖、RGB彩色圖，包含了空間和光譜的信息，數(shù)據(jù)量大，在檢測(cè)偽裝和隱蔽的軍事目標(biāo)，以及在民用搜救探測(cè)目標(biāo)等方面都有重要的應(yīng)用。隨著高光譜技術(shù)的發(fā)展，目前的高光譜圖像呈現(xiàn)出高空間分辨率的特點(diǎn)，地物目標(biāo)在高光譜圖像上具有豐富的紋理和結(jié)構(gòu)信息，其包含的光譜信息也非常復(fù)雜和豐富。

高光譜圖像作為遙感領(lǐng)域的一項(xiàng)重大突破，利用很多很窄的電磁波波段從感興趣的物體獲得有用信息，在保留較高空間分辨率同時(shí)，其光譜分辨率有極大的提高，達(dá)到了納米的數(shù)量級(jí)，可以用來(lái)探測(cè)和識(shí)別傳統(tǒng)全色和多光譜遙感中不可探測(cè)的地物類(lèi)別。與傳統(tǒng)的多光譜遙感圖像相比，高光譜遙感圖像有著信息量大、光譜分辨率高等特點(diǎn)，這使得在描述與區(qū)分地物類(lèi)別方面的能力有了大幅提高，它使原本在多光譜遙感中無(wú)法有效探測(cè)的地物得以探測(cè)。但是由于高光譜圖像具有較高的數(shù)據(jù)維數(shù)，常規(guī)的圖像分類(lèi)方法在處理高光譜圖像時(shí)有較大的限制，如何從大量的高光譜數(shù)據(jù)中快速而準(zhǔn)確地挖掘出所需要的信息，實(shí)現(xiàn)高精度的分類(lèi)，仍是一個(gè)亟待解決的問(wèn)題。

傳統(tǒng)的高光譜圖像分類(lèi)主要采用像素級(jí)分類(lèi)方法。傳統(tǒng)的遙感監(jiān)測(cè)手段主要由中低分辨率組成。在高光譜圖像中，圖像上物體的尺寸與像素一樣大小。像素級(jí)分類(lèi)方法適合此種高光譜圖像分類(lèi)。然而，隨著高光譜傳感器技術(shù)的發(fā)展，高光譜圖像中空間和光譜的分辨率都有很大的提高。此時(shí)傳統(tǒng)的像素級(jí)分類(lèi)方法已經(jīng)不能很好的適應(yīng)高光譜分類(lèi)。

詞袋模型由于其對(duì)高光譜圖像的簡(jiǎn)化表示和圖像特征與視覺(jué)單詞的有效編碼而被廣泛應(yīng)用。一般來(lái)說(shuō)，詞袋模型分類(lèi)方法如圖1所示，主要分以下幾個(gè)步驟：①?gòu)膱D像中抽取特征點(diǎn)，并進(jìn)行描述(如SIFT特征，Scale-invariant feature transform，尺度不變特征變換特性)；②采取K‐means等方法把生成的特征點(diǎn)訓(xùn)練成視覺(jué)詞典；③通過(guò)圖像特征編碼方法，把待分類(lèi)的圖像特征映射到視覺(jué)詞典中的視覺(jué)單詞；④通過(guò)池化算法構(gòu)成圖像描述符；⑤通過(guò)支持向量機(jī)等分類(lèi)算法，把圖像描述符進(jìn)行圖像分類(lèi)。高光譜特征編碼是將待分類(lèi)圖像特征點(diǎn)量化到視覺(jué)單詞的過(guò)程，編碼誤差是影響圖像分類(lèi)正確率的主要因素。

傳統(tǒng)高光譜遙感圖像分辨率低，不僅光學(xué)影像分辨率低，光譜分辨率也低。大多數(shù)光學(xué)影像分辨率低的是基于像素級(jí)的光譜曲線(xiàn)去分析數(shù)據(jù)，大多情況需要像元解混，而光譜分辨率低則獲得的信息量少，容易產(chǎn)生“異物同譜”和“同譜異物”的現(xiàn)象，同時(shí)高光譜圖像特征點(diǎn)和高光譜單詞建立映射關(guān)系時(shí)存在的不確定性，相似圖像的識(shí)別力較差。大尺度高分辨率的高光譜是一個(gè)高維的精細(xì)的大數(shù)據(jù)特征空間。隨著遙感技術(shù)和光譜儀成像系統(tǒng)的發(fā)展，對(duì)目標(biāo)探測(cè)也提出了新的要求。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題在于提供一種高光譜圖像的分類(lèi)方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)中高光譜圖像特征點(diǎn)和高光譜單詞建立映射關(guān)系時(shí)存在的不確定性，相似圖像識(shí)別力差的問(wèn)題。

本發(fā)明是這樣實(shí)現(xiàn)的，一種高光譜圖像的分類(lèi)方法，包括：

將高光譜圖像分為訓(xùn)練集和測(cè)試集，分別從所述訓(xùn)練集和所述測(cè)試集中抽取訓(xùn)練集的局部特征點(diǎn)和測(cè)試集的待分類(lèi)局部特征點(diǎn)，根據(jù)所述訓(xùn)練集的局部特征點(diǎn)和所述測(cè)試集的待分類(lèi)局部特征點(diǎn)構(gòu)成訓(xùn)練集特征點(diǎn)集和測(cè)試集待分類(lèi)特征點(diǎn)集；