[發(fā)明專利]基于擴(kuò)展形態(tài)學(xué)與主動(dòng)學(xué)習(xí)的高光譜分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810698251.X
• 申請(qǐng)日: 2018-06-29
• 公開（公告）號(hào): CN108985360B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計(jì)）人: 慕彩紅;劉逸;孫夢(mèng)花;劉敬;田小林;朱虎明;劉若辰;侯彪;焦李成
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06V10/774;G06V10/764;G06V10/762
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 侯瓊;王品華

本發(fā)明公開一種基于擴(kuò)展形態(tài)學(xué)與主動(dòng)學(xué)習(xí)的高光譜圖像分類方法，解決現(xiàn)有技術(shù)不能充分挖掘高光譜圖像空間信息，導(dǎo)致分類精度低的問題。其步驟為：1)輸入高光譜圖像數(shù)據(jù)；2)對(duì)數(shù)據(jù)降維，提取光譜特征，并通過形態(tài)學(xué)剖面變換，得到空間特征；3)融合空譜特征，劃分訓(xùn)練與測(cè)試樣本集；4)利用訓(xùn)練樣本集進(jìn)行SVM分類；5)主動(dòng)學(xué)習(xí)循環(huán)，由MCLU準(zhǔn)則和AP聚類選取樣本標(biāo)記，更新訓(xùn)練與測(cè)試樣本集；6)利用新的訓(xùn)練樣本集進(jìn)行SVM分類，直到訓(xùn)練樣本數(shù)量達(dá)到預(yù)設(shè)數(shù)量時(shí)停止，得到最終分類結(jié)果。本發(fā)明將多結(jié)構(gòu)元素的形態(tài)學(xué)特征與主動(dòng)學(xué)習(xí)相結(jié)合，充分利用空譜信息，在小樣本前提下提高了分類精度。

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)一步涉及高光譜圖像分類技術(shù)領(lǐng)域，具體為一種基于擴(kuò)展形態(tài)學(xué)和主動(dòng)學(xué)習(xí)的高光譜分類方法。用于在資源勘探、森林覆蓋以及災(zāi)害監(jiān)測(cè)中進(jìn)行地物分類。

背景技術(shù)

高光譜傳感器，即光譜儀，可以在連續(xù)的幾十個(gè)或者數(shù)百個(gè)波段上對(duì)特定區(qū)域同時(shí)成像，所獲得圖像即為高光譜圖像。由于高光譜成像涉及不同波段，所以高光譜圖像可以獲得豐富的光譜信息，其豐富的光譜信息為地物識(shí)別和目標(biāo)檢測(cè)創(chuàng)造了良好的條件。近幾年，高光譜圖像在礦物精細(xì)識(shí)別、植被類型的識(shí)別與分類、城市地物區(qū)分、探測(cè)危險(xiǎn)環(huán)境因素實(shí)現(xiàn)災(zāi)害監(jiān)測(cè)等方面得到了廣泛的應(yīng)用。由于高光譜數(shù)據(jù)的龐大和復(fù)雜性，僅僅靠人工對(duì)圖像中的每個(gè)像元進(jìn)行標(biāo)注十分費(fèi)時(shí)費(fèi)力，因此，高光譜圖像的分類技術(shù)就成為高光譜圖像處理技術(shù)中十分重要的一環(huán)。

S.Patra等人在其發(fā)表的論文“A Spectral-Spatial Multicriteria ActiveLearning Technique for Hyperspectral Image Classification”(IEEE Journal ofSelected Topics in Applied Earth ObservationsRemote Sensing,2017)中提出了一種基于主動(dòng)學(xué)習(xí)和遺傳算法的高光譜圖像分類方法。該方法步驟為：1.對(duì)光譜信息數(shù)據(jù)進(jìn)行PCA降維；2.用兩個(gè)結(jié)構(gòu)元素尺寸對(duì)降維后的光譜信息數(shù)據(jù)進(jìn)行形態(tài)學(xué)剖面變換，得到空間特征；3.將空間特征與光譜特征相結(jié)合；4.通過主動(dòng)學(xué)習(xí)和遺傳算法相結(jié)合，迭代進(jìn)行支持向量機(jī)有監(jiān)督分類。其利用兩個(gè)尺度的結(jié)構(gòu)元素提取圖像的擴(kuò)展形態(tài)學(xué)輪廓，然而單尺度或兩個(gè)尺度的結(jié)構(gòu)元素不能充分挖掘高光譜圖像的空間信息，因此不能得到滿意的分類精度；而且，使用遺傳算法與主動(dòng)學(xué)習(xí)相結(jié)合選取需要標(biāo)記的樣本，每代種群中的樣本個(gè)體適應(yīng)度計(jì)算花費(fèi)的時(shí)間太長(zhǎng)，將導(dǎo)致選取標(biāo)記樣本過慢。

西安電子科技大學(xué)在其申請(qǐng)的專利文獻(xiàn)“一種基于主動(dòng)學(xué)習(xí)的高光譜圖像分類方法”(申請(qǐng)?zhí)枺篊N 201410066856.9，申請(qǐng)公布號(hào)：CN 103839078 B)中公開了一種基于主動(dòng)學(xué)習(xí)的高光譜圖像分類方法。該方法的實(shí)施步驟是：1.提取光譜和空間特征，將其融合為一個(gè)特征向量；2.將所有樣本隨機(jī)劃分為測(cè)試數(shù)據(jù)集與訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集被進(jìn)一步隨機(jī)劃分為已標(biāo)記數(shù)據(jù)集和未標(biāo)記數(shù)據(jù)集；3.在已標(biāo)記數(shù)據(jù)集上構(gòu)造初始集成分類器；4.每一次迭代，根據(jù)新的信息量度量準(zhǔn)則挑選出固定數(shù)目的最高信息量的未標(biāo)記樣本用于人工標(biāo)記；5.利用最終得到的集成分類器進(jìn)行預(yù)測(cè)。該分類方法的不足之在于，利用單個(gè)尺度的結(jié)構(gòu)元素提取圖像的擴(kuò)展形態(tài)學(xué)輪廓，同樣存在不能充分挖掘高光譜圖像的空間信息的問題，因此不能得到滿意的分類精度；而且，使用信息量度量準(zhǔn)則根據(jù)信息量來選取需要標(biāo)記的樣本，其計(jì)算過程復(fù)雜、耗時(shí)較長(zhǎng)，并需要大量標(biāo)記樣本。在現(xiàn)實(shí)生活中，遙感數(shù)據(jù)的標(biāo)記工作需要專家人工操作或者進(jìn)行實(shí)地勘察，成本相當(dāng)高，因此，如何利用盡可能少的已標(biāo)記樣本來獲得盡可能高的分類精度在遙感數(shù)據(jù)分類中非常重要。

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，提出了一種基于擴(kuò)展形態(tài)學(xué)和主動(dòng)學(xué)習(xí)的高光譜分類方法。本發(fā)明將擴(kuò)展的多結(jié)構(gòu)元素形態(tài)學(xué)輪廓特征與主動(dòng)學(xué)習(xí)框架相結(jié)合，通過擴(kuò)展的多結(jié)構(gòu)元素形態(tài)學(xué)輪廓特征對(duì)高光譜圖像的空間信息進(jìn)行充分挖掘，將空間特征與光譜特征相結(jié)合，充分利用空間信息與光譜信息，并結(jié)合主動(dòng)學(xué)習(xí)的小樣本特性進(jìn)行分類；同時(shí)，將近鄰傳播聚類與主動(dòng)學(xué)習(xí)相結(jié)合，實(shí)現(xiàn)在小樣本的前提下獲取高精度的分類結(jié)果。