[發明專利]基于類特征迭代隨機采樣的高光譜圖像譜空分類方法

有效

• 申請號: 201910976493.5
• 申請日: 2019-10-15
• 公開（公告）號: CN110738171B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 于浩洋;尚曉笛;宋梅萍;于純妍;王玉磊;趙恩宇;張建祎
• 申請（專利權）人: 大連海事大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/764
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

本發明公開了一種基于類特征迭代隨機采樣的高光譜圖像譜空分類方法，包括根據高光譜圖像數據和地物類別標簽信息計算各類的類特征準則；根據類特征準則迭代地計算每個類別在分類時應分配的訓練樣本數目；根據每類已分配的訓練樣本數目和目標地物樣本集參數信息計算目標地物的平均光譜特征和自相關矩陣，根據各地物平均光譜特征、自相關矩陣的逆矩陣、通過約束能量最小化方法計算針對于該地物、高光譜圖像中每個像元對應的豐度信息，根據分類圖像信息計算相鄰兩次迭代分類結果的相似性系數，判斷所述相似性系數是否已滿足迭代分類的截止條件、對融合更新后的數據進行迭代分類。

技術領域

本發明涉及基于類特征迭代隨機采樣和空間信息反饋的高光譜圖像分類方法，尤其涉及一種基于類特征迭代隨機采樣的高光譜圖像譜空分類方法。

背景技術

高光譜遙感圖像包括數百個連續窄譜的光譜波段，所以具有大量的光譜細節可以用來準確判斷地物類別。因而，在土地利用變化與覆蓋、災害監測、地質評估、農林調查等方面得到了廣泛應用。高光譜圖像分類是對高光譜圖像中的每一個像元都進行類別標注，相對于常規遙感，高光譜影像在保留較高空間分辨率的同時，光譜分辨率得到極大的提高，這使得無論在描述同類地物的細節方面，還是識別不同類別地物的能力等方面都有大幅提高，在地物分類方面存在巨大優勢。但是，高光譜圖像具有高維非線性、波段間相關性高以及訓練樣本標記難以獲得等特點，給分類工作帶來了巨大的挑戰。因此，在已標記樣本比較少的情況下，如何有效利用光譜和空間信息，快速、準確地對高光譜遙感圖像地物目標進行分類成為數據挖掘、機器學習和模式識別等領域的熱點研究問題之一。

近年來，基于支持向量機(SVM)的高光譜圖像分類方法得到了一定程度的發展，針對高光譜圖像中包含的空間信息，建立了SVM分類器與馬爾可夫隨機場、邊緣濾波器等空間算子結合的分類方法。但是這類方法一方面對支持向量比較敏感，對部分地物類別的分類效果會很差；另一方面SVM分類效果在很大程度上，依賴于隨機選擇的訓練樣本數目的多少和光譜特征的好壞，這導致了每次分類結果不一致，因此，常用的一種方法是將SVM運行若干次，以獲得分類結果的平均值。另外，基于混合像素的光譜分類器也受到了廣泛關注，最近，約束能量最小化(CEM)被擴展到迭代CEM(ICEM)來作為高光譜圖像的分類器。ICEM作為分類器實現時，是通過特定類的類均值指定所需的信號來執行該類的分類，通過空間濾波算子將光譜信息和空間信息結合，將這些經過空間濾波的CEM檢測映射反饋到當前的輸入圖像數據中，形成一個新的圖像數據立方體，作為新的輸入數據再次實現CEM。同樣的過程不斷重復，迭代次數越多，用于分類的空間信息越多，高光譜圖像分類效果越好。但是，當已知類別樣本數量較少的情況下，ICEM的分類效果較差，所以實現ICEM需要已知樣本的全部類標簽信息，以計算每個目標類別光譜均值作為目標光譜。但在實際情況下，獲取高光譜數據樣本的標注耗時、費力、成本巨大，以至于獲取類別全部的樣本標簽信息在實現上非常困難。

發明內容

根據現有技術存在的問題，本發明公開了一種基于類特征迭代隨機采樣的高光譜圖像譜空分類方法，具體包括如下步驟：

S1：根據高光譜圖像數據和地物類別標簽信息，計算特定的類特征準則p^CS，包括p^CD和p^SR；

S2：根據類特征準則p^CS，迭代地計算類別i在分類時所需訓練樣本數目n_i^training，其中，1≤i≤M，M為類別總數；

S3：根據所述每類已分配的訓練樣本數目和目標地物樣本集的參數，包括高光譜圖像數據信息、地物類別標簽信息和選取樣本像元的光譜特征，計算目標地物的平均光譜特征d和自相關矩陣R；

S4:根據各地物光譜特征d以及自相關矩陣R的逆矩陣R^-1，通過約束能量最小化CEM的方法，計算出高光譜圖像中每個像元r_n對應的豐度信息F(r_n)，其中，1≤n≤N，N為高光譜圖像包含的所有目標地物的樣本總數；