[發明專利]一種高光譜圖像分類方法及系統

在審

• 申請號: 202010549981.0
• 申請日: 2020-06-16
• 公開（公告）號: CN111881933A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 曹衍龍;劉佳煒;楊將新;曹彥鵬;董獻瑞;賈淑凱
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 徐關壽

本發明公開了一種高光譜圖像分類方法，包括如下步驟：（1）輸入待分類的高光譜圖像；（2）用主成分分析法提取待分類的高光譜圖像的光譜特征向量；（3）用灰度梯度共生矩陣提取待分類的高光譜圖像的紋理特征向量（4）將提取到的光譜特征向量和紋理特征向量合并后作為分類特征向量輸入預先訓練好的支持向量機模型中，得到分類結果，其中支持向量機模型是使用訓練集通過調整紋理特征提取窗口的方式進行反復訓練使得訓練集在支持向量機模型上的分類精度達到最佳而得的。

技術領域

本發明涉及一種圖像分類方法，尤其涉及一種高光譜圖像分類方法。

背景技術

高光譜遙感利用很窄但連續的光譜通道(一般波段寬小于10nm)對地物持續遙感成像，不僅包含地物目標的二維空間幾何，還包含一維的光譜信息，具有“圖譜合一”的特點。高光譜圖像不僅包含了地面物體非常豐富的光譜信息，而且也體現了地面目標的空間結構分布，具有光譜分辨率高、包含豐富信息的優點，因此高光譜圖像廣泛應用在遙感領域。

高光譜圖像分類是指對大范圍波段連續成像的像元按照其語義劃分為不同的地物類別，在地質勘探、食品安全、植被研究等領域有著十分重要的應用。雖然高光譜圖像較高的光譜分辨率為圖像分類提供了可能，但是提高高光譜圖像的分類準確度仍然存在著一些難題，比如像素的維度較高、噪聲干擾、較高的空間域和光譜域冗余。

目前，大多數高光譜圖像分類方法是在空間域和光譜域進行的，并未提取高光譜圖像潛在的邊緣和紋理細節信息。但是，高光譜圖像在提高光譜分辨率的同時必定會壓縮空間分辨率，從而導致空間紋理細節信息需要一定的技術提取出來。因此，這些方法均存在未充分利用高光譜圖像細節信息的問題，影響分類精度的提高。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是克服已有技術的不足，即傳統的高光譜圖像空譜分類方法不能很好地利用細節信息的確定，提取一種基于主成分分析和灰度梯度共生矩陣的高光譜分類方法，即通過主成分分析提取光譜信息，通過灰度梯度共生矩陣提取圖像細節信息，并利用支持向量機獲取的高光譜分類結果，實現高光譜圖像的高精度分類。

為實現上述目的，本發明在第一方面提供了一種高光譜圖像分類方法，包括如下步驟：

(1)輸入待分類的高光譜圖像；

(2)用主成分分析法提取待分類的高光譜圖像的光譜特征向量；

(3)用灰度梯度共生矩陣提取待分類的高光譜圖像的紋理特征向量；

(4)將提取到的光譜特征向量和紋理特征向量合并后作為分類特征向量輸入預先訓練好的支持向量機模型中，得到分類結果，其中支持向量機模型是使用訓練集通過調整紋理特征提取窗口的方式進行反復訓練使得訓練集在支持向量機模型上的分類精度達到最佳而得的。

進一步地，步驟(2)中包括如下步驟：

(2a)把高光譜圖像中每個像素點的所有維展開成一維光譜特征向量，得到按行排列的所有像素點的光譜特征矩陣；

(2b)對光譜特征矩陣中每兩列元素求協方差，得到光譜特征矩陣的協方差矩陣；

(2c)利用協方差矩陣的特征方程，得到協方差矩陣的所有特征值；

(2d)將所有特征值按照從大到小排序，當排序后的前N維特征值之和除以所有特征值之和大于99％時，則取該前N維特征值作為光譜特征向量，并將光譜特征向量作為分類特征向量的前N維元素。

進一步地，步驟(3)包括如下步驟：

(3a)提取可見光波段對應的光譜圖像，并對光譜圖像的邊緣進行零值填充，設置填充大小P＝1；