[發(fā)明專利]耦合空譜特征的多尺度超像素高光譜遙感圖像分類方法

在審

• 申請?zhí)枺?/td>: 202110507336.7
• 申請日: 2021-05-10
• 公開（公告）號: CN113205143A
• 公開（公告）日: 2021-08-03
• 發(fā)明（設計）人: 王華;陳夢奇;黃偉;殷君茹;李志剛;陳啟強;吳慶崗
• 申請（專利權）人: 鄭州輕工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 張立強

本發(fā)明提供一種耦合空譜特征的多尺度超像素高光譜遙感圖像分類方法。該方法包括：將高光譜遙感圖像數(shù)據(jù)集分為訓練集和測試集，使用主成分分析法PCA對訓練集進行降維處理，得到有效的光譜波段；在不同尺度下，分別使用基于熵率的超像素分割算法ERS對有效的光譜波段進行超像素分割處理；通過RBF核函數(shù)計算任意兩個超像素之間的相似性，進而得到訓練集的空間光譜核矩陣K_pp；通過多項式核函數(shù)計算訓練集中任意兩個像素之間的相似性，進而得到訓練集的原始光譜核矩陣K_yp；將空間光譜核矩陣K_pp與原始光譜核矩陣K_yp進行融合得到多尺度超像素空間光譜合成核矩陣，然后訓練SVM分類器模型；使用訓練好的SVM分類器模型對測試集進行分類，輸出得到對應的地物分類圖像。

技術領域

本發(fā)明涉及遙感圖像處理技術領域，尤其涉及一種耦合空譜特征的多尺度超像素高光譜遙感圖像分類方法。

背景技術

遙感影像由于其較高的時效性，一直作為土地利用分類、醫(yī)學圖像處理、目標檢測識別等信息采集、更新的主要數(shù)據(jù)源，其中高光譜遙感影像更是憑借其豐富的圖像光譜信息，能夠顯著提高不同物類的區(qū)別與識別度，而深受廣大研究人員的青睞。高光譜遙感影像不僅包含地物空間信息，還包含了豐富的地物光譜信息，高光譜圖像分類方法的探索對于區(qū)分地物、實時掌握區(qū)域地物信息具有重要意義。現(xiàn)有高光譜遙感影像分類研究采用單一尺度下的超像素方法進行圖像分割處理，無法確定最佳超像素個數(shù)，較易忽視圖像細節(jié)信息，且單一核矩陣無法表征多特征信息導致分類精度降低。

目前，用于高光譜遙感影像分類的算法包括決策樹、支持向量機(Support VectorMachines，SVM)、深度學習等，高光譜遙感影像與一般遙感影像相比，在包含地物空間特征的同時，也包含了大量的細微光譜特征，每幅高光譜遙感影像均含有大量的像素級特征，如果使用傳統(tǒng)的逐像素方法提取特征，將會使噪聲的影響擴大，并且在進行特征提取時往往忽略相似特征聚類的重要性，進而導致圖像分類精度的降低。超像素是一種圖像特征聚類方法，它能夠將圖像中特征相似的像素點劃分成小區(qū)域，進而將像素級影像抽象為區(qū)域級的高維數(shù)據(jù)。

目前超像素方法已被應用到多個領域，例如：Rajalakshmi C等人基于超像素完成移動目標檢測；Liu Lijun等人基于超像素完成醫(yī)學圖像分割；Kisang Kim等人基于超像素實現(xiàn)室內空間識別；等等。將超像素分割方法運用到HSI分類或目標檢測，可以提取更加有效的樣本空間特征，進而提升分類效果或目標檢測效率。上述方法表明基于超像素的改進方法可有效提高目標分類精度，但是將超像素分割應用到HSI分類中仍然存在以下缺陷：(1)初始超像素個數(shù)的不確定，較易導致提取的圖像特征不夠精細與全面，如果提取的特征包含較多干擾信息，或者丟失關鍵信息，都將會對分類精度產生較大的影響。(2)涉及超像素的分類方法大多針對單一核函數(shù)進行分類研究，較易忽視核函數(shù)融合對分類精度帶來的正向影響。

發(fā)明內容

針對現(xiàn)有的高光譜遙感影像分類方法存在的分類精度較低的問題，，本發(fā)明提出一種耦合空譜特征的多尺度超像素高光譜遙感圖像分類方法，可有效提高高光譜遙感影像分類精度。

本發(fā)明提供的耦合空譜特征的多尺度超像素高光譜遙感圖像分類方法，包括：

步驟1：將高光譜遙感圖像數(shù)據(jù)集分為訓練集和測試集，使用主成分分析法PCA對訓練集進行降維處理，得到有效的光譜波段；

步驟2：在不同尺度下，分別使用基于熵率的超像素分割算法ERS對有效的光譜波段進行超像素分割處理；

步驟3：通過RBF核函數(shù)計算任意兩個超像素之間的相似性，進而得到訓練集的空間光譜核矩陣K_pp；通過多項式核函數(shù)計算訓練集中任意兩個像素之間的相似性，進而得到訓練集的原始光譜核矩陣K_yp；