一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)rvm高光譜分類方法
【專利摘要】本發(fā)明提供一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法。包括以下步驟：(1)使用主成分變換對所述高光譜圖像進(jìn)行降維；(2)采用數(shù)學(xué)形態(tài)學(xué)變換，在所述主成分變換后的高光譜圖像進(jìn)行空間特征提??；(3)根據(jù)核函數(shù)的理論分別構(gòu)造了基于加法，基于乘法和基于加權(quán)加法三種形式的組合核函數(shù)；使用所述組合核函數(shù)方法融合圖像的光譜特征和空間特征；(4)使用本發(fā)明所述的組合核函數(shù)RVM分類器，對高光譜圖像進(jìn)行分類，使用AVIRIS高光譜影像進(jìn)行了分類實驗。與傳統(tǒng)的基于光譜特征的RVM分類器相比，在訓(xùn)練時間沒有明顯增加的前提下，組合核函數(shù)RVM的分類精度有了顯著提升。且本發(fā)明所述方法穩(wěn)定性強，對樣本數(shù)目不敏感。
【專利說明】—種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及高光譜圖像處理方法與應(yīng)用【技術(shù)領(lǐng)域】，更具體地，涉及一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法。
【背景技術(shù)】
[0002]高光譜圖像以光譜分辨率高的優(yōu)勢受到國內(nèi)外的廣泛關(guān)注。高光譜圖像的光譜覆蓋范圍從可見光到近紅外，能夠獲取地物幾乎連續(xù)的波段信息。高光譜圖像極高的光譜分辨率一方面可以鑒別更精細(xì)的地物類別，也給傳統(tǒng)的遙感圖像分類方法帶來了挑戰(zhàn)。
[0003]傳統(tǒng)的高光譜監(jiān)督分類方法有:極大似然法、人工神經(jīng)網(wǎng)絡(luò)等。神經(jīng)網(wǎng)絡(luò)方法參數(shù)初始化困難、容易出現(xiàn)局部最優(yōu)和過學(xué)習(xí)現(xiàn)象，訓(xùn)練過程比較緩慢。往往無法獲得足夠數(shù)量的訓(xùn)練樣本，影響各類別先驗知識的估計；高光譜影像分類的一個難點就是隨著波段數(shù)量的增加，直接利用所有波段信息的分類精度反而有可能下降，也就是出現(xiàn)所謂的維數(shù)災(zāi)難(Hughes 現(xiàn)象)。
[0004]支持向量機(SVM)在高光譜分類中逐漸受到關(guān)注。該方法在高光譜分類中取得了比傳統(tǒng)方法更高的精度。但是SVM方法也存在著不足。例如:必須給定一個懲罰系數(shù)C，這個參數(shù)必須通過大量的交叉驗證或附加優(yōu)化算法來進(jìn)行確定，計算復(fù)雜度高，而且對結(jié)果有很大的影響；核函數(shù)必須滿足Mercer條件；支持向量個數(shù)與訓(xùn)練樣本數(shù)相比雖然具備一定的稀疏性，但是依然會隨著訓(xùn)練樣本數(shù)的增加而成線性增加，造成模型預(yù)測時間的增加。
[0005]2000年，模式識別領(lǐng)域出現(xiàn)了相關(guān)向量機分類器的應(yīng)用研究(RVM，RelevanceVector Machine)。與SVM相比，RVM方法最大的優(yōu)勢在于:模型沒有懲罰系數(shù)C，降低了對超參數(shù)的敏感性；核函數(shù)不需要滿足Mercer條件；解的稀疏性高。這使得基于RVM的高光譜分類方法在實時性要求高的圖像分類問題中具有應(yīng)用潛力。然而現(xiàn)有的基于RVM的高光譜分類方法的研究都是基于圖像的光譜特征，并沒有充分利用圖像的空間特征。
[0006]在分類器中引入圖像的空間特征可以提高分類精度，這就涉及到空間特征融合方法。常用的空間特征融合方法有兩種:最簡單的空間特征融合策略是在分類結(jié)束后對分類結(jié)果圖進(jìn)行空間信息濾波，然而該方法受模版大小影響較大。另一種方法是將圖像的空間特征和光譜特征共同組成特征向量，由于高光譜圖像波段數(shù)目多，因此波段合成的方法急劇增加了數(shù)據(jù)量且造成了波段冗余。盡管利用特征提取的方法可以降低數(shù)據(jù)的維數(shù)，但是特征提取耗時長，有的情況下還需要先驗知識。
[0007]最近，在模式識別領(lǐng)域出現(xiàn)了組合核函數(shù)方法的研究和應(yīng)用。組合核函數(shù)方法已經(jīng)通過與SVM分類器相結(jié)合在文本分類，模式識別等領(lǐng)域取得了應(yīng)用。但是在這些研究中，組合核函數(shù)的構(gòu)造都是基于單一特征空間的。由于RVM分類器的研究和應(yīng)用尚處于探索階段，關(guān)于組合核函數(shù)RVM的研究尚不多見，雖然也有研究用組合核函數(shù)RVM進(jìn)行特征提取和電力負(fù)荷預(yù)測等。但是在這些研究中，組合核函數(shù)的構(gòu)造仍然是基于單一特征空間的?；诓煌卣骺臻g構(gòu)造的組合核函數(shù)RVM分類器則未見報道。在遙感圖像處理領(lǐng)域，結(jié)合空間特征和光譜特征的組合核函數(shù)RVM分類器的研究和應(yīng)用也未見報道。

【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的在于針對現(xiàn)有方法的上述不足，提供一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法。目的在于充分結(jié)合高光譜圖像的空間特征和光譜特征，以提聞分類的精度。
[0009]本發(fā)明的步驟如附圖1所示，融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法，其特征在于，包括以下步驟: [0010]步驟一:對高光譜圖像進(jìn)主成分變換。分類過程中融合光譜特征和空間特征可以有效的提高分類精度，但是將導(dǎo)致數(shù)據(jù)量急劇增大，同時數(shù)據(jù)維數(shù)增加到一定程度反而會導(dǎo)致分類精度下降。因此本文首先使用PCA變換(PrincipalComponents Analysis, PCA)對圖像進(jìn)行降維。得到訓(xùn)練樣本集的特征向量，Xn G Rd, tn G R0其中，N是訓(xùn)練樣本集的樣本個數(shù)。Xk表示第k個樣本。yk是與樣本k相對應(yīng)的標(biāo)簽。
[0011]步驟二:采用數(shù)學(xué)形態(tài)學(xué)變換，在所述主成分變換后的高光譜圖像進(jìn)行空間特征提取。得到圖像的空間特征空間特征向量<。數(shù)學(xué)形態(tài)學(xué)通過開啟(Opening)和閉合(closing)操作可以得到圖像的形態(tài)學(xué)特征。本發(fā)明采用基于重構(gòu)的開啟和閉合運算對圖像進(jìn)行空間特征提取。為了充分利用圖像空間特征的多尺度特性，計算過程中將形態(tài)學(xué)運算模版的尺寸逐漸增大，對圖像迭代的進(jìn)行開啟和閉合運算得到圖像的多尺度形態(tài)學(xué)特征向量，作為圖像的空間特征。
[0012]步驟三:根據(jù)核函數(shù)的理論分別構(gòu)造基于加法，基于乘法和基于加權(quán)加法三種形式的組合核函數(shù)；使用所述組合核函數(shù)方法融合圖像的光譜特征和空間特征。其中，光譜特征是圖像所有原始波段組成的光譜特征向量<，空間特征為是多尺度形態(tài)學(xué)方法提取出來的特征向量1
[0013]步驟四:通過特征提取得到訓(xùn)練樣本和測試樣本，樣本的特征矢量Xn={xs, XwI，由樣本的光譜特征向量X丨與空間特征向量組成。使用所述的組合核函數(shù)作為RVM分類器的核函數(shù)，進(jìn)行分類器的訓(xùn)練，并對高光譜圖像進(jìn)行分類。
[0014]優(yōu)選的是，所述的融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法，在步驟二中，基于多尺度形態(tài)學(xué)方法對主成分變換后的圖像進(jìn)行空間特征提取，其具體實現(xiàn)方式如下:
[0015](I)對圖像進(jìn)行開重構(gòu)運算。設(shè)r】(X)是開重構(gòu)算子，其表達(dá)式為:
[0016]rl =s(rec\fmj)
[0017]其中，f?B表示對圖像做腐蝕運算。
[0018]Say (X)表示通過開重構(gòu)運算得到圖像的形態(tài)學(xué)特征，使用一系列尺寸逐漸增大的方形結(jié)構(gòu)元素，對圖像連續(xù)進(jìn)行閉重構(gòu)運算，由此得到開重構(gòu)運算得到的形態(tài)學(xué)特征A y (x):
[0019]Av(X) = [Avx: = I n y； - n y., |，VA e [1，"]}
[0020]其中，n為開運算的次數(shù)。根據(jù)形態(tài)學(xué)的定義，當(dāng)X=O時，TI y0(x)=I(x)o
[0021](2)設(shè)爐I(X)是閉重構(gòu)運算算子，對于每一個主成分圖像進(jìn)行閉重構(gòu)運算的表達(dá)式為:
[0022]
【權(quán)利要求】
1.一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法，其特征在于，所述方法包括以下步驟: 步驟一:采用主成分變換對高光譜圖像進(jìn)行降維，得到訓(xùn)練樣本集的特征向量
2.如權(quán)利要求1所述的一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法，其特征在于，在步驟二中所述空間特征提取包括以下步驟: (1)使用方形結(jié)構(gòu)元素，其數(shù)學(xué)表達(dá)式為:
3.如權(quán)利要求1所述的一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法，其特征在于，在所述步驟三中，組合核函數(shù)的構(gòu)造方法包括以下步驟: (1)所述圖像的光譜特征為所述圖像的空間特征為相應(yīng)的所述光譜特征與所述空域特征的核矩陣分別為Ks和Kw，將所述光譜特征和所述空間特征分別進(jìn)行歸一化至(O，I):
4.如權(quán)利要求1所述的一種融合多尺度形態(tài)學(xué)特征的組合核函數(shù)RVM高光譜分類方法，其特征在于，在所述步驟四中組合核函數(shù)RVM分類器的訓(xùn)練過程包括如下步驟: (1)構(gòu)造訓(xùn)練樣本其中，xnG Rd，tn G R，目標(biāo)值tn采用下列數(shù)學(xué)表達(dá)式計算:
tn=y (xn；w)+ e n 其中，誤差e n是獨立的，且服從零均值Gauss分布，方差為0 2，即P (tn I x) =N (tn I y (xn) ,o2)； (2)RVM的判決函數(shù)y(xn)采用下列數(shù)學(xué)表達(dá)式計算:
【文檔編號】G06K9/46GK103632160SQ201210458981
【公開日】2014年3月12日 申請日期:2012年11月14日 優(yōu)先權(quán)日:2012年8月24日
【發(fā)明者】孫琤 申請人:孫琤