空間鄰域信息加權(quán)的高光譜遙感圖像分類方法
【專利摘要】本發(fā)明針對現(xiàn)有高光譜遙感圖像分類技術(shù)，在圖像分類結(jié)果存在“雜點”的問題上，提出了一種空間鄰域信息加權(quán)的高光譜遙感圖像分類方案。首先對預(yù)處理后的圖像數(shù)據(jù)進(jìn)行部分主成分分析，獲取變換后的特征矩陣，然后對特征矩陣?yán)每臻g鄰域信息加權(quán)的FCM算法實施快速聚類，得到高光譜圖像的分類結(jié)果。本發(fā)明提供的高光譜遙感圖像分類方案，充分結(jié)合了主成分分析特征降維的功效和高光譜圖像豐富的空間鄰域信息，在保證算法效率的同時，提高了高光譜圖像的分類效果，與傳統(tǒng)方法法相比，不僅能夠降低計算量，而且可以改善分類效果，克服“同物異譜”和噪聲引起的“雜點”現(xiàn)象，獲得很好的分類效果。
【專利說明】空間鄰域信息加權(quán)的高光譜遙感圖像分類方法
[0001]技術(shù)鄰域
[0002]本發(fā)明屬于高光譜遙感圖像處理領(lǐng)域，具體涉及一種空間鄰域信息加權(quán)的高光譜遙感圖像分類方法。
【背景技術(shù)】
[0003]高光譜遙感技術(shù)是一種新興遙感技術(shù)，它借助成像光譜儀將成像技術(shù)和細(xì)分光譜技術(shù)革命性地結(jié)合在一起，與傳統(tǒng)多光譜遙感相比，高光譜遙感具有光譜分辨率高、圖譜合一、在某一光譜段范圍內(nèi)連續(xù)成像的優(yōu)勢。這些特點和優(yōu)勢使得高光譜圖像在軍事目標(biāo)的探測、植被的精細(xì)分類、地質(zhì)巖礦物的識別、海洋檢測、環(huán)境檢測、以及城市規(guī)劃等眾多領(lǐng)域得到廣泛應(yīng)用。高光譜圖像數(shù)據(jù)是一個光譜圖像的立方體，通常有以下三種表示方法:
[0004]I)圖像空間:它是一種最直觀的高光譜數(shù)據(jù)信息的表現(xiàn)方式，反映了地物的分布和變化以及不同地物之間的空間關(guān)系。圖像空間最重要的用途就是將圖像中每一個像素與其地面位置對應(yīng)起來，為高光譜影像處理與分析提供空間知識，但是波段之間的相互關(guān)系很難從圖像中反映出來。
[0005]2)光譜空間:利用目標(biāo)的光譜響應(yīng)與波長之間的變化關(guān)系來描述高光譜數(shù)據(jù)所蘊含的信息。圖像中每一個像元矢量對應(yīng)一條近似連續(xù)的光譜曲線，它是電磁波能量對波長的函數(shù)，反映了其所代表的目標(biāo)的輻射光譜信息。曲線中每個點的數(shù)值是相應(yīng)成像波段上傳感器對目標(biāo)光譜輻射與反射能量的響應(yīng)值。
[0006]3)特征空間:高光譜影像中的每一個像元對應(yīng)著多個成像波段的反射值，這些反射值可以用一個多維矢量表示。在特征空間中，不同的目標(biāo)分布在不同區(qū)域，并且有不同的分布特性，這就有利于定量地描述目標(biāo)的光譜輻射特性及其在特征空間內(nèi)的變化規(guī)律。
[0007]高光譜遙感技術(shù)中一個經(jīng)典、具有探索性的研究領(lǐng)域就是遙感圖像的分類。由于目前尚無通用的分類理論，而現(xiàn)有的大多數(shù)算法只針對具體問題，所以人們至今仍在不斷研究和發(fā)掘新的分類理論與分類算法。高光譜圖像分類方法，可以歸結(jié)為兩類:一類是基于光譜空間的分類方法，利用反映地物光譜特征的光譜曲線來識別地物；另一類是基于特征空間的分類方法，利用地物在特征空間的統(tǒng)計特性來建立分類模型。這兩類方法通常只注重地物在光譜空間或特征空間上的差異，而忽視了像元“同物異譜”的現(xiàn)象和像元在圖像空間維的結(jié)構(gòu)，這種處理方式造成的后果就是圖像分類后會有很多“雜點”，這是由噪聲和地物分布在數(shù)據(jù)獲取尺度上的不均勻引起的。一般情況下，地物在空間上都是連續(xù)分布的，或者說如果某點處為A類地物，那么在此點的鄰域上是A類地物的可能性最大，這是一個非常重要的信息，利用好這個信息是消除“雜點”現(xiàn)象、提高分類精度的關(guān)鍵所在。
[0008]高光譜圖像具有數(shù)據(jù)量大、冗余度高和波段間相關(guān)性強的特點，直接對原始數(shù)據(jù)處理并不經(jīng)濟，所以通常在進(jìn)行分類之前會對遙感數(shù)據(jù)做特征降維處理，常用的高光譜數(shù)據(jù)降維方法是主成分分析(Principal Component Analysis)算法。主成分分析是考察多個變量間相關(guān)性的一種多元統(tǒng)計方法，研究如何通過少數(shù)幾個主成分來揭示多個變量間的內(nèi)部結(jié)構(gòu)，即從原始變量中導(dǎo)出少數(shù)幾個主成分，使它們盡可能多地保留原始變量的信息，且彼此間互不相關(guān)。這對高光譜數(shù)據(jù)有非常重要的意義:一方面，能夠使圖像遠(yuǎn)離噪聲，提高數(shù)據(jù)質(zhì)量；另一方面，去除圖像中的無價值波段，可以降低計算量，提高處理效率。

【發(fā)明內(nèi)容】

[0009]本發(fā)明所要解決的技術(shù)問題是，針對高光譜遙感圖像數(shù)據(jù)量大、冗余高和現(xiàn)有分類技術(shù)在分類結(jié)果中存在“雜點”的問題上，提出了一種空間鄰域信息加權(quán)的高光譜遙感圖像分類方法。
[0010]本發(fā)明解決上述技術(shù)問題的技術(shù)方案是:一種空間鄰域信息加權(quán)的高光譜遙感圖像分類方法，包括:預(yù)處理階段和分類階段，預(yù)處理階段，采用PPCA變換對高光譜圖像波段進(jìn)行降維，降低圖像波段信息的冗余；分類階段，采用圖像空間鄰域信息加權(quán)的模糊C均值算法，消除遙感圖像分類結(jié)果中存在的“雜點”。具體技術(shù)方案為:
[0011]讀取遙感圖像，對圖像特征矢量進(jìn)行PPCA變換實現(xiàn)對特征矢量矩陣降維，從波段數(shù)據(jù)中獲得部分線性不相關(guān)的矢量作為像元樣本；從圖像矩陣中提取像元樣本的鄰域像元，獲取特征隸屬度，根據(jù)特征隸屬度計算像元樣本所有鄰域像元對應(yīng)第某類特征隸屬度的中值，獲得特征矩陣中所有樣本對應(yīng)每個類別的空間鄰域信息，根據(jù)空間鄰域信息更新模糊劃分矩陣和聚類中心，由模糊劃分矩陣得到各像元分類結(jié)果，構(gòu)造偽彩色圖。
[0012]其中，對特征矢量矩陣降維包括:選取樣本并轉(zhuǎn)換成數(shù)據(jù)矩陣，計算樣本數(shù)據(jù)的相關(guān)系數(shù)矩陣，計算相關(guān)系數(shù)矩陣的特征根，計算特征根的累計貢獻(xiàn)率，根據(jù)累計貢獻(xiàn)率選取特征維數(shù)，獲取特征矢量。
[0013]具體為:提取圖像中心像元選取樣本，并轉(zhuǎn)換成2維數(shù)據(jù)矩陣B，獲得數(shù)據(jù)矩陣S的相關(guān)系數(shù)矩陣R ;根據(jù)特征方程lR-λ?Ι =0，計算R的特征根Xi，并使其從大到小排列
【權(quán)利要求】
1.一種空間鄰域信息加權(quán)的高光譜遙感圖像分類方法，其特征在于，該方法包括:讀取遙感圖像，對圖像特征矢量進(jìn)行PPCA變換實現(xiàn)對特征矢量矩陣降維，從波段數(shù)據(jù)中獲得部分線性不相關(guān)的矢量作為像元樣本；從圖像矩陣中提取像元樣本的鄰域像元，獲取特征隸屬度，根據(jù)特征隸屬度計算像元樣本所有鄰域像元對應(yīng)第某類特征隸屬度的中值，作為特征矩陣中所有樣本對應(yīng)每個類別的空間鄰域信息，根據(jù)空間鄰域信息更新模糊劃分矩陣和聚類中心，由模糊劃分矩陣得到各像元分類結(jié)果，構(gòu)造偽彩色圖。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對特征矢量矩陣降維包括:選取樣本并轉(zhuǎn)換成數(shù)據(jù)矩陣，計算樣本數(shù)據(jù)的相關(guān)系數(shù)矩陣，計算相關(guān)系數(shù)矩陣的特征根，計算特征根的累計貢獻(xiàn)率，根據(jù)累計貢獻(xiàn)率選取特征維數(shù)，獲取特征矢量。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)特征隸屬度計算像元樣本所有鄰域像元對應(yīng)第某類特征隸屬度的中值具體為:根據(jù)公式:
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)空間鄰域信息更新模糊劃分矩陣和聚類中心具體包括:從圖像矩陣中提取樣本Xj的鄰域像元；獲得&隸屬于第i類的特征隸屬度v1/和空間鄰域信息#，獲得特征隸屬度&和空間鄰域信息4加權(quán)后的模糊相似度
5.根據(jù)權(quán)利要求2所述的方法，其特征在于，計算相關(guān)系數(shù)矩陣的特征根具體為:根據(jù)數(shù)據(jù)矩陣S的相關(guān)系數(shù)矩陣R，調(diào)用特征方程lR-λ 11=0計算R的特征根λ it)
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，計算特征根的累計貢獻(xiàn)率，根據(jù)累計貢獻(xiàn)率選取特征維數(shù)具體為:將特征根從大到小排列，得到對應(yīng)的特征向量a= {a1; a2，…au}， 根據(jù)公式
7.根據(jù)權(quán)利要求2或6所述的方法，其特征在于，根據(jù)累計貢獻(xiàn)率選取特征維數(shù)，獲取特征矢量具體為:找到使累計貢獻(xiàn)率第一次到達(dá)累計貢獻(xiàn)率上限值K的特征維數(shù)L，提取前L個主成分對應(yīng)的特征向量i3={ai，a2，…aj，調(diào)用公式Χ=βτ.Β獲取圖像的特征矩陣，即根據(jù)公式: Xij=BliBya2iB-MauiBuj (i = 1,2, ".,Uj=I, 2,…，p)計算原圖像數(shù)據(jù)的主成分。
8.根據(jù)權(quán)利要求4所述的方法，其特征在于，設(shè)定鄰域窗口大小C，以當(dāng)前樣本像元為中心，與它四周相鄰的C個像元即為鄰域像元。
【文檔編號】G06K9/62GK103440505SQ201310422632
【公開日】2013年12月11日 申請日期:2013年9月16日 優(yōu)先權(quán)日:2013年9月16日
【發(fā)明者】陳善學(xué), 李俊, 于佳佳, 韓勇, 馮銀波 申請人:重慶郵電大學(xué)