基于壓縮譜聚類集成的高光譜圖像分類方法
【專利摘要】本發(fā)明公開了一種基于壓縮譜聚類集成的高光譜圖像分類方法。其分類過程為：(1)獲取高光譜圖像的圖像特征集合;(2)獲取降維后的圖像特征集合子空間;(3)獲取多個高光譜圖像分割結(jié)果；(4)獲取最終的高光譜圖像分割結(jié)果；(5)獲取高光譜圖像分類結(jié)果;(6)獲取高光譜圖像的準(zhǔn)確分類。本發(fā)明與現(xiàn)有技術(shù)相比，克服了經(jīng)典譜聚類中使用k-means算法對初始化敏感的缺點,降低了高光譜圖像的特征維數(shù)，與此同時，明顯提高了分類精度，分割效果好。
【專利說明】基于壓縮譜聚類集成的高光譜圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及一種基于壓縮譜聚類集成的高光譜圖像分類方法。
【背景技術(shù)】
[0002]高光譜圖像具有較高的光譜分辨率，提供了關(guān)于地物類型的豐富的信息。遙感圖像的分類是遙感圖像分析和應(yīng)用的關(guān)鍵技術(shù)之一，如何面對高光譜的海量數(shù)據(jù)以及高維特點，將高光譜圖像的各種特征相結(jié)合，研究快速、高效的目標(biāo)識別與分類算法是目前和未來一段時間內(nèi)高光譜圖像處理研究的一個熱點。
[0003]高光譜遙感之所以受到世界各國遙感科學(xué)家的普遍關(guān)注，其中一個重要原因就是:這一技術(shù)將確定物質(zhì)或地物性質(zhì)的光譜與揭示其空間和幾何關(guān)系的圖像革命性地結(jié)合在一起，而許多物質(zhì)的特征往往表現(xiàn)在一些狹窄的光譜范圍內(nèi)，高光譜遙感實現(xiàn)了捕獲地物的光譜特征同時又不失其整體形態(tài)及其與周圍地物的關(guān)系。高光譜技術(shù)產(chǎn)生的一組圖像所提供的豐富信息可以顯著地提高分析的質(zhì)量、細節(jié)性、可靠性以及可信度。
[0004]高光譜遙感在很多領(lǐng)域中都有重要的應(yīng)用。在民用方面的應(yīng)用有:地質(zhì)調(diào)查，植被遙感，農(nóng)業(yè)監(jiān)測(產(chǎn)量估計、作物分析)，精農(nóng)業(yè)研究，大氣遙感(包括水蒸氣、云及氣溶膠探測)，水文學(xué)(涉及沿海地區(qū)和內(nèi)陸水域環(huán)境、冰雪性質(zhì))，災(zāi)害環(huán)境遙感(生物量燃燒和棄礦污染調(diào)查)，土壤調(diào)查(評價、分類、侵蝕退化預(yù)測及監(jiān)測)及城市環(huán)境遙感(包括城市地物和人工目標(biāo)物的標(biāo)識、城區(qū)制圖和城市環(huán)境監(jiān)測)等等。
[0005]近年來許多技術(shù)被用來實現(xiàn)高光譜圖像的分類:神經(jīng)網(wǎng)絡(luò)，決策樹，基因算法以及基于核的技術(shù)。但是，上面提到的這些方法都是像素水平上的處理技術(shù)，也就是說根據(jù)光譜特征賦予每個像素一個類標(biāo)。這就導(dǎo)致了圖像的分類結(jié)果有很多雜點，尤其是在處理高分辨率圖像的時候。
[0006]應(yīng)該注意到，一幅高光譜圖像并不僅僅是一群獨立的像素點的集合，而且還包含了相關(guān)的空間信息。如何利用圖像的空間信息來提高最后的分類精度，已經(jīng)成為高光譜圖像分類領(lǐng)域的一個研究熱點。Tarabalka等人提出了一種新的空譜分類框架。通過使用多數(shù)投票策略，他們將像素水平上的譜分類結(jié)果同圖像的分割結(jié)果結(jié)合在一起。通常情況下，圖像的分割結(jié)果是通過空間聚類算法獲得的。聚類問題一直是機器學(xué)習(xí)和模式識別領(lǐng)域一個比較活躍而且極具挑戰(zhàn)性的研究方向，近幾年產(chǎn)生了大量的解決該問題的相關(guān)算法?，F(xiàn)有的基于產(chǎn)生式模型的聚類方法由于要使用參數(shù)密度估計，不得不簡化問題的模型，如假設(shè)每一類的分布是高斯分布，就使得這些算法僅在具有凸形結(jié)構(gòu)的數(shù)據(jù)上有好的效果。如果數(shù)據(jù)不具有凸形結(jié)構(gòu)，那么這些算法就容易陷入局部最優(yōu)。
[0007]最近一類有效的聚類方法開始受到廣泛關(guān)注。該方法是建立在譜圖理論的基礎(chǔ)上，利用數(shù)據(jù)相似矩陣的特征向量進行聚類，因而統(tǒng)稱為譜聚類。譜聚類算法是一種基于兩點間相似關(guān)系的方法，適用于非測度空間。譜聚類算法又是一個判別式方法，不用對數(shù)據(jù)的全局結(jié)構(gòu)做假設(shè)，而是首先收集局部信息來表示兩點屬于同一類的可能性，然后根據(jù)某一聚類準(zhǔn)則做全局決策，將所有數(shù)據(jù)點劃分為不同的數(shù)據(jù)集合。但是，譜聚類算法在映射域中通常采用k-means算法，k-means算法本身存在對初始化敏感,不易執(zhí)行的缺點。
[0008]此外，高維數(shù)的數(shù)據(jù)空間(通常有幾百維)是高光譜圖像分類所面臨的另一個挑戰(zhàn)。盡管豐富的光譜信息使得高光譜圖像中不同的材料和對象所具有的特征是不同的，但同時也帶來了一些問題，包括維數(shù)災(zāi)難，占用存儲空間過大，以及分類器的泛化能力下降，造成圖像的分類精度降低。除此之外，并不是所有的光譜信息對于分類問題都是有用的，也就是說許多光譜信息是冗余的。如何從數(shù)百維的光譜特征中選擇出其中有用信息，在有關(guān)高光譜分類的研究中是個很重要的課題。
[0009]發(fā)明的內(nèi)容
[0010]本發(fā)明的目的在于克服已有技術(shù)的不足，即經(jīng)典譜聚類采用的k-means算法對初始化敏感導(dǎo)致不易執(zhí)行的缺點，以及高光譜圖像維數(shù)過高導(dǎo)致維數(shù)災(zāi)難，造成圖像的分類精度降低，以及光譜信息冗余的問題，提出一種基于壓縮譜聚類集成的高光譜圖像分類方法，并同時與使用支持向量機(SVM)獲得的高光譜圖像分類結(jié)果相融合，實現(xiàn)對高光譜圖像的準(zhǔn)確分類。
[0011 ] 為達到上述目的，本發(fā)明的技術(shù)方案:
[0012]一種基于壓縮譜聚類集成的高光譜圖像分類方法，包括如下過程:
[0013](I)獲取高光譜圖像的圖像特征集合:提取輸入的高光譜圖像的光譜特征，并將高光譜圖像中的每個像素點用一個特征向量表示，得到高光譜圖像的圖像特征集合；
[0014](2)獲取降維后的圖像特征集合子空間:用壓縮感知的方法對圖像特征集合進行隨機投影，得到多個降維后的圖像特征集合子空間；
[0015](3)獲取多個高光譜圖像分割結(jié)果:在多個圖像特征集合子空間上，分別使用譜聚類對高光譜圖像的各個像素點進行聚類，得到多個高光譜圖像分割結(jié)果；
[0016](4)獲取最終的高光譜圖像分割結(jié)果:運用一種基于圖的聚類集成方法:C0MUSA，將多個高光譜圖像分割結(jié)果融合，得到最終的高光譜圖像分割結(jié)果；
[0017](5)獲取高光譜圖像分類結(jié)果:在原始的圖像特征集合上，用支持向量機SVM對高光譜圖像的各個像素點進行監(jiān)督分類，得到高光譜圖像分類結(jié)果；
[0018](6)獲取高光譜圖像的準(zhǔn)確分類:根據(jù)多數(shù)投票策略，將步驟(4)得到的高光譜圖像分割結(jié)果與步驟(5)得到的高光譜圖像分類結(jié)果相結(jié)合，最后實現(xiàn)對高光譜圖像的準(zhǔn)確分類。
[0019]一種基于壓縮譜聚類集成的高光譜圖像分類方法，還包括，步驟(2)按照如下過程進行:
[0020]令Xl，X2,..., Xn分別表示高光譜圖像的各個像素點的特征向量，其中η為高光譜圖像的像素點總數(shù)，則高光譜圖像的圖像特征集合為X = Ix1, X2,, xn} e Rd, d為特征向量的維數(shù)；
[0021]設(shè)Φ為一個服從高斯分布N(0，I)的隨機矩陣，大小為mXd(m<< d)。我們用隨機矩陣Φ對圖像特征集合X進行隨機投影，則降維后的圖像特征集合子空間可表示為:
[0022]Y = ΦΧ = Iy1Y2,..., yn} e Rm(m << d)。
[0023]其中，Υι, y2, , yn分別表示降維后的圖像特征集合子空間的各個像素點的特征向量，m為降維后的特征向量的維數(shù)；[0024]由于Φ為隨機矩陣，所以我們可以得到多個不同的圖像特征集合子空間。
[0025]一種基于壓縮譜聚類集成的高光譜圖像分類方法，還包括，步驟(3)按照如下過程進行:
[0026](3a)設(shè)Y = {Υιy2,..., yn} e Rm為降維后的圖像特征集合子空間，構(gòu)造相似度矩陣W e RnXn，其中，
【權(quán)利要求】
1.一種基于壓縮譜聚類集成的高光譜圖像分類方法，其特征在于，包括如下過程: (1)獲取高光譜圖像的圖像特征集合:提取輸入的高光譜圖像的光譜特征，并將高光譜圖像中的每個像素點用一個特征向量表示，得到高光譜圖像的圖像特征集合； (2)獲取降維后的圖像特征集合子空間:用壓縮感知的方法對圖像特征集合進行隨機投影，得到多個降維后的圖像特征集合子空間； (3)獲取多個高光譜圖像分割結(jié)果:在多個圖像特征集合子空間上，分別使用譜聚類對高光譜圖像的各個像素點進行聚類，得到多個高光譜圖像分割結(jié)果； (4)獲取最終的高光譜圖像分割結(jié)果:運用一種基于圖的聚類集成方法=COMUSAJfS個高光譜圖像分割結(jié)果融合，得到最終的高光譜圖像分割結(jié)果； (5)獲取高光譜圖像分類結(jié)果:在原始的圖像特征集合上，用支持向量機SVM對高光譜圖像的各個像素點進行監(jiān)督分類，得到高光譜圖像分類結(jié)果； (6)獲取高光譜圖像的準(zhǔn)確分類:根據(jù)多數(shù)投票策略，將步驟(4)得到的高光譜圖像分割結(jié)果與步驟(5)得到的高光譜圖像分類結(jié)果相結(jié)合，最后實現(xiàn)對高光譜圖像的準(zhǔn)確分類。
2.根據(jù)權(quán)利要求1所述的基于壓縮譜聚類集成的高光譜圖像分類方法，其特征在于，步驟(2)按照如下過程進行: 令Xl，X2,..., Xn分別表示高光譜圖像的各個像素點的特征向量，其中η為高光譜圖像的像素點總數(shù)， 則高光譜圖像的圖像特征集合為X = Ix1, X2,, xn} e Rd, d為特征向量的維數(shù)； 設(shè)Φ為一個服從高斯分布N(0，I)的隨機矩陣，大小為mXd(m<< d)，我們用隨機矩陣Φ對圖像特征集合X進行隨機投影，則降維后的圖像特征集合子空間可表示為:
Y = ΦΧ = Iy1Y2,...，yn} e Rm(m << d); 其中，Y1, I2,-.., In分別表示降維后的圖像特征集合子空間的各個像素點的特征向量，m為降維后的特征向量的維數(shù)； 由于Φ為隨機矩陣，所以得到多個不同的圖像特征集合子空間。
3.根據(jù)權(quán)利要求1所述的基于壓縮譜聚類集成的高光譜圖像分類方法，其特征在于，步驟(3)按照如下過程進行: (3a)設(shè)Y= {yiy2，...，yj e Rm為降維后的圖像特征集合子空間，構(gòu)造相似度矩陣W e RnXn，其中，
4.根據(jù)權(quán)利要求1所述的基于壓縮譜聚類集成的高光譜圖像分類方法，其特征在于，步驟(4)按照如下過程進行: (4a)構(gòu)造互聯(lián)合矩陣SM,其中SMij = VOtesij,這里Votesij表示像素點Xi和Xj被聚為同一類的次數(shù)； (4b)由互聯(lián)合矩陣SM，得到某一像素點Xi的自由度df (Xi)以及權(quán)重和sw (Xi)，計算公式分別為:
5.根據(jù)權(quán)利要求1所述的基于壓縮譜聚類集成的高光譜圖像分類方法，其特征在于，步驟(6)按照如下過程進行: (6a)由步驟(4)得到的高光譜圖像分割結(jié)果，將高光譜圖像分割為許多連通的均勻的區(qū)域； (6b)由步驟(5)得到的高光譜圖像分類結(jié)果，給每個像素點賦予一個類別標(biāo)簽； (6c)在高光譜圖像的每個連通的區(qū)域里，統(tǒng)計每一類所對應(yīng)的像素點的個數(shù)，找到對應(yīng)像素點最多的那個類標(biāo)，則該連通區(qū)域的所有像素點都被賦予這個類標(biāo)，從而實現(xiàn)對高光譜圖像的準(zhǔn)確分類。
【文檔編號】G06K9/62GK103996047SQ201410077182
【公開日】2014年8月20日 申請日期:2014年3月4日 優(yōu)先權(quán)日:2014年3月4日
【發(fā)明者】張向榮, 焦李成, 于建深 申請人:西安電子科技大學(xué)