本發(fā)明涉及多時相高光譜遙感圖像分類方法。
背景技術(shù)：
：隨著光學傳感器和分光技術(shù)的發(fā)展，在多光譜遙感成像技術(shù)的基礎(chǔ)上高光譜遙感成像技術(shù)得到快速的發(fā)展。高光譜成像技術(shù)綜合了成像技術(shù)和光譜技術(shù)，能夠同時記錄待探測區(qū)域的空間結(jié)構(gòu)信息和豐富的光譜信息，并且隨著遙感技術(shù)的發(fā)展，如今可以提供大面積區(qū)域，具有空間上和時間上序列性，用于地物感知和監(jiān)測的高光譜多時相圖像數(shù)據(jù)。多時相高光譜圖像使得多時相分析，多角度研究，精準的地物改變探測成為可能。然而為每一幅時相圖都提供充足標簽信息實現(xiàn)精確的分類是不現(xiàn)實的，尤其是這些圖像的類別在空間上不一致的時候。因此我們常常只能依賴單個時相的地物真值圖來處理多個時相的數(shù)據(jù)。多時相的高光譜數(shù)據(jù)分類主要面臨三個主要問題：1、波段數(shù)不斷增多，導致信息的冗余和數(shù)據(jù)處理復雜度的增加；2、高光譜圖像有標簽樣本獲取十分不易，需要消耗大量的人力、物力而且耗時；3、多時相高光譜圖像中可能會有光譜漂移的現(xiàn)象，導致來自不同時相的圖像數(shù)據(jù)有不可靠的光譜相似性?，F(xiàn)有的利用流形對準框架的多時相分類方法大多只考慮了兩個時相圖，如典型的半監(jiān)督的流形對準方法，基于流形學習的多時相分類方法而忽略了多個時相之間可能存在的信息互補。技術(shù)實現(xiàn)要素：本發(fā)明的目的是為了解決如何利用多個時相的互補信息來解決多時相高光譜數(shù)據(jù)標簽獲取困難，時相圖之間存在明顯光譜漂移的問題，而提出基于多流形的多時相高光譜圖像分類方法?；诙嗔餍蔚亩鄷r相高光譜圖像分類方法具體過程為：步驟一、輸入源圖像1、源圖像2和目標圖像中樣本的光譜矩陣Xs1,Xs2,Xt和它們的空間坐標L1,L2,L3，以及Xs1,Xs2各行相應類別標簽向量Y1，Y2；步驟二、計算Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數(shù)據(jù)對；步驟三、計算Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數(shù)據(jù)對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；步驟四、調(diào)整Xs2,Xt的數(shù)據(jù)尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t構(gòu)建多流形的距離矩陣D；步驟五、將Xs1,D輸入到保持全局幾何結(jié)構(gòu)的流形對準模型中，獲得Xs1,在對準空間的線性映射矩陣α1,α2,β,從而得到投影fs1,fs2,ft；步驟六、利用fs1,fs2和Xs1各行相應類別標簽向量Y1，以及各行相應類別標簽向量Y2通過KNN分類模型對ft進行分類，獲得目標時相的分類標簽。本發(fā)明的有益效果為：本發(fā)明結(jié)合多個有標簽的時相高光譜圖像來分類一個無標簽的時相高光譜圖像，實現(xiàn)了對明顯存在光譜漂移的目標時相高光譜圖像的分類。算法主要針對現(xiàn)在時相圖像的獲取越來越容易，對時相數(shù)據(jù)進行分析時，想要獲得每一個時相圖的標簽需要耗費許多的人力，物力并且十分的耗時，并且在時相圖存在明顯光譜漂移的情況下，直接用一個時相上的標簽來訓練分類另一個時相數(shù)據(jù)的分類結(jié)果不可靠的問題，本發(fā)明利用多個時相圖間存在的信息互補，基于保持全局幾何結(jié)構(gòu)的對準框架，在兩個以上的時相圖情況下，將多個圖像投影到共同的低維空間，結(jié)合圖像的空間和光譜信息來實現(xiàn)多時相高光譜的分類。為了驗證本發(fā)明所提出的方法的性能，針對在不同時間獲得的三幅EO-1衛(wèi)星Hyperion高光譜圖像進行了驗證。Hyperion傳感器能夠獲取400到2500nm寬10nm的224個波段，空間分辨率30m的圖像，研究中去掉了噪聲較多的波段，利用了剩余的198個波段，每幅圖像一共包含7個相同的類。源圖像1取自2011年美國南達科他州布魯金斯市的3月份的數(shù)據(jù)，源圖像2為同一地理區(qū)域5月份的數(shù)據(jù)，目標圖像為同一地理區(qū)域6月份的高光譜圖像。實驗結(jié)果驗證了本發(fā)明提出的基于多流形的保持全局幾何結(jié)構(gòu)的流形對準算法的有效性。在如附表1所示的數(shù)據(jù)樣本上，本發(fā)明方法的解法一Kappa系數(shù)達到0.924，總體分類精度達到左右93.9。附圖說明圖1是在三幅時相高光譜圖像下，本發(fā)明的實現(xiàn)流程示意圖；圖2a是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市3月份時相數(shù)據(jù)假彩色合成圖，大小為126x82；圖2b是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市3月份時相數(shù)據(jù)地物真實圖，大小為126x82；圖3a是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市5月份時相數(shù)據(jù)假彩色合成圖，大小為126x82；圖3b是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市5月份時相數(shù)據(jù)地物真實圖，大小為126x82；圖4a是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市6月份時相數(shù)據(jù)假彩色合成圖，大小為126x82；圖4b是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市6月份時相數(shù)據(jù)地物真實圖，大小為126x82；圖5是四種分類方法，分別是直接在原始空間中，經(jīng)過保持局部幾何結(jié)構(gòu)的流形對準方法，兩個時相上的基于空譜特征保持全局幾何結(jié)構(gòu)的流形對準方法，以及本發(fā)明基于多流形的保持全局幾何結(jié)構(gòu)的流形對準算法的兩種解法，利用表1中的3月份有標簽樣本和5月份的標簽樣本來分類表1中的6月份無標簽的樣本的kappa系數(shù)示意圖。具體實施方式具體實施方式一：結(jié)合圖1說明本實施方式，本實施方式的基于多流形的保持全局幾何結(jié)構(gòu)的流形對準算法，具體過程為：步驟一、輸入源圖像1、源圖像2和目標圖像中樣本的光譜矩陣Xs1,Xs2,Xt和它們的空間坐標L1,L2,L3，以及Xs1,Xs2各行相應類別標簽向量Y1，Y2；步驟二、計算Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數(shù)據(jù)對；步驟三、計算Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數(shù)據(jù)對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；步驟四、調(diào)整Xs2,Xt的數(shù)據(jù)尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t構(gòu)建多流形的距離矩陣D；步驟五、將Xs1,D輸入到保持全局幾何結(jié)構(gòu)的流形對準模型中，獲得Xs1,在對準空間的線性映射矩陣α1,α2,β,從而得到投影fs1,fs2,ft；步驟六、利用fs1,fs2和Xs1各行相應類別標簽向量Y1，以及各行相應類別標簽向量Y2通過KNN分類模型對ft進行分類，獲得目標時相的分類標簽。所述光譜分辨率在10l數(shù)量級范圍內(nèi)的光譜圖像稱為高光譜圖像。具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟二中計算Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數(shù)據(jù)對具體過程為：d12＝d12spectral·d12spatiald13＝d13spectral·d13spatiald23＝d23spectral·d23spatial其中s1為源圖像1，s2為源圖像2，t表示目標圖像，xs1i表示源圖像1的第i個樣本，xs2i表示源圖像2的第i個樣本，xs2j表示源圖像2的第j個樣本，xtj為目標圖像第j個樣本，zs1i表示源圖像1第i個樣本的空間坐標，zs2j表示源圖像2第j個樣本的空間坐標，zs2i表示源圖像2第i個樣本的空間坐標，ztj為目標圖像第j個樣本的空間坐標，i、j取值范圍正整數(shù)；和分別表示源圖像1和源圖像2在光譜上和空間上的高斯相似性度量；d13spectral為源圖像1和目標圖像在光譜上的相似性度量，d13spatial為源圖像1和目標圖像在空間上的相似性度量，d23spectral為源圖像2和目標圖像在光譜上的相似性度量，d23spatial為源圖像2和目標圖像在空間上的相似性度量，σspectral,σspatial分別表示光譜上和空間上的高斯權(quán)重參數(shù)；源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數(shù)據(jù)對為Xs1中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；ai為匹配數(shù)據(jù)中第ai個，為Xt中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；bi為匹配數(shù)據(jù)中第bi個，為Xs2中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；為Xs2中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；其它步驟及參數(shù)與具體實施方式一相同。具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟三中計算Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數(shù)據(jù)對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；具體過程為：步驟三一、計算源圖像和目標圖像各自的測地距離Ds1,s1,Ds2,s2,Dt,t；步驟三二、利用三組需要匹配的數(shù)據(jù)對得到不同時相圖的光譜的距離矩陣Ds1,s2,Ds1,t,Ds2,t：其中，aj為匹配數(shù)據(jù)中第aj個，共計源圖像中類別數(shù)×k個；bj為匹配數(shù)據(jù)中第bj個，共計源圖像中類別數(shù)×k個；aj,bj表示xs1,xs2，xs2,xt或者xs1,xt中匹配的數(shù)據(jù)對下標，xs1,xs2，xs2,xt或者xs1,xt中任一組匹配的數(shù)據(jù)對一共有l(wèi)個，l＝7×k；7是類別數(shù)，k是選取的近鄰個數(shù)。為Xs1中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；aj為匹配數(shù)據(jù)中第aj個，為目標圖像第i個樣本，為Xt中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；為Xs2中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個；為Xs2中選擇的匹配的數(shù)據(jù)，共計源圖像中類別數(shù)×k個。其它步驟及參數(shù)與具體實施方式一或二相同。具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述源圖像中類別數(shù)為7，k取值為1-20。其它步驟及參數(shù)與具體實施方式一至三之一相同。具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：所述步驟四中調(diào)整Xs2,Xt的數(shù)據(jù)尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t構(gòu)建多流形的距離矩陣D；具體過程為：步驟四一、將源圖像Xs2和目標圖像Xt調(diào)整到同樣尺度的空間，即：η2＝tr(Da1TDa1)/tr(Db1TDb1)η＝tr(Da1TDa1)/tr(DbtTDbt)式中，η2為Xs2的尺度因子，η為Xt的尺度因子，Da1為一個l×l的矩陣，Da1(i,j)是xs1ai和xs1aj的距離，xs1ai為源圖像1匹配數(shù)據(jù)中的第ai個樣本，xs1aj為源圖像匹配數(shù)據(jù)中的第aj個樣本；Db1為一個l×l的矩陣，Db1(i,j)是xs2bi和xs2bj的距離，xs2bi為源圖像2匹配數(shù)據(jù)中的第bi個樣本，xs2bj為源圖像匹配數(shù)據(jù)中的第bj個樣本；Dbt為一個l×l的矩陣，Dbt(i,j)是xtbi和xtbj的距離，xtbi為目標圖像匹配數(shù)據(jù)中的第bi個樣本，xtbj為目標圖像匹配數(shù)據(jù)中的第bj個樣本；T為轉(zhuǎn)置；為調(diào)整后的目標圖像；為調(diào)整后的源圖像2；步驟四二、計算距離矩陣D，表示多流形的聯(lián)合幾何結(jié)構(gòu)：其它步驟及參數(shù)與具體實施方式一至四之一相同。具體實施方式六：本實施方式與具體實施方式一至五之一不同的是：所述步驟五中將Xs1,D輸入到保持全局幾何結(jié)構(gòu)的流形對準模型中，獲得Xs1,在對準后的共同空間的線性映射矩陣α1,α2,β,從而得到投影fs1,fs2,ft；具體過程為：步驟五一、構(gòu)建原始數(shù)據(jù)混合矩陣Z：將Xs1,D輸入到保持全局幾何結(jié)構(gòu)的對準模型中，模型定義如下：其中S＝D2，Si,j為S的第i行第j列，Di,j為D的第i行第j列，并且H＝I-(1/m)eeT，I表示單位矩陣，e是全為1的向量，m是源圖像和目標圖像中樣本的大小，α1,α2,β分別為源圖像Xs1,和目標圖像在共同空間的線性映射矩陣；q為調(diào)整映射函數(shù)尺度系數(shù)，為正整數(shù)；步驟五二、假定其中α1,α2,β分別為源圖像Xs1,和目標圖像在共同空間的線性映射矩陣，其中γ的求取可以轉(zhuǎn)化為如下特征值問題求解：式中，T為轉(zhuǎn)置；γ為線性映射矩陣；λ為求解得到的特征值；步驟五三、利用α1,α2,β作為映射向量將原始數(shù)據(jù)Xs1,投影到共同空間中，計算方法如下：fs1＝α1TXs1其它步驟及參數(shù)與具體實施方式一至五之一相同。具體實施方式七：本實施方式與具體實施方式一至六之一不同的是：所述步驟六中利用fs1,fs2以及Xs1對應的標簽Y1和對應的標簽Y2，通過KNN分類模型分類ft，獲得目標時相的分類標簽；具體過程為：將fs1,fs2作為訓練樣本，以及Xs1對應的標簽Y1和對應的標簽Y2作為訓練樣本標簽，將ft作為測試樣本，利用傳統(tǒng)KNN分類模型，獲得測試樣本標簽Yt，將Yt作為目標時相的分類標簽進行輸出。其它步驟及參數(shù)與具體實施方式一至六之一相同。采用以下實施例驗證本發(fā)明的有益效果：實施例一：本實施例基于多流形的多時相高光譜圖像分類方法具體是按照以下步驟制備的：采用以下實施例驗證本發(fā)明的有益效果：Hyperion傳感器能夠獲取400到2500nm寬10nm的224個波段，空間分辨率30m的圖像，研究中去掉了噪聲較多的波段，利用了剩余的198個波段，每幅圖像一共包含7個相同的類。實驗所用數(shù)據(jù)是EO-1衛(wèi)星的Hyperion傳感器獲得的美國南達科他州布魯金斯市三幅不同時間的遙感圖像，采集時間分別為11年3月份和，11年5月份和11年6月份。數(shù)據(jù)包含198個波段，空間分辨率為30m，波段范圍為400～2500nm，如圖2a，圖2b，圖3a，圖3b，圖4a，圖4b所示分別是該地區(qū)3月份,5月份和6月份時相數(shù)據(jù)假彩色合成圖及地物真實圖，圖像的大小都為126x82。取樣的樣本類別和個數(shù)如表1所示。其中3月份和5月份的數(shù)據(jù)為源圖像，6月份的作為目標圖像，利用3月份和5月份的數(shù)據(jù)的標簽來分類6月份的數(shù)據(jù)。本發(fā)明方法的兩種解法分別和直接在原始空間(即未利用流形對準方法)來分類，以及保持局部的幾何結(jié)構(gòu)的對準方法，兩個時相上的基于空譜特征保持全局幾何結(jié)構(gòu)的流形對準方法對比來證明方法的有效性。由于不同時相的圖像存在光譜漂移的問題，那么直接在原始空間用3月份的數(shù)據(jù)標簽來分類6月份目標圖像會帶來很多錯誤的分類；保持局部的流形對準方法假設(shè)每個時相圖的局部幾何結(jié)構(gòu)類似，分別用源圖像和目標圖像的拉普拉斯圖來表示各自的局部幾何，同時使得兩個時相離的近的點在對準后的空間中盡可能的靠近，此方法并沒有利用到圖像的空間信息。本發(fā)明方法先得到線性投影函數(shù)，再解得共同空間中的嵌入，這個方法能很好的進行遷移，可以分類未經(jīng)過對準的樣本。圖5為三種算法分類的kappa系數(shù)，通過對比可以看到，我們提出的算法在所有條件下kappa系數(shù)都是最好的。因此實驗驗證了我們算法的有效性。表1是取樣的3月,5月和6月的樣本類別和類別數(shù)示意圖，每個時相的數(shù)據(jù)都包含相同的7類樣本，分別是居民區(qū)、工業(yè)和商業(yè)用地、森林、水域、沙灘和石頭、草地、裸土；表1編號類別3月5月6月1居民區(qū)1651881662工業(yè)和商業(yè)用地3032531533森林2541983544水域1412241905沙灘和石頭6868686草地3131317裸土232323本發(fā)明還可有其它多種實施例，在不背離本發(fā)明精神及其實質(zhì)的情況下，本領(lǐng)域技術(shù)人員當可根據(jù)本發(fā)明作出各種相應的改變和變形，但這些相應的改變和變形都應屬于本發(fā)明所附的權(quán)利要求的保護范圍。當前第1頁1 2 3