本發(fā)明屬于遙感分類領(lǐng)域，尤其涉及一種基于光譜特征和空間特征融合的高光譜圖像分類方法及系統(tǒng)。
背景技術(shù)：
高光譜遙感技術(shù)收集的數(shù)據(jù)蘊(yùn)含了大量的信息，通過這些信息可以將被觀察對(duì)象的光譜特性與空間地理信息緊密地聯(lián)系起來，而許多物質(zhì)潛在的特征通過分析高光譜數(shù)據(jù)就很容易被挖掘出來，這些是高光譜圖像受到越來越多的遙感專家青睞的重要原因。高光譜遙感技術(shù)不僅獲得地物對(duì)象的光譜特征，同時(shí)又保留了被觀察對(duì)象與周圍其他地物對(duì)象的關(guān)系，所產(chǎn)生的圖像蘊(yùn)含了豐富信息，為我們利用數(shù)據(jù)和分析數(shù)據(jù)提供了強(qiáng)有力的支撐。地面目標(biāo)物體的識(shí)別與分類是高光譜數(shù)據(jù)應(yīng)用的一個(gè)主要場景。地物目標(biāo)分類的主要功能是對(duì)圖像上未知類別的像素點(diǎn)預(yù)測(cè)一個(gè)唯一類別，這個(gè)類別代表這塊區(qū)域被覆蓋的內(nèi)容，比如建筑物，植被，農(nóng)作物等等，研究人員或相關(guān)從業(yè)人員可以從分類后的圖像中發(fā)現(xiàn)地物的分布規(guī)律。
對(duì)于物體識(shí)別和分類問題，傳統(tǒng)的方法是目視解譯法。該方法需要專家經(jīng)驗(yàn)和實(shí)際地理信息考察并結(jié)合研究人員出色的空間聯(lián)想能力來構(gòu)造出整幅圖像的地理分布。但并非所有從事遙感圖像的研究人員都具有豐富的遙感及地理學(xué)方面的先驗(yàn)知識(shí)，完成這樣一個(gè)工作這需要花費(fèi)大量的人力、物力和時(shí)間，這種方法不是一種明智的選擇；另外，評(píng)定一幅遙感圖像所反映的信息，僅靠目視解譯遠(yuǎn)遠(yuǎn)不夠。隨著遙感技術(shù)和計(jì)算機(jī)等學(xué)科的不斷交叉和融合，利用計(jì)算機(jī)技術(shù)對(duì)遙感圖像進(jìn)行分類的精度要求也越來越高，因此，改進(jìn)或?qū)ふ倚碌倪b感圖像分類方法是近些年來的研究熱點(diǎn)之一。
高光譜圖像在形成影像的過程中，會(huì)收到受到外界因素的影響，比如：太陽的照射角度，感知器視覺的角度，大氣散射中上涌太陽輻射，在場景中相鄰物體反射的光的二次照明，照射的陰影，大氣反射輻射的散射與吸收，傳感器的空間和光譜畸變。在不同的時(shí)間和氣象條件下，同一地理區(qū)域的光譜特征可能會(huì)產(chǎn)生較大的差別，所以單獨(dú)應(yīng)用高光譜圖像的光譜特征作為圖像分類的依據(jù)結(jié)果會(huì)產(chǎn)生較大誤差。
技術(shù)實(shí)現(xiàn)要素：
針對(duì)現(xiàn)有技術(shù)中存在的缺陷或不足，本發(fā)明所要解決的技術(shù)問題是：提供一種融合高光譜圖像的光譜特征和空間特征的高光譜圖像分類方法及系統(tǒng)，提高高光譜圖像分類的準(zhǔn)確率。
為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為提供一種基于光譜特征和空間特征融合的高光譜圖像分類方法及系統(tǒng)。
a.根據(jù)高光譜圖像的區(qū)域連通性對(duì)高光譜圖像進(jìn)行空間特征提取；
b.對(duì)高光譜圖像的光譜特征和空間特征分別進(jìn)行特征去噪；
c.通過特征加權(quán)對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行特征融合；
d.通過分類模型對(duì)高光譜圖像上未知類別像素點(diǎn)進(jìn)行分類。
本方法將圖像分成小塊，每一個(gè)小塊采用矩陣低秩分解并且結(jié)合字典矩陣的同步學(xué)習(xí)，可以還原矩陣的低秩性，即減少噪聲的污染，通過加權(quán)的方式進(jìn)行多特征融合，得到新的特征，送入支持向量機(jī)分類器中進(jìn)行分類建模，對(duì)于像素點(diǎn)類別預(yù)測(cè)具有較高的準(zhǔn)確率。
作為本發(fā)明的進(jìn)一步改進(jìn)，通過基于高光譜圖像區(qū)域劃分的矩陣低秩表達(dá)對(duì)高光譜圖像的光譜特征和空間特征分別進(jìn)行特征去噪。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟a包括以下步驟：
a1.選擇屬性過濾器的尺寸和屬性；
a2.所述屬性過濾器在高光譜圖像上滑動(dòng)，改變屬性過濾器覆蓋區(qū)域的像素值，并計(jì)算屬性過濾器覆蓋區(qū)域的屬性值，所述屬性值為均值、方差、面積或者周長；
a3.通過{t}＝{mmin,mmin+δ,mmin+2δ,...,mmax}計(jì)算閾值向量t，并依次比較屬性值a(·)與閾值向量t提取高光譜圖像的空間特征，其中mmin為均值的最小值，mmax為均值的最大值，δ為增長間隔，δ＝mmean×2.5％，mmean為所有均值的均值，所述高光譜圖像中的每個(gè)類別下都有已知類別的像素點(diǎn)，分別計(jì)算已知類別的像素點(diǎn)在每個(gè)類別中對(duì)應(yīng)的方差。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟b包括以下步驟：
b1.通過高光譜圖像中相鄰區(qū)域像素點(diǎn)更傾向于屬于同一地物類別的特點(diǎn)，將相鄰區(qū)域的像素點(diǎn)劃分為一個(gè)空間組，并選擇固定大小的正方形區(qū)域劃分尺寸進(jìn)行劃分；
b2.固定字典矩陣，通過拉格朗日乘子法計(jì)算低秩系數(shù)矩陣和噪聲矩陣；
b3.固定系數(shù)矩陣和噪聲矩陣,通過坐標(biāo)下降法(block-coordinatedesentapproach，bcd)計(jì)算字典矩陣；
b4.判斷是否小于所設(shè)定的閾值。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟c包括為比較a＝[aspectral；aspatial]，a＝aspectral+aspatial，a＝μaspectral+(1-μ)aspatial，a＝μaspectral+(1-μ)aspatial和
作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟d為根據(jù)高光譜圖像易產(chǎn)生休斯效應(yīng)(hughes)的特點(diǎn)，使用支持向量機(jī)分類器建立分類模型。
所述基于光譜特征和空間特征融合的高光譜圖像分類模型系統(tǒng)，包括：
包括空間特征提取模塊，用于根據(jù)高光譜圖像的區(qū)域連通性的性質(zhì)提取高光譜圖像的特征，使得擁有屬于同一區(qū)域傾向的像素點(diǎn)更相似，不應(yīng)該屬于同于區(qū)域的相似點(diǎn)不相似；
特征去噪模塊，通過基于區(qū)域劃分的矩陣低秩表達(dá)對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行去噪，用于提取特征矩陣的低秩部分；
特征融合模塊，使用特征加權(quán)相加對(duì)提取到的高光譜圖像的光譜特征和空間特征進(jìn)行特征融合；
分類模塊，通過支持向量機(jī)分類器建立分類模型，用于預(yù)測(cè)高光譜圖像上未知類別像素點(diǎn)的類別，所述分類模塊根據(jù)高光譜圖像易產(chǎn)生休斯效應(yīng)(hughes)的特點(diǎn)，選擇支持向量機(jī)分類算法為最后分類器，即支持向量機(jī)分類器，所述支持向量機(jī)分類器建立分類模型，分類模型對(duì)高光譜圖像上未知類別的像素點(diǎn)進(jìn)行分類。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述特征去噪模塊包括：
區(qū)域劃分，用于選擇固定大小的正方形區(qū)域劃分尺寸對(duì)相鄰區(qū)域的像素點(diǎn)進(jìn)行劃分，劃分為一個(gè)空間組；
求解低秩系數(shù)矩陣，固定字典矩陣，求解低秩系數(shù)矩陣和低秩噪聲矩陣；
求解字典矩陣，固定低秩系數(shù)矩陣和低秩噪聲矩陣，使用block-coordinatedescentapproach(bcd)算法求解字典矩陣。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述特征融合模塊從a＝[aspectral；aspatial]、a＝aspectral+aspatial、a＝μaspectral+(1-μ)aspatial、a＝μaspectral+(1-μ)aspatial和
作為本發(fā)明的進(jìn)一步改進(jìn)，所述特征融合模塊通過a＝μaspectral+(1-μ)aspatial對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行特征融合。
作為本發(fā)明的進(jìn)一步改進(jìn)，所述分類模塊根據(jù)高光譜圖像易產(chǎn)生休斯效應(yīng)(hughes)的特點(diǎn)，選擇支持向量機(jī)分類算法為最后分類器，即支持向量機(jī)分類器，所述支持向量機(jī)分類器建立分類模型，分類模型對(duì)高光譜圖像上未知類別的像素點(diǎn)進(jìn)行預(yù)測(cè)。
本發(fā)明的有益效果是：本發(fā)明通過將高光譜圖像分成小塊，每一個(gè)小塊采用矩陣低秩分解并且結(jié)合字典矩陣，還原矩陣的低秩性，即減少噪聲的污染；將經(jīng)過基于區(qū)域劃分的低秩表達(dá)算法處理過的兩種通過加權(quán)相加的方式進(jìn)行多特征融合，得到新的特征，送入支持向量機(jī)分類器中進(jìn)行分類建模，通過實(shí)驗(yàn)證明，本發(fā)明對(duì)于像素點(diǎn)類別預(yù)測(cè)的準(zhǔn)確率高達(dá)95％。
附圖說明
圖1是本發(fā)明的方法流程圖；
其中數(shù)字表示：a-步驟a；b-步驟b；c-步驟c；d-步驟d；
具體實(shí)施方式
下面結(jié)合附圖說明及具體實(shí)施方式對(duì)本發(fā)明進(jìn)一步說明。
如圖1所示，本發(fā)明包括：
空間特征提取模塊，用于根據(jù)高光譜圖像的區(qū)域連通性的性質(zhì)提取高光譜圖像的特征，使得擁有屬于同一區(qū)域傾向的像素點(diǎn)更相似，不應(yīng)該屬于同于區(qū)域的相似點(diǎn)不相似；
特征去噪模塊，通過基于區(qū)域劃分的矩陣低秩表達(dá)對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行去噪，用于提取特征矩陣的低秩部分；
特征融合模塊，使用特征加權(quán)相加對(duì)提取到的高光譜圖像的光譜特征和空間特征進(jìn)行特征融合；
分類模塊，通過支持向量機(jī)分類器建立分類模型，用于預(yù)測(cè)高光譜圖像上未知類別像素點(diǎn)的類別；
a.根據(jù)高光譜圖像的區(qū)域連通性對(duì)高光譜圖像進(jìn)行空間特征提取；其具體步驟如下：
a1.選擇屬性過濾器的尺寸和屬性，所述屬性過濾器為一個(gè)固定尺寸的窗體；
a2.所述屬性過濾器在高光譜圖像上滑動(dòng)，根據(jù)規(guī)則改變窗體覆蓋區(qū)域的像素值，并計(jì)算屬性過濾器覆蓋區(qū)域的屬性值，所述屬性值a(·)為均值、方差、面積或者周長；
a3.通過{t}＝{mmin,mmin+δ,mmin+2δ,...,mmax}計(jì)算閾值向量t，并依次比較屬性值與閾值向量t來提取高光譜圖像的空間特征，其中mmin為均值的最小值，mmax為均值的最大值，δ為增長間隔，δ＝mmean×2.5％，mmean為所有均值的均值，所述高光譜圖像中的每個(gè)類別下都有已知類別的像素點(diǎn)，分別計(jì)算每個(gè)類別中已知類別的像素點(diǎn)在每個(gè)類別中對(duì)應(yīng)的方差。
在空間特征提取模塊，通過一個(gè)固定大小的滑動(dòng)窗體在高光譜圖像上滑動(dòng)，根據(jù)規(guī)則改變所述窗體覆蓋區(qū)域的像素值，所述滑動(dòng)窗體被稱為屬性過濾器(attributefilters，afs)，所述屬性特征是指根據(jù)屬性過濾器(attributefilters，afs)所指定的屬性，計(jì)算屬性過濾器(attributefilters，afs)覆蓋區(qū)域的值，該屬性的值可以是均值、方差、面積或者周長等；將計(jì)算得到的屬性a(·)與閾值向量t依次比較，若a(ci)＞tk，那么ci覆蓋的區(qū)域的屬性a(ci)不變，若a(ci)≤tk，那么ci覆蓋的高光譜圖像區(qū)域的中心值被調(diào)整為臨近區(qū)域的最接近的灰度值，若灰度值變大或變小，稱為thickening或者thinning；其中ci表示被覆蓋的高光譜圖像區(qū)域，tk表示第k個(gè)閾值。
對(duì)于被覆蓋的區(qū)域f，根據(jù)給定的n個(gè)閾值，得到2n+1種可能的取值：
ap(f)＝{φn(f),...,φ1(f),f,γ1(f),...,γn(f)}
對(duì)于高光譜圖像同樣使用特征降維方法對(duì)高光譜圖像進(jìn)行特征降維，前c個(gè)維度的特征用于計(jì)算，得到擴(kuò)展的屬性特征(extendedattributeprofiles，eaps)：
eap＝{ap(pc1),ap(pc2),...,ap(pcc)}
另外，還可以將多個(gè)屬性聯(lián)合起來使用，假設(shè)有m個(gè)屬性，得到擴(kuò)展的多屬性特征(extendedmulti-attributeprofiles，emaps)：
每個(gè)ai,i＝1,...,m代表一個(gè)屬性。
而閾值向量t的計(jì)算公式如下：
{t}＝{mmin,mmin+δ,mmin+2δ,...,mmax}
假設(shè)圖像有5個(gè)通道，9個(gè)類別，對(duì)于每一個(gè)通道(即每一個(gè)特征)，其閾值向量t為{t}＝{mmin,mmin+δ,mmin+2δ,...,mmax}，通過計(jì)算得到9個(gè)類別對(duì)應(yīng)的方差，mmin表示均值的最小值，mmax表示均值的最大值，δ增長間隔，δ＝mmean×2.5％，mmean是所有均值的均值。
在特征去噪模塊，通過高光譜圖像中相鄰區(qū)域像素點(diǎn)更傾向于屬于同一地物類別的特點(diǎn)，將相鄰區(qū)域的像素點(diǎn)好分為一個(gè)空間組，并選擇固定大小的正方形區(qū)域劃分尺寸進(jìn)行劃分；固定字典矩陣，通過拉格朗日乘子法求解低秩系數(shù)矩陣和噪聲矩陣；固定系數(shù)矩陣和噪聲矩陣,通過block-coordinatedesentapproach(bcd)算法，即坐標(biāo)下降法求解字典矩陣。
矩陣低秩表達(dá)算法結(jié)合字典學(xué)習(xí)，可以有效地表示出原矩陣中各向量在新空間下的線性表示(這些線性表示組成低秩矩陣)，并通過字典學(xué)習(xí)不斷更新空間的向量基，達(dá)到分離稀疏噪聲求解低秩矩陣的目的；對(duì)于高光譜圖像，高光譜圖像中相鄰區(qū)域的像素點(diǎn)更傾向于屬于同一地物類別，本發(fā)明提出若將相鄰區(qū)域的像素點(diǎn)劃分為一個(gè)空間組，一張圖像可以分為多個(gè)空間區(qū)域，從而提出基于區(qū)域劃分的矩陣低秩表達(dá)算法。具體的求解如下：
基于區(qū)域劃分的矩陣低秩表達(dá)模型：
s.t.d＝za+e,a≥0,||zi||2≤1,zi≥0
假設(shè)用矩陣d來表示高光譜圖像所有像素點(diǎn)排列成的矩陣，b表示高光譜圖像的通道個(gè)數(shù)，即特征向量的維度，n表示像素點(diǎn)的個(gè)數(shù)。{g1,g2,...,gm}表示劃分的m個(gè)空間區(qū)域，假設(shè)選擇正方形區(qū)域?yàn)?×5；rank(·)表示矩陣的秩，||·||0表示矩陣的0范數(shù)。
其中z為空間向量基，
由于上面的最優(yōu)問題是一個(gè)np難問題，所以轉(zhuǎn)換為如下形式：
s.t.d＝za+e,a≥0,||zi||2≤1,zi≥0
其中||·||*表示矩陣的核范數(shù)，||·||1表示矩陣的1范數(shù)。
求解低秩系數(shù)矩陣a和低秩噪聲矩陣e：
首先固定字典矩陣z，更新低秩系數(shù)矩陣a和低秩系數(shù)矩陣e，由上面最優(yōu)化問題可知，可將最優(yōu)化問題分解為多個(gè)子問題，每個(gè)問題都求解
s.t.dg＝zag+eg,ag≥0
上述公式描述的問題是一個(gè)凸優(yōu)化問題，可以使用不確定性增廣拉格朗日乘子法(inexactalm)算法求解，在限制條件中加入矩陣j，最優(yōu)化問題轉(zhuǎn)化成如下形式：
s.t.dg＝zag+eg,j＝ag,j≥0
求解字典矩陣z：
對(duì)于字典學(xué)習(xí)步驟來說，目標(biāo)是使原矩陣d與字典矩陣z和低秩系數(shù)矩陣a的乘積的差距越來越小，目標(biāo)函數(shù)如下所示：
s.t.||zi||2≤1,||zi||2≥0
公式中原矩陣d和低秩系數(shù)矩陣a是固定的，利用迭代算法block-coordinatedescentapproach(bcd)進(jìn)行求解，目的是使最優(yōu)化函數(shù)的值收斂，最終小于給定的閾值，該算法的優(yōu)點(diǎn)在于不需要預(yù)先設(shè)定任何超參數(shù)，也不需要學(xué)習(xí)速率。
特征融合模塊，如上所述，先是提取高光譜圖像的空間特征，分別對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行低秩處理，然后再對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行特征融合，其具體步驟如下：
在以下五種特征融合方法中選擇一種對(duì)高光譜圖像的光譜特征和空間特征進(jìn)行特征融合，這五種特征融合方法為：
①將兩部分特征直接級(jí)聯(lián)：
a＝[aspectral；aspatial]
②將兩部分特征對(duì)應(yīng)相加：
a＝aspectral+aspatial
③將兩部分特征加權(quán)相加：
a＝μaspectral+(1-μ)aspatial
④將兩部分特征求平方和再開方：
⑤將兩部分特征相乘再開方：
特征融合意味著將兩種特征提供的信息全部利用起來組合成新的特征用于建立分類模型，以上五種特征融合的方法都考慮了全面利用兩種特征，而且計(jì)算簡單，通用性高；當(dāng)兩種特征的維度不相等時(shí)，以維度小的特征的維度為準(zhǔn)，維度大的特征直接減去多余部分。
其中第三種特征融合方法中，μ(0≤μ≤1)表示加權(quán)系數(shù)，決定了aspectral和aspatial兩種特征所占的權(quán)重，關(guān)于μ的確定，本發(fā)明采用5折交叉驗(yàn)證的方式選擇最優(yōu)，最終通過實(shí)驗(yàn)確定最優(yōu)的μ值，μ的取值區(qū)間為[0,1.0]。最后選擇第三種融合方法作為特征融合的方法。
分類模塊中，選擇支持向量機(jī)(svm)作為分類器建立分類模型，因?yàn)橹С窒蛄繖C(jī)分類器能有效地減輕休斯效應(yīng)(hughes)，提升高光譜圖像的分類精度；最后再預(yù)測(cè)未知類別像素點(diǎn)的類別。
本發(fā)明提供的基于光譜特征和空間特征融合的高光譜圖像分類方法及系統(tǒng)，在原始的高光譜圖像上提取空間特征，該方法利用屬性過濾器在高光譜圖像的每個(gè)通道上滑動(dòng)，對(duì)每個(gè)像素點(diǎn)根據(jù)屬性過濾器覆蓋的區(qū)域進(jìn)行屬性計(jì)算，得到該像素點(diǎn)的空間特征的值，最后得到像素點(diǎn)對(duì)應(yīng)的特征向量；由于原始的圖像在收集過程中可能會(huì)受到一系列噪聲的干擾，所以在得到空間特征后，需要對(duì)光譜特征和空間特征進(jìn)行處理，即減少數(shù)據(jù)的噪聲和降維。本發(fā)明對(duì)于未知類別像素點(diǎn)類別的預(yù)測(cè)具有較高的準(zhǔn)確率。
以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。