基于字典和波段重組的最近鄰高光譜圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于光譜數(shù)據(jù)分類技術(shù)領(lǐng)域，主要涉及高光譜遙感數(shù)據(jù)分類，具體是一種 基于字典和波段重組的空-譜結(jié)合的最近鄰高光譜圖像快速分類方法。可用于地圖制圖、 海洋遙感、植被調(diào)查、大氣研宄、農(nóng)業(yè)遙感、環(huán)境監(jiān)測等領(lǐng)域。
【背景技術(shù)】
[0002] 高光譜遙感技術(shù)自從20世紀80年代以來，得到了快速發(fā)展。高光譜以其豐富的 波段信息記錄了地物目標的連續(xù)光譜特征，具備了能夠進行更多種類地物目標識別和更高 精度地進行目標分類的可能性。但是，高光譜圖像較高的光譜維數(shù)和光譜分辨率為地物分 類帶來巨大機遇的同時，也帶來了急劇膨脹的數(shù)據(jù)量。這樣不但給數(shù)據(jù)的存儲和傳輸帶來 巨大的困難，同時也加劇了數(shù)據(jù)處理過程的復(fù)雜性，降低了數(shù)據(jù)處理的效率，其過多冗余特 征的存在也嚴重影響了傳統(tǒng)高光譜分類方法精度的提高。
[0003] 高光譜圖像的信息主要包含在光譜特征與空間特征中，因此高光譜分類的方法也 就分為兩大類：基于光譜特征的分類方法和基于地物空間特征的分類方法。早期的高光 譜分類方法分別從以上兩個方面對高光譜圖像進行分類，如經(jīng)典的支撐矢量機（Support VectorMachine，SVM)，是屬于光譜特征的分類方法。而基于地物空間特征的分類方法有 K-均值聚類（Kmeans)，模糊c-均值聚類（FuzzyC-means，F(xiàn)CM)等。但是受到分類方法本 身的局限性，這些傳統(tǒng)的分類方法的性能在原有基礎(chǔ)上很難進一步提高。因此，出現(xiàn)了空間 信息-光譜信息結(jié)合，簡稱空-譜結(jié)合的分類思路，是將空間信息和光譜信息作為互補，有 效地提高了分類的精度?？?譜結(jié)合的分類方法主要有兩種思路：一是先提取空間特征，然 后將其與光譜特征相結(jié)合進行高光譜圖像分類；二是采用光譜信息進行高光譜圖像分類， 然后利用空間鄰域信息繼續(xù)對分類結(jié)果進行修正。
[0004] 在諸多高光譜分類方法中，稀疏表示作為近幾年機器視覺研宄的熱點，也被成功 應(yīng)用于高光譜圖像分類中，并表現(xiàn)出良好的性能。YiChen等人于2011年提出的S0MP算 法，成功將稀疏表示與空間信息相結(jié)合，提出了基于稀疏表示的高光譜圖像空譜域分類方 法，JiayiLi等人于2014年提出的NJCRC-LAD算法，則利用了塊分組的思想，將空間區(qū)域相 關(guān)性大的像素劃在一個像素塊中，也得到了很好的分類效果。但是以上分類方法復(fù)雜度均 較高，并且直接對初始圖像進行分類處理，忽視了初始圖像像素點光譜信息之間的聯(lián)系。在 當前主流的稀疏表示分類方法中，普遍使用了稀疏表示分類器（SparseRepresentations classifier，SRC)，但是SRC的時間復(fù)雜度較高。而在高光譜初始圖像中，存在一定數(shù)量 被噪聲污染的像素，在未進行預(yù)處理的情況下，這些像素對分類精度具有很強的破壞性，并 且，當前主流的高光譜圖像稀疏表示分類方法均采用高光譜圖像的整體波段進行字典構(gòu) 造，但是不同的地物目標在不同的波段中反映出的特性不同，如果采用整體波段進行字典 構(gòu)造，就沒有利用到不同地物目標在不同波段中的特性不同這一特征。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了解決目前單一分類器對高光譜圖像分類精度不高，分類效果 不好；而普通空-譜結(jié)合方法時間復(fù)雜度較高，空-譜信息結(jié)合不緊密的技術(shù)問題而提出的 一種低時間復(fù)雜度、高精度的基于字典和波段重組的最近鄰高光譜圖像分類方法，具體包 含有如下步驟：
[0006] 步驟1讀取高光譜遙感數(shù)據(jù)圖像。
[0007] 步驟2利用高光譜圖像的空間鄰域信息，對高光譜圖像的每一個像素點取其L個 最近鄰的像素點，進行L-鄰域均值化處理，從而得到預(yù)處理后的高光譜圖像。
[0008] 步驟3將預(yù)處理后的高光譜圖像按照每一波段像素點均值的大小，進行波段重新 排列，并按照重新排列后的波段對整體波段進行平均n-分割，形成n個子波段。
[0009] 步驟4隨機抽取一部分像素點作為訓(xùn)練樣本以構(gòu)成字典，另一部分像素點構(gòu)成測 試樣本集合，并按照平均n-分割后的子波段構(gòu)成n個子字典和n個子測試樣本集合。
[0010] 步驟5對n個子測試樣本集合分別對照相應(yīng)的子字典進行最近鄰法（Nearest Neighborhood，NN)判別，得到n幅初始分類圖。
[0011] 步驟6對n幅初始分類圖，對于每幅圖像中相同位置的單個像素點，分別都取其K 個最近鄰像素點，綜合起來進行K近鄰（KNearestNeighborhood，KNN)判別，我們將其命 名為n_KNN(n_Knearestneighborhood)判別。從而得到最后的結(jié)果圖。
[0012] 本發(fā)明在較低的時間復(fù)雜度的情況下，在利用光譜信息進行分類之前，首先利用 其空間信息對光譜信息進行預(yù)處理，有效地增加了光譜信息的準確度，并在隨后的分類過 程中繼續(xù)利用空間信息對分類結(jié)果進行修正，從而增加了圖像的分類精度。
[0013] 本發(fā)明的實現(xiàn)還在于：在步驟2中，對高光譜圖像中每一個像素點進行L-鄰域均 值化處理，具體是：
[0014] 設(shè)高光譜圖像共有N個波段，高光譜圖像中某一像素點為Xi={x U，...，Xiy，以 Xi為中心，取與它相鄰的L個鄰域像素點{x. . .，xj，其中xf{x1;1，. . .，x1>N}G#，#為 N維特征空間，x2={x2>1，. . .，x2，N}GRN，以此類推，對所有的L+l個像素點{Xi,Xp. . .，xj 做L-均值化處理，令
[0015]
【主權(quán)項】
1. 一種基于字典和波段重組的最近鄰高光譜圖像分類方法，其特征在于，包括有以下 步驟： 步驟1讀取高光譜遙感數(shù)據(jù)圖像； 步驟2對讀取的高光譜圖像首先進行預(yù)處理，利用該高光譜圖像的空間鄰域信息，對 高光譜圖像的每一個像素點取其L個最近鄰的像素點，進行L-鄰域均值化處理，得到預(yù)處 理后的高光譜圖像； 步驟3波段重組，將預(yù)處理后的高光譜圖像按照每一波段全部像素點均值的大小，進 行波段重新排列，在重組之后，按照重新排列后的波段對整體波段進行n-分割，構(gòu)成n個子 波段； 步驟4構(gòu)成字典與測試樣本集合，隨機抽取預(yù)處理后的高光譜圖像中的一部分像素點 作為訓(xùn)練樣本以構(gòu)成字典，另一部分像素點構(gòu)成測試樣本集合，并按照分割后的子波段形 成n個子字典與n個子測試樣本集合； 步驟5最近鄰判別，對n個子測試樣本集合分別對照相應(yīng)的子字典進行最近鄰法判別， 得到n幅初始分類圖； 步驟6使用n-KNN判別法獲得最終分類結(jié)果，對n幅初始分類圖，對于每幅圖像中相同 位置的單個像素點，分別都取其K個最近鄰像素點，總共nXK個像素點綜合起來進行K近 鄰判別，將其命名為n-KNN判別，得到高光譜圖像最后的分類結(jié)果圖。
2. 根據(jù)權(quán)利要求1中所述的基于字典和波段重組的最近鄰高光譜圖像分類方法，其特 征在于，步驟2中，對高光譜圖像中每一個像素點進行L-鄰域均值化處理，具體是： 設(shè)高光譜圖像共有N個波段，高光譜圖像中某一像素點為Xi= {x u，. . .，Xi，N}，以\為 中心，取與它相鄰的L個鄰域像素點U1,...，xj，其中X1= {x N} G RN，RnSN維 特征空間，X2={x2>1，...，x2，N} GRn，以此類推，對所有的L+1個像素點U i,X1,. . .，xj做 L-均值化處理，令
將Xi'代替\作為待分類的像素點。
3. 根據(jù)權(quán)利要求1中所述的基于字典和波段重組的最近鄰高光譜圖像分類方法，其特 征在于，步驟3中，第i波段的高光譜圖像中有m個像素點{ Xi，p ...，，令
對所有波段都進行上述均值處理，得到Ix1,...，％}，對Ix1,...，％}進行從小到大排 序，得到高光譜圖像均值序列，接下來按照這個序列對高光譜波段進行重新排列，并對重組 后的N個波段按照順序進行n等分，構(gòu)成n個子波段。
4. 根據(jù)權(quán)利要求1中所述的基于字典和波段重組的最近鄰高光譜圖像分類方法， 其特征在于，步驟6中，將n幅分類結(jié)果圖進行n-KNN判別，取單個待分類像素點的
需要判別的點為x，其在第一幅初始分類圖中位置相對應(yīng)的點標記為 X1，在第二幅初始分類圖中位置相對應(yīng)的點標記為X2，以此類推。在第一幅初始分類圖中，
域內(nèi)的所有像素點共有C類分類結(jié)果，令
判別X所屬的類別。
【專利摘要】本發(fā)明公開了一種基于字典和波段重組的最近鄰高光譜圖像分類方法，實現(xiàn)步驟有：用高光譜圖像的空間信息，對每一像素點進行L-鄰域均值化處理；按每波段像素點均值大小波段重組并n-等分為子波段；隨機抽取部分像素構(gòu)成字典，其它像素構(gòu)成測試樣本集合，按子波段將字典與測試樣本集合分割為n個子字典與子測試樣本集合并對照相應(yīng)的子字典作最近鄰判別，得n幅初始分類圖；進行n-KNN判別，得最終結(jié)果圖。本發(fā)明解決了分類精度不高，分類效果不好及普通空-譜結(jié)合法時間復(fù)雜度高，空-譜信息結(jié)合不緊密的問題，引入波段重組與分割，進行多波段多字典判別，利用空-譜結(jié)合的方法進行分類，在較短時間內(nèi)，獲得了較高精度的分類圖。精度高，時間復(fù)雜度低。
【IPC分類】G06K9-66, G06K9-62
【公開號】CN104820840
【申請?zhí)枴緾N201510232962
【發(fā)明人】慕彩紅, 焦李成, 云智強, 熊濤, 劉紅英, 馮婕, 田小林, 張文龍, 吳生財
【申請人】西安電子科技大學(xué)
【公開日】2015年8月5日
【申請日】2015年5月8日