一种基于空谱特征融合的高光谱图像分类方法

技术领域

本申请涉及高光谱图像处理技术领域，具体涉及一种基于空谱特征融合的高光谱图像分类方法。

背景技术

高光谱图像分类技术是高光谱图像处理的关键技术，高光谱图像往往包含成百上千个光谱波段，光谱分辨率高，信息量大，作为对地观测资料的一种，高光谱图像在航天、航空、环境检测和农业监测等领域发挥着重要的作用，高光谱图像分类技术在这些应用中显得尤为关键。但是，现有的高光谱图像分类技术主要是利用高光谱图像的光谱特征进行分类，这样无法避免“同谱异物”现象的发生，容易导致高光谱图像分类结果有误差。

发明内容

本申请所要解决的技术问题是：针对现有的高光谱图像分类技术主要是利用光谱特征进行分类，容易导致高光谱图像分类结果有误差的问题，提供一种基于空谱特征融合的高光谱图像分类方法。

为解决上述技术问题，本申请实施例提供一种基于空谱特征融合的高光谱图像分类方法，包括以下步骤：

对获取到的高光谱图像进行预处理；

对预处理后的所述高光谱图像的光谱维信息进行数据降维；

对预处理后的所述高光谱图像的空间维信息提取纹理特征；

将所述高光谱图像经过数据降维后的光谱维信息和提取到的所述纹理特征进行融合，通过信息交互得到光谱-空间特征；

使用包含所述光谱-空间特征的所述高光谱图像训练支持向量机分类器；

使用训练后的所述支持向量机分类器对所述高光谱图像进行分类。

可选地，所述使用包含所述光谱-空间特征的所述高光谱图像训练支持向量机分类器的具体步骤包括：

构造用于支持所述支持向量机分类器的复合核函数，所述复合核函数为两个径向基核函数的代数和，两个所述径向基核函数的其中之一对应所述高光谱图像的光谱信息，两个所述径向基核函数的其中另一对应所述高光谱图像提取得到的所述纹理特征。

可选地，所述构造用于支持所述支持向量机分类器的复合核函数的步骤包括：

定义一个新的像素点特征矢量

其中，R表示实数域，W表示光谱维维数，S表示空间维维数，N

在希尔伯特空间

其中，K表示所述复合核函数，K

dim(K)＝dim(K

其中，dim(K

可选地，所述使用训练后的所述支持向量机分类器对所述高光谱图像进行分类的具体步骤包括：

所述支持向量机分类器根据所述高光谱图像的每个像元所属类别不同对所述高光谱图像进行分类。

可选地，所述对获取到的高光谱图像进行预处理的具体步骤包括：

对所述高光谱图像进行几何校正，以及对所述高光谱图像进行大气校正。

可选地，所述对预处理后的所述高光谱图像的光谱维信息进行数据降维的具体步骤包括：

采用光谱特征选取的方法选择所述高光谱图像中的一部分波段，并删除所述高光谱图像中的其余波段。

可选地，所述对预处理后的所述高光谱图像的空间维信息提取纹理特征的具体步骤包括：

采用信号处理法提取所述高光谱图像的空间维信息的纹理特征，所述信号处理法采用的算法为灰度共生矩阵。

可选地，在所述对获取到的高光谱图像进行预处理的步骤之前，还包括以下步骤：

在待分类物体中选取样本S和标签L，样本S的尺寸大小用(w,w,c)表示，标签L的尺寸大小用(w,w)表示，其中，w、c分别表示所述高光谱图像的窗口大小以及波段数；

将待训练的所述高光谱图像转化为二维数据，所述二维数据的尺寸大小用(w×w,c)表示，然后通过标准归一化操作，将所述二维数据转换为均值是0，标准差是1的标准正态分布的数据。

可选地，在所述对获取到的高光谱图像进行预处理的步骤之前，还包括以下步骤：

对获取到的所述高光谱图像的感兴趣区域进行选择。

根据本申请实施例的基于空谱特征融合的高光谱图像分类方法，其包括对高光谱图像进行预处理、对预处理后的高光谱图像进行数据降维、提取高光谱图像的纹理特征、通过信息交互得到光谱-空间特征以及使用支持向量机分类器对高光谱图像进行分类，其充分利用了高光谱图像“图谱合一”的特点，同时引入空间信息和光谱信息对高光谱图像进行分类，能够避免产生“同谱异物”现象，从而能够减小分类结果的误差，并且也有利于快速高效地实现分类，同时还简化了分类模型实现的工程复杂度，具有较强的工程实际意义；与现有技术相比，进一步提升了分类模型的性能和泛化能力，且可以获得更为理想的分类效果。

附图说明

图1是本申请实施例提供的基于空谱特征融合的高光谱图像分类方法的流程示意图；

图2是使用本申请实例提供的高光谱图像分类方法后得到的一分类效果图与原图进行对比的示意图；

图3是使用本申请实施例提供的高光谱图像分类方法后得到的另一分类效果图与原图进行对比的示意图；

图4是使用本申请实例提供的高光谱图像分类方法后得到的又一分类效果图与原图进行对比的示意图。

具体实施方式

尽管在本申请的说明书文字及附图中已经对上述各实施例进行了描述，但并不能因此限制本申请的专利保护范围。凡是基于本申请的实质理念，利用本申请说明书文字及附图记载的内容所作的等效结构或等效流程替换或修改产生的技术方案，以及直接或间接地将以上实施例的技术方案实施于其他相关的技术领域等，均包括在本申请的专利保护范围之内。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

请参阅图1，本申请实施例提供了一种基于空谱特征融合的高光谱图像分类方法，包括以下步骤：

S100、对获取到的高光谱图像进行预处理；

S200、对预处理后的所述高光谱图像的光谱维信息进行数据降维；

S300、对预处理后的所述高光谱图像的空间维信息提取纹理特征；

S400、将所述高光谱图像经过数据降维后的光谱维信息和提取到的所述纹理特征进行融合，通过信息交互得到光谱-空间特征；

S500、使用包含所述光谱-空间特征的所述高光谱图像训练支持向量机分类器；

S600、使用训练后的所述支持向量机分类器对所述高光谱图像进行分类。

其中，所述高光谱图像是包含地物反射的多种窄段连续光谱的高光谱遥感图像。所述光谱维信息是指所述高光谱图像的所有原始波段构成的光谱特征向量，所述空间维信息是指所述高光谱图像包含的所有空间特征向量。

本申请实施例提供的基于空谱特征融合的高光谱图像分类方法，其包括对高光谱图像进行预处理、对预处理后的高光谱图像进行数据降维、提取高光谱图像的纹理特征、通过信息交互得到光谱-空间特征以及使用支持向量机分类器对高光谱图像进行分类，其充分利用了高光谱图像“图谱合一”的特点，同时引入空间信息和光谱信息对高光谱图像进行分类，能够避免产生“同谱异物”现象，从而能够减小分类结果的误差，并且也有利于快速高效地实现分类，同时还简化了分类模型实现的工程复杂度，具有较强的工程实际意义；与现有技术相比，进一步提升了分类模型的性能和泛化能力，且可以获得更为理想的分类效果。

具体地，在一些实施例中，步骤S500的具体步骤包括：

S510、构造用于支持所述支持向量机分类器的复合核函数。

所述复合核函数为两个径向基核函数的代数和，两个所述径向基核函数的其中之一对应所述高光谱图像的光谱信息，两个所述径向基核函数的其中另一对应所述高光谱图像提取得到的所述纹理特征。

对应所述高光谱图像的光谱信息的所述径向基核函数的权重比例为μ，对应所述高光谱图像的所述纹理特征的所述径向基核函数的权重比例为1-μ，μ的取值范围为[0，1]。能够理解地，μ的取值的确定根据所述高光谱图像的数据集的不同进行摸索测试。在本实施例中，对应光谱信息的径向基核函数的权重占据70％，对应纹理特征的径向基核函数的权重占据30％。

在遥感图像的地物分类中，处理的基本数据单元是像素。因此，所述构造用于支持所述支持向量机分类器的复合核函数的步骤包括：

定义一个新的像素点特征矢量

其中，R表示实数域，W表示光谱维维数，S表示空间维维数，N

在希尔伯特空间

其中，K表示所述复合核函数，K

dim(K)＝dim(K

其中，dim(K

具体地，在一些实施例中，步骤S600的具体步骤包括：

S610、所述支持向量机分类器根据所述高光谱图像的每个像元所属类别不同对所述高光谱图像进行分类。

根据所述高光谱图像的每个像元所属类别不同对所述高光谱图像进行分类可以充分利用每个像元的光谱-空间特征，从而使得最终得到的高光谱图像分类结果更加精准。

具体地，在一些实施例中，步骤S100的具体步骤包括：

S110、对所述高光谱图像进行几何校正，以及对所述高光谱图像进行大气校正。

通过对所述高光谱图像进行几何校正和大气校正，可以减少所述高光谱图像中光谱信号的光散射和高频噪声等干扰信息，实现对所述高光谱图像降噪和平滑处理的目的，同时也能避免所述高光谱图像出现不同程度、不同性质辐射量的畸变和失真。

因为所述高光谱图像中的各个波段都提供了一定信息，但是各个波段的信息常有重叠，为了减少计算的数据量和时间，消除数据间不必要的冗余信息，需要对所述高光谱图像进行降维，使所述高光谱图像的像元的光谱维度得到压缩。

具体地，在一些实施例中，步骤S200的具体步骤包括：

S210、采用光谱特征选取的方法选择所述高光谱图像中的一部分波段，并删除所述高光谱图像中的其余波段。

容易理解地，所述高光谱图像具有波段多、数据量大等特点，因此获得的数据信息存在冗余和多重共线性问题，在全波段光谱中很多波长不是完全充分利用，其与分类预测无关。通过步骤S210能够删除一些不相关波长，实现在所述高光谱图像中选择一些重要的波段来代替原有的高维数据，从而有效简化数据模型，提高分类的效率。

更具体地，所述光谱特征选取的方法的工作原理为利用主成分分析法对所述高光谱图像进行降维。利用主成分分析法对所述高光谱图像进行降维，可以通过核函数将原始空间中的数据映射到高维特征空间，在高维特征空间中运算线性降维方法，从而对原始空间中的非线性的所述高光谱图像实现降维。

高光谱图像具有图谱合一的特点，在本实施例中，除了对所述高光谱图像的光谱维信息进行特征选择外，还需要对其空间维信息提取纹理特征。容易理解地，利用所述高光谱图像的像元之间的关联可以提取所述高光谱图像的空间维信息的纹理特征。

具体地，在一些实施例中，步骤S300的具体步骤包括：

S310、采用信号处理法提取所述高光谱图像的空间维信息的纹理特征，所述信号处理法采用的算法为灰度共生矩阵。

通过步骤S310提取得到所述纹理特征后，能够有利于后续步骤S400得到光谱-空间特征，从而有利于进行后续步骤S500和S600，以实现对所述高光谱图像的精准分类，避免产生“同谱异物”现象。

具体地，在一些实施例中，在步骤S100之前，还包括以下步骤：

S010、对获取到的所述高光谱图像的感兴趣区域进行选择。

在本实施例中，采用ENVI 5.1软件中region of interest工具进行所述高光谱图像的感兴趣区域的提取，以此增加样本数量。

具体地，在一些实施例中，在步骤S100之前，还包括以下步骤：

S020、在待分类物体中选取样本S和标签L，样本S的尺寸大小用(w,w,c)表示，标签L的尺寸大小用(w,w)表示，其中，w、c分别表示所述高光谱图像的窗口大小以及波段数；

S030、将待训练的所述高光谱图像转化为二维数据，所述二维数据的尺寸大小用(w×w,c)表示，然后通过标准归一化操作，将所述二维数据转换为均值是0，标准差是1的标准正态分布的数据。

能够理解地，在所述二维数据中，每一行数据代表了一个训练样本，每一列数据代表了波段。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

以上本申请的具体实施方式，并不构成对本申请保护范围的限定。任何根据本申请的技术构思所作出的各种其他相应的改变与变形，均应包含在本申请权利要求的保护范围内。