專利名稱：：一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，屬于高光譜數(shù)據(jù)處理方法與應(yīng)用
技術(shù)領(lǐng)域：
，適用于高光譜數(shù)據(jù)目標(biāo)識別及監(jiān)督分類的理論方法和應(yīng)用技術(shù)研究。
背景技術(shù)：
：目標(biāo)識別與地物分類是高光譜遙感數(shù)據(jù)應(yīng)用的主要方向之一。高光譜圖像提供了近乎連續(xù)光譜的方式實(shí)現(xiàn)對目標(biāo)的精確描述，和其它遙感方式相比，高光譜遙感科學(xué)技術(shù)最大的優(yōu)點(diǎn)體現(xiàn)在對地物的分類和識別能力上，該類技術(shù)的發(fā)展擴(kuò)展了高光語數(shù)據(jù)應(yīng)用的深度和廣度。基于光i普匹配的分類方法，利用光譜庫中已知光譜數(shù)據(jù)，采用匹配算法來識別圖像中的地面覆蓋類型，該類方法主要通過全波段特征和局部量化特征兩種方式實(shí)現(xiàn)。全波段特征匹配方式利用了整個光i普的形狀特征，受照度、光譜定標(biāo)和光i普重建精度等的影響較小，但對光鐠的微小差異不夠敏感。局部量化特征匹配方式雖然對光譜微小差異敏感，但僅僅利用了特定的一些特征，受圖像信噪比、光譜定標(biāo)和光譜重建精度等因素的影響較大。分形體具有精細(xì)的結(jié)構(gòu)，形狀不規(guī)則并具有自相似性，分形理論在遙感圖像解譯中，常常被用來提取遙感影像的空間分形特征。研究表明，高光譜圖像光譜維數(shù)據(jù)的具有分形特征，每一個像元可以得到一個分形維數(shù)，分形維數(shù)可以構(gòu)成一幅新的圖像，可以充分的把高光鐠圖像的光譜特征與圖像特征結(jié)合起來進(jìn)行分析，用于分類和識別。但是實(shí)際應(yīng)用中的光譜曲線，只有在某種被限制的觀測尺度的范圍內(nèi)，自相似性才成立，僅利用分形維數(shù)一個數(shù)字去描述光譜曲線所有波段包含的信息無法滿足應(yīng)用需要。信息量維數(shù)用來表示僅用單一分形維數(shù)不能完全描述的光i普局部分形特征，從光譜的局部出發(fā)來研究其最終的整體光譜特征。目前，基于光譜維的分形分析已經(jīng)受到光譜識別和地物分類等研究領(lǐng)域的關(guān)注。
發(fā)明內(nèi)容本發(fā)明的一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法的目的及其所要解決的問題是將信息量維數(shù)引入到光譜域分析，應(yīng)用于高光譜數(shù)據(jù)的目標(biāo)識別及監(jiān)督分類，綜合全波段匹配和局部量化特征匹配的優(yōu)點(diǎn)，克服采用單一匹配方式的或?qū)ξ⑿〔町惒幻舾?，或受信噪比和光語重建精度等影響較大的不足，以獲得較高的分類效率和分類精度。本發(fā)明一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，包括如下步驟(一)讀入某地區(qū)高光譜圖像數(shù)據(jù)；(二)根據(jù)先驗信息從光譜庫中選擇該區(qū)域可能存在的地物光語作為參考光譜，或從圖像中選取訓(xùn)練樣本進(jìn)行波段平均獲取參考光語；(三)獲得參考光譜后，逐個計算參考光譜及所有測試光譜的信息量維數(shù)序列；(四)參考光譜和測試光譜的信息量維數(shù)序列計算完畢，測試光語的信息量維數(shù)序列與所有參考光語的信息量維數(shù)序列逐個進(jìn)行向量角匹配，采用最小距離分類器確定與參考光i普最接近的一個或多個像元；(五)所有測試像元匹配完成，二值化匹配結(jié)果，將每類地物的匹配結(jié)果用二值圖像表示，每幅圖像中只包含一類地物。其中，在步驟(一)中所述的"讀入某地區(qū)高光謙圖像數(shù)據(jù)"是指在遙感影像處理平臺ENVI4.2上打開高光譜數(shù)據(jù)文件來讀入某地區(qū)高光譜圖像數(shù)據(jù)；其中，在步驟(二)中所述的"波段平均獲取參考光譜"，其具體實(shí)現(xiàn)方式》口下<formula>formulaseeoriginaldocumentpage6</formula>(8)式(8)中，x,;^為訓(xùn)練樣本，M為訓(xùn)練樣本數(shù)目，7V5為波段數(shù)目，i為A^維參考光譜。i第Z個波段的值由x,~&第/個波段值平均得到。其中，在步驟(三)中所述的"逐個計算參考光鐠及所有測試光語的信息量維數(shù)序列"，其具體實(shí)現(xiàn)方式如下先給定光i普曲線的分段數(shù)目w以決定信息量維數(shù)序列的維數(shù)，光譜曲線信息量維數(shù)序列采用如下方法計算將光譜曲線等分為W個小區(qū)域，每個區(qū)域包含的波段數(shù)目為層S-y離(，)(9)式(9)中W。wOO表示取小于x的最大整數(shù)。當(dāng)W5不能被iV整除時，前yv-i個區(qū)域包含的波段數(shù)目為,最后一個區(qū)間包含波段數(shù)目為AB-(iV-l).MS。每個小區(qū)域的線度(小區(qū)域長度)大小為A,光傳曲線在該小區(qū)域的生長幾率為S,不同小區(qū)域生長幾率不同，用不同標(biāo)度指數(shù)",來表征《=Z,'，/=1,2,3,-..,TV(10)若線度A的大小趨于零，用下式表示局部分維lnPa,=lim"^，/=l，2,3,"，iV(11)計算每個小區(qū)域上的局部分維，得到一個由不同",.所組成的序列構(gòu)成的譜，用/(")表示。局部分維計算方法如下用線度^將線小區(qū)域丄,劃分成一系列更小的區(qū)間，改變&的大小，得到一系列的生長幾率A，對風(fēng)),ln(《2)，…風(fēng)))和風(fēng)),ln(。，…,ln(^"U為不同的&的個數(shù))用最小二乘擬合直線，斜率就為該小區(qū)域上的局部分維，該局部分維就是對應(yīng)小區(qū)間上的信息量維數(shù)，所有小區(qū)域的信息量維數(shù)構(gòu)成光譜曲線的信息量維數(shù)序列光譜曲線在小區(qū)域生長的幾率《采用如下方法計算設(shè)波段數(shù)目為7\^的光譜曲線義=(^12，.."^),每個分量x,為每個波段分量，定義x的光譜信息度量"化rw，其中<formula>formulaseeoriginaldocumentpage8</formula>用線度為A的區(qū)域包含了光譜曲線從x,到;c,.Oy)的_/一+1個波段，則該區(qū)域中光譜曲線生長的幾率為i^(tA).ln(^>》，,=1,2,…,iV(13)A為光譜曲線X的概率分布，TV為線度A下小區(qū)域的個數(shù)。其中，在步驟(四)中所述的"測試光譜的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列逐個進(jìn)行向量角匹配，采用最小距離分類器確定與參考光鐠最接近的一個或多個像元"，其具體實(shí)現(xiàn)方式如下將信息量維數(shù)序列當(dāng)作向量，測試光譜的信息量維數(shù)序列與所有參考光i普得信息量維數(shù)序列計算向量角，向量角計算公式如下)=arccos-"(14)A和A分別為參考光語和測試光譜的信息量維數(shù)序列，w為其維數(shù)，6>(Z)r,D,)為Dr和D,所成的向量角度。每一測試光譜的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列計算得到一個向量角，與測試光譜的信息量維數(shù)序列所成角度最小的參考光語代表的類別為測試光i普所屬類別，即如果0(Z^,A)-min諷Dn,D,)刀(Z^,A)，…e(A，Z),),…0(Z^，A)〉，則測試光語屬于類別表示參考光語類別數(shù)目。其中，在步驟(五)中所述的"二值化匹配結(jié)果，將每類地物的匹配結(jié)果用二值圖像表示"，其具體實(shí)現(xiàn)方式如下在匹配結(jié)果圖像中，將每個感興趣類別設(shè)為"1"，其他類別或背景設(shè)為"0"，得到最終分類結(jié)果圖，每一幅分類結(jié)果中只包含一類地物，其它均為背景。本發(fā)明一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，其優(yōu)點(diǎn)是綜合了全波段匹配和局部量化特征匹配的優(yōu)點(diǎn)，一定程度上克服釆用單一匹配方式的對微小差異不敏感、受信噪比和光譜重建精度等影響較大的不足，能獲得較高的分類效率和分類精度；將信息量維數(shù)引入到光譜分析，為高光譜數(shù)據(jù)監(jiān)督分類和目標(biāo)識別提供了一種全新的途徑。圖1為華盛頓地區(qū)原始影像；圖2為本發(fā)明的流程圖3為參考光譜輻亮度曲線；圖4為參考光譜的信息量維數(shù)序列，維數(shù)為5;圖5為草坪的分類結(jié)果；圖6為人工建筑的分類結(jié)果；圖7為特殊類別屋頂?shù)姆诸惤Y(jié)果；圖8為陰影的分類結(jié)果；圖9為街道的分類結(jié)果；圖10為樹木的分類結(jié)果。具體實(shí)施例方式采用的華盛頓地區(qū)都市影像如圖l所示，為飛機(jī)搭載高光譜儀低空拍攝而成。此影像具有220個波段，去除水氣吸收波段后剩余191個波段，圖像大小150xl95像素。圖像中包含草碎，建筑，屋頂，陰影，街道和樹木6個類別。本發(fā)明一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，其流程圖如圖2所示，以對華盛頓地區(qū)的都市影像進(jìn)行監(jiān)督分類為例，本發(fā)明所述的方法，其具體實(shí)現(xiàn)步驟如下(一)讀入某地區(qū)高光譜圖像數(shù)據(jù)；本發(fā)明的一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法利用的是華盛頓地區(qū)高光譜數(shù)據(jù)，在遙感影像處理平臺ENVI4.2打開，原始影像如圖1所示，可以得到地物分布化息5(二)根據(jù)先驗信息從光諮庫中選擇該區(qū)域可能存在的地物光譜作為參考光譜，或從圖像中選取訓(xùn)練樣本進(jìn)行波段平均獲取參考光譜；從圖像中隨機(jī)提取六類地物的訓(xùn)練光譜和測試光語，訓(xùn)練樣本不包含在測試樣本中；下列表1給出了用于分類的地物類別及樣本個數(shù)表1實(shí)驗樣本個數(shù)<table>tableseeoriginaldocumentpage10</column></row><table>所有樣本從圖1所示圖像中隨機(jī)選??；對訓(xùn)練光譜按波段平均得到六個類別的參考光譜如圖3所示，其中，波段平均獲取參考光譜實(shí)現(xiàn)方式如下<formula>formulaseeoriginaldocumentpage10</formula>式(15)中，jc,j^為訓(xùn)練樣本，M為訓(xùn)練樣本數(shù)目，A^為波段數(shù)目，及為維參考光譜。/第Z個波段的值由x,~xM第/個波段值平均得到。(三)獲得參考光譜后，逐個計算參考光譜及所有測試光譜的信息量維數(shù)序列；給定光譜分段數(shù)目iV=5，以決定信息量維數(shù)序列的維數(shù)；將光譜波段等分為5個區(qū)間，光譜曲線信息量維數(shù)序列采用如下方法計算將光譜曲線等分為5個小區(qū)域，每個區(qū)域包含的波段數(shù)目為層s=y,(邏)=y縱(^)(16)5式(16)中，y/o。K"表示取小于x的最大整數(shù)；當(dāng)A^不能被w整除時，前w-1個區(qū)域包含的波段數(shù)目為iVAS,最后一個區(qū)間包含波段數(shù)目為A-(iV-l).ASS,因為該數(shù)據(jù)為191個波段，劃分結(jié)果為前4個小區(qū)域波段數(shù)目為38，第5個區(qū)域波段數(shù)目為39;每個小區(qū)域的線度(小區(qū)域長度)大小為A，光譜曲線生長界面在該小區(qū)域的生長幾率為f，不同小區(qū)域生長幾率不同，用不同標(biāo)度指數(shù)",來表征《=丄,、/=l,2，3,.'-,iV(17)若線度z,的大小趨于零，用下式表示局部分維",=lim^,/=l，2，3，-.-，iV(18)計算每個小區(qū)域上的局部分維，到一個由不同",所組成的序列構(gòu)成的譜，用/(")表示。局部分維計算方法如下用線度&將線小區(qū)域Z,劃分成一系列更小的區(qū)間，改變&的大小，得到一系列的生長幾率幾，對(lnOUln(《2)，…,ln(&)〉和{lri(。,ln(《2),..，ln(。}U為不同的&的個數(shù))用最小二乘擬合直線，斜率就為該小區(qū)域上的局部分維",，該局部分維就是對應(yīng)小區(qū)間上的信息量維數(shù)，所有小區(qū)域的信息量維數(shù)構(gòu)成光譜曲線的信息量維數(shù)序列/(");光譜曲線在小區(qū)域生長的幾率^采用如下方法計算設(shè)波段數(shù)目A^為191的光譜曲線X-(x,，;c2,...,^),每個分量x,為每個波段分量，定義x的光譜信息度量分布/^化r^，其中191A=V2>'，X2，…,iV5(19)用線度為丄,的區(qū)域包含了光譜曲線從;c,到、(y^')的y-Z+l個波段，則該區(qū)域中光譜曲線生長的幾率為A為光譜曲線義的概率分布，iv為線度丄,下小區(qū)域的個數(shù)；利用上述方法，得到的參考光譜的信息量維數(shù)序列如圖4所示；然后計算華盛頓地區(qū)高光譜圖像中每個像元的信息量維數(shù)序列；(四)參考光譜和測試光譜的信息量維數(shù)序列計算完畢，測試光譜的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列逐個進(jìn)行向量角匹配，采用最小距離分類器確定與參考光譜最接近的一個或多個像元；將信息量維數(shù)序列當(dāng)作向量，測試光譜的信息量維數(shù)序列與所有參考光鐠得信息量維數(shù)序列計算向量角，向量角計算公式如下A和D,分別為參考光i普和測試光譜的信息量維數(shù)序列，為其維數(shù)，A,)為Dr和所成的向量角度。每一測試光譜的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列計算得到一個向量角，與測試光譜的信息量維數(shù)序列所成角度最小的參考光譜代表的類別為測試光譜所屬類別，即如果^^,D,^min諷Z^，D,)^(A2,D,)，…^(Z)。，Z),),…e(Z^，A)〉，則測試光譜屬于類別y。^表示參考光譜類別數(shù)目。(五)所有測試像元匹配完成，二值化匹配結(jié)果，將每類地物的匹配結(jié)果用二值圖像表示，每幅圖像中只包含一類地物；在匹配結(jié)果圖像中，將每個感興趣類別設(shè)為"1",其他類別或背景設(shè)為"0",得到最終分類結(jié)果圖，每一幅分類結(jié)果中只包含一類地物，其它均為背景。釆用本發(fā)明的一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法得到的分類結(jié)果如圖5~圖10所示；不同地物以不同灰度表示，圖6圖10中各包含一類地物，白色表示地物，黑色表示背景；圖5表示的草坪和圖10的樹木在光譜波形上比較相似，兩類地物依然較好的被分開，草坪在圖像中占大部分；圖6的建筑實(shí)際上包含了圖像中大部分的人工建筑，圖7中屋頂單獨(dú)作為一類也成功的和其它人工建筑分開；陰影大部分分布在建筑和樹木周圍，如圖8所示；圖9中街道受周圍建筑影響，分類的效果要差于其它類別；從上面的分析可以看出，各個類別均較好的區(qū)分開；下列表2給出了利用本發(fā)明所述的方法進(jìn)行分類的分類精度、混淆矩陣以及Kappa系數(shù)，總體分類正確率為92.51%,Kappa系數(shù)為0.903,分類效果良好，無明顯錯分類；所用類別中，建筑、屋頂和街道同屬于人工建筑，因材料近似而出現(xiàn)了一定程度的錯分。表2分類結(jié)果統(tǒng)計<table>tableseeoriginaldocumentpage13</column></row><table>權(quán)利要求1、一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，其特征在于它包含以下步驟(一)讀入某地區(qū)高光譜圖像數(shù)據(jù)；(二)根據(jù)先驗信息從光譜庫中選擇該區(qū)域可能存在的地物光譜作為參考光譜，或從圖像中選取訓(xùn)練樣本進(jìn)行波段平均獲取參考光譜；(三)獲得參考光譜后，逐個計算參考光譜及所有測試光譜的信息量維數(shù)序列；(四)參考光譜和測試光譜的信息量維數(shù)序列計算完畢，測試光譜的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列逐個進(jìn)行向量角匹配，采用最小距離分類器確定與參考光譜最接近的一個或多個像元；(五)所有測試像元匹配完成，二值化匹配結(jié)果，將每類地物的匹配結(jié)果用二值圖像表示，每幅圖像中只包含一類地物。2、根據(jù)權(quán)利要求1所述的一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，其特征在于步驟(一)中所述的"讀入某地區(qū)高光譜圖像數(shù)據(jù)，，，是指在遙感影像處理平臺ENVI4.2上打開高光譜數(shù)據(jù)文件來讀入某地區(qū)高光譜圖像數(shù)據(jù)。3、根據(jù)權(quán)利要求1所述的一種基于信息量維數(shù)序列的高光語數(shù)據(jù)監(jiān)督分類方法，其特征在于步驟(二)中所述的"波段平均獲取參考光鐠，，，其具體實(shí)現(xiàn)方式如下外)=匸2>"),/"，2,3,…,iV5(1)式(1)中，；c廣XM為訓(xùn)練樣本，M為訓(xùn)練樣本數(shù)目，W5為波段數(shù)目，及為A^維參考光譜；i第/個波段的值由X,~&第,'個波段值平均得到。4、根據(jù)權(quán)利要求1所述的一種基于信息量維數(shù)序列的高光語數(shù)據(jù)監(jiān)督分類方法，其特征在于步驟(三)中所述的"逐個計算參考光譜及所有測試光譜的信息量維數(shù)序列"，其具體實(shí)現(xiàn)方式如下先給定光譜曲線的分段數(shù)目w以決定信息量維數(shù)序列的維數(shù)，光譜曲線信息量維數(shù)序列采用如下方法計算將光譜曲線等分為W個小區(qū)域，每個區(qū)域包含的波段數(shù)目為順=一《)(2)式(2)中y/oor(JC)表示取小于x的最大整數(shù)；當(dāng)iVB不能被iV整除時，前7V-l個區(qū)域包含的波段數(shù)目為,最后一個區(qū)間包含波段數(shù)目為M-(AM>MS;每個小區(qū)域的線度(小區(qū)域長度)大小為A,光譜曲線在該小區(qū)域的生長幾率為f，不同小區(qū)域生長幾率不同，用不同標(biāo)度指數(shù)",來表征f=Z,a',z=1,2,3,…，iV(3)若線度Z,的大小趨于零，用下式表示局部分維a,=lim^，z'=1,2,3,…，W(4)計算每個小區(qū)域上的局部分維，得到一個由不同^所組成的序列構(gòu)成的譜，用/(")表示；局部分維計算方法如下用線度&將線小區(qū)域A劃分成一系列更小的區(qū)間，改變《4的大小，得到一系列的生長幾率凡，對風(fēng)),ln(《2)，…風(fēng)"和(ln(。,ln(。,...,,}U為不同的&的個數(shù))用最小二乘擬合直線，斜率就為該小區(qū)域上的局部分維",.，該局部分維就是對應(yīng)小區(qū)間上的信息量維數(shù)，所有小區(qū)域的信息量維數(shù)構(gòu)成光i普曲線的信息量維數(shù)序列/(");光譜曲線在小區(qū)域生長的幾率《釆用如下方法計算設(shè)波段數(shù)目為，的光譜曲線X-0c,A,...,^)，每個分量x,為每個波段分量，定義x的光譜信息度量"化r^，其中順用線度為A的區(qū)域包含了光譜曲線從、到(7々0的y-"i個波段，則該區(qū)域中光譜曲線生長的幾率為A為光譜曲線x的概率分布，w為線度丄,下小區(qū)域的個數(shù)。5、根據(jù)權(quán)利要求1所述的一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，其特征在于其步驟(四)中所述的"測試光鐠的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列逐個進(jìn)行向量角匹配，采用最小距離分類器確定與參考光譜最接近的一個或多個像元"，其具體實(shí)現(xiàn)方式如下將信息量維數(shù)序列當(dāng)作向量，測試光譜的信息量維數(shù)序列與所有參考光譜得信息量維數(shù)序列計算向量角，向量角計算公式如下A和A分別為參考光譜和測試光語的信息量維數(shù)序列，iV為其維數(shù)，代A,D,)為A_和Z),所成的向量角度；每一測試光譜的信息量維數(shù)序列與所有參考光譜的信息量維數(shù)序列計算得到一個向量角，與測試光語的信息量維數(shù)序列所成角度最小的參考光語代表的類別為測試光譜所屬類別，即如果<formula>formulaseeoriginaldocumentpage4</formula>則測試光譜屬于類別y;c"表示參考光語類別數(shù)目。6、根據(jù)權(quán)利要求1所述的一種基于信息量維數(shù)序列的高光語數(shù)據(jù)監(jiān)督分類方法，其特征在于其步驟(五)中所述的"二值化匹配結(jié)果，將每類地物的匹配結(jié)果用二值圖像表示"，其具體實(shí)現(xiàn)方式如下在匹配結(jié)果圖像中，將每個感興趣類別設(shè)為"1"，其他類別或背景設(shè)為"0"，得到最終分類結(jié)果圖，每一幅分類結(jié)果中只包含一類地物，其它均為背景。f=(Ea)《a)，'=1,2,…,w全文摘要一種基于信息量維數(shù)序列的高光譜數(shù)據(jù)監(jiān)督分類方法，包括如下步驟(一)讀入某地區(qū)高光譜圖像數(shù)據(jù)；(二)從光譜庫中選擇參考光譜，或從圖像中選取訓(xùn)練樣本進(jìn)行波段平均獲取參考光譜；(三)逐個計算參考光譜與所有測試光譜的信息量維數(shù)序列；(四)測試光譜與所有參考光譜的信息量維數(shù)序列逐個進(jìn)行向量角匹配，采用最小距離分類器分類；(五)二值化匹配結(jié)果，將每類地物的匹配結(jié)果用二值圖像表示，每幅圖像中只包含一類地物?；谛畔⒘烤S數(shù)序列的高光譜數(shù)據(jù)分類方法將信息量維數(shù)引入到光譜域分析，綜合了全波段匹配和局部量化特征匹配的優(yōu)點(diǎn)，能獲得較高的分類效率和分類精度，在高光譜數(shù)據(jù)分類和目標(biāo)識別中有重要價值。文檔編號G06K9/64GK101299237SQ20081011443公開日2008年11月5日申請日期2008年6月5日優(yōu)先權(quán)日2008年6月5日發(fā)明者劉小剛,娜李,趙慧潔申請人:北京航空航天大學(xué)