專利名稱：高光譜圖像監(jiān)督分類方法
高光譜圖像監(jiān)督分類方法技術(shù)領(lǐng)域
本發(fā)明屬于圖像處理領(lǐng)域，涉及一種高光譜圖像監(jiān)督分類方法，可用于遙感圖 像分類與識(shí)別。
背景技術(shù)：
高光譜圖像的分類與識(shí)別是遙感圖像處理領(lǐng)域的一個(gè)新的重要分支，近年來在 植被研究、礦物識(shí)別以及水文和海洋勘測(cè)等領(lǐng)域有著廣泛的應(yīng)用。高光譜遙感，是指 具有很高的光譜分辨率的遙感技術(shù)，它能夠在很窄的連續(xù)波段上記錄地物，如地表、水 域、大氣的光譜反射特性，使得獲取待測(cè)地物類別的細(xì)節(jié)成為現(xiàn)實(shí)。成像光譜儀能夠?yàn)?每個(gè)像素提供數(shù)十個(gè)至數(shù)百個(gè)窄波段，高光譜圖像的每一幀都是對(duì)同一場(chǎng)景在不同波長(zhǎng) 上的成像，從而產(chǎn)生一條完整而連續(xù)的光譜曲線，提供所觀測(cè)地物豐富的光譜信息。
針對(duì)高光譜遙感技術(shù)的上述特點(diǎn)，常用的高光譜圖像的分類方法有
從光譜角度出發(fā)，有SAM算法和混合像素分解技術(shù)。SAM方法通過比較目標(biāo) 光譜曲線和已有的樣本庫(kù)中的各類平均光譜曲線之間的相似程度來判定待分類光譜的類 別歸屬；而混合像素光譜分解技術(shù)是通過將每個(gè)像素點(diǎn)分解為不同的基本單元即端元， 來實(shí)現(xiàn)類別的劃分。該類方法通常需要預(yù)先建立待分類圖像所包含地物的光譜庫(kù)，因而 在實(shí)現(xiàn)上比較困難。
從統(tǒng)計(jì)模型角度出發(fā)，有基于統(tǒng)計(jì)距離的方法和基于概率模型的方法，最小距 離分類法是基于統(tǒng)計(jì)距離的方法中最簡(jiǎn)單的一種，該方法通過比較待分類像素和利用訓(xùn) 練樣本計(jì)算出的各類中心點(diǎn)之間的距離，來實(shí)現(xiàn)像素點(diǎn)的類別劃分。而基于概率模型的 方法中最典型的就是高斯極大似然分類方法，該方法將像素向量作為特征向量，在假定 各類服從正態(tài)分布的基礎(chǔ)上，根據(jù)有關(guān)概率判決函數(shù)的貝葉斯準(zhǔn)則進(jìn)行分類。該類方法 應(yīng)用廣泛，但由于算法的復(fù)雜度和數(shù)據(jù)維數(shù)的平方成正比，且類別參數(shù)由于訓(xùn)練樣本的 相對(duì)較少無法可靠估計(jì)。
還有基于決策樹的分類方法，如二元層級(jí)分類器BHC，該方法假設(shè)高光譜數(shù)據(jù) 中各類服從一定分布，將貝葉斯規(guī)則用在每層的決策中，不斷的將一個(gè)K類分類問題轉(zhuǎn) 化為K-I個(gè)的二元分類問題，從而解決分類問題。該方法相比之前的方法，計(jì)算簡(jiǎn)單且 易于實(shí)現(xiàn)，但由于沒有很好的加入先驗(yàn)信息，忽略了圖像中像素之間的相互關(guān)系，導(dǎo)致 分類過程中對(duì)空間信息的利用不足，限制了分類精度的提高。發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提供一種樹狀的馬爾可夫隨機(jī)場(chǎng) 模型TS-MRF的高光譜圖像監(jiān)督分類方法，以有效地利用圖像中像素之間的空間關(guān)系， 提高分類精度。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是使用簡(jiǎn)潔高效的二叉樹結(jié)構(gòu)，結(jié)合馬爾可夫隨 機(jī)場(chǎng)對(duì)圖像像素之間的空間信息的利用，對(duì)高光譜圖像進(jìn)行監(jiān)督分類，具體實(shí)現(xiàn)步驟如下(1)對(duì)于待分類的高光譜圖像，依據(jù)訓(xùn)練樣本集，建立二叉樹模型，得到節(jié)點(diǎn)標(biāo) 號(hào)，將內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)及其包含的類別組存儲(chǔ)于索引表中l(wèi)a)計(jì)算訓(xùn)練樣本集中各個(gè)類別的均值向量，將其作為各類特征；lb)使用歐式距離作為衡量各類別之間差異的度量，計(jì)算出每?jī)蓚€(gè)類別12之 間的空間距離diffGi，i2)，所有類別之間的空間距離構(gòu)成一個(gè)大小為KXK的可分性判別 矩陣D，K為類別總數(shù)；Ic)找出可分性判別矩陣中最大值max(D)對(duì)應(yīng)的兩個(gè)類別i，j，將其作為兩個(gè) 類別組Cl和C2的初始值，即Cl = Oh C2 =丨j丨；逐個(gè)比較每個(gè)剩余類別i'與類別i 和類別j的空間距離，若i'與類別i的空間距離diff(i'，i)小于i'與類別j的空間距離
劃到第一類別組Cl中；否則將i'劃到第二類別組C2中，即
diff(i'
下式
j)，則將類別
diff(i\i)<diff(i\j)
<1>
diff(i\i)>diff(i\j)其中i' e {1, 2，…，K}, i' ^i, j，U表示所有i'的集合；Id)按照Ic)中的方法，不斷將每個(gè)類別組細(xì)分為更小的類別組，直至所有類別 組都只包含一個(gè)最終類別，樹模型即建立成功；樹模型建立過程中的每個(gè)類別組以及最 終類別統(tǒng)稱為樹的節(jié)點(diǎn)，其中類別組稱為內(nèi)部節(jié)點(diǎn)，最終類別稱為葉子節(jié)點(diǎn)；給所有節(jié) 點(diǎn)分配節(jié)點(diǎn)標(biāo)號(hào)，樹的根節(jié)點(diǎn)標(biāo)號(hào)為1，該根節(jié)點(diǎn)標(biāo)號(hào)1對(duì)應(yīng)整個(gè)原始圖像，包含圖像 中所有像素點(diǎn)的位置；對(duì)樹中任一個(gè)節(jié)點(diǎn)t，其左子節(jié)點(diǎn)l(t)的節(jié)點(diǎn)標(biāo)號(hào)為2t，右子節(jié)點(diǎn) r(t)的節(jié)點(diǎn)標(biāo)號(hào)為2t+l，將內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)及其包含的類別組存儲(chǔ)于索引表中；(2)將高光譜圖像數(shù)據(jù)和樹節(jié)點(diǎn)對(duì)應(yīng)，依據(jù)樹模型中的內(nèi)部節(jié)點(diǎn)索引表，依序找 出本次待分類的內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)和標(biāo)號(hào)對(duì)應(yīng)的圖像像素點(diǎn)的位置；(3)根據(jù)得到的圖像像素點(diǎn)位置，逐個(gè)計(jì)算相應(yīng)位置處的每個(gè)像素分別屬于本次 內(nèi)部節(jié)點(diǎn)的左、右子節(jié)點(diǎn)的似然概率值，將兩個(gè)似然概率值中最大值對(duì)應(yīng)的子節(jié)點(diǎn)的類 別作為該像素類別，由此得到圖像的初始類標(biāo)記；(4)依據(jù)交替優(yōu)化算法，將得到的初始類標(biāo)記進(jìn)行類標(biāo)記更新，得到本次的最終 類標(biāo)記；(5)得到最終類標(biāo)記后，分別記錄本次分類后的兩個(gè)子節(jié)點(diǎn)包含像素點(diǎn)的位置， 存儲(chǔ)到相應(yīng)的子節(jié)點(diǎn)中；(6)重復(fù)步驟(2)到步驟(5)，依次處理每個(gè)內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)的圖像數(shù)據(jù)，直至處 理完所有內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)的數(shù)據(jù)，完成對(duì)高光譜圖像的分類。本發(fā)明與現(xiàn)有的技術(shù)相比有以下優(yōu)點(diǎn)1)本發(fā)明由于采用了馬爾可夫隨機(jī)場(chǎng)，更好地利用了像素之間的空間依賴關(guān) 系，使得圖像的空間信息得到充分利用，提高了分類精度；2)本發(fā)明由于采用了二叉樹狀的結(jié)構(gòu)，使得分類的過程可以遞歸地進(jìn)行，簡(jiǎn)潔 有效；3)本發(fā)明由于采用了一種可移植的樹模型建立方法，使得基于TS-MRF模型的 方法的樹模型建立過程有章可依，給予樹模型建立以有效的理論基礎(chǔ)，增強(qiáng)該算法的適
6用性。


圖1是本發(fā)明的流程圖；圖2是本發(fā)明所采用的高光譜圖像三個(gè)波段合成的示意圖；圖3是本發(fā)明所建立的二叉樹模型圖；圖4是本發(fā)明對(duì)圖2所示高光譜圖像的仿真結(jié)果圖。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下步驟一，對(duì)于圖2所示的待分類高光譜圖像Y= {y1; y2，…，yn}，η為圖像的 總像素?cái)?shù)，依據(jù)從高光譜圖像中得到的帶有樣本標(biāo)記的訓(xùn)練樣本集，按照逐次二元?jiǎng)澐?的方式建立如圖3所示的二叉樹模型，得到樹模型中各個(gè)節(jié)點(diǎn)的節(jié)點(diǎn)標(biāo)號(hào)，將其中的內(nèi) 部節(jié)點(diǎn)標(biāo)號(hào)及其包含的類別組存儲(chǔ)于索引表中，具體步驟如下la)計(jì)算訓(xùn)練樣本集中各類別所包含的高光譜圖像數(shù)據(jù)的均值向量，將其作為各 類特征；lb)使用歐式距離作為衡量各類別之間差異的度量，計(jì)算出每?jī)蓚€(gè)類別丨2之 間的空間距離CiiffG1, i2)，所有類別之間的空間距離構(gòu)成一個(gè)大小為κχκ的可分性判別 矩陣D，K為類別總數(shù)；Ic)找出可分性判別矩陣D中最大值max (D)對(duì)應(yīng)的兩個(gè)類別i，j，將其作為兩 個(gè)類別組Cl和C2的初始值，即Cl = Oh C2 = {j}；逐個(gè)比較每個(gè)剩余類別i'與類別 i和類別j的空間距離，若i'與類別i的空間距離diff(i'，i)小于i'與類別j的空間距 離diff(i'，j)，則將類別i'劃到第一類別組Cl中；否則將i'劃到第二類別組C2中， 即下式
/Cl = {/,/'}, diff(i\i)<diff(i\j)I Ji<1>其中i' e {1，2，…，K}, i' ^i, j，U表示所有i'的集合；Id)按照Ic)中的方法，不斷將每個(gè)類別組細(xì)分為更小的類別組，直至所有類別 組都只包含一個(gè)最終類別，樹模型即建立成功；樹模型建立過程中的每個(gè)類別組以及最 終類別統(tǒng)稱為樹的節(jié)點(diǎn)，其中類別組稱為內(nèi)部節(jié)點(diǎn)，最終類別稱為葉子節(jié)點(diǎn)；給所有節(jié) 點(diǎn)分配節(jié)點(diǎn)標(biāo)號(hào)，樹的根節(jié)點(diǎn)標(biāo)號(hào)為1，該根節(jié)點(diǎn)標(biāo)號(hào)1對(duì)應(yīng)整個(gè)原始圖像，包含高光譜 圖像中所有像素點(diǎn)的位置S = {1，2，..，η}；對(duì)樹中任一個(gè)節(jié)點(diǎn)t，其左子節(jié)點(diǎn)l(t)的節(jié) 點(diǎn)標(biāo)號(hào)為2t，右子節(jié)點(diǎn)r(t)的節(jié)點(diǎn)標(biāo)號(hào)為2t+l，將內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)及其包含的類別組存儲(chǔ)于 索引表ID中。步驟二，將高光譜圖像數(shù)據(jù)y和樹中的節(jié)點(diǎn)t對(duì)應(yīng)，依據(jù)樹模型中的內(nèi)部節(jié)點(diǎn)索 引表ID，依序找出本次待分類的內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)ID(t)和標(biāo)號(hào)對(duì)應(yīng)的高光譜圖像像素點(diǎn)的 位置St,除根節(jié)點(diǎn)之外的其它內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)的高光譜圖像像素點(diǎn)的位置均為原始圖像位 置集的一部分，即St e S。步驟三，根據(jù)得到的高光譜圖像像素點(diǎn)位置St,逐個(gè)計(jì)算其中的每個(gè)位置S處的像素乂分別屬于本次內(nèi)部節(jié)點(diǎn)t的左子節(jié)點(diǎn)l(t)和右子節(jié)點(diǎn)rω的似然概率值，將兩個(gè)似 然概率值中最大值對(duì)應(yīng)的子節(jié)點(diǎn)的類別作為該像素的類別，由此得到高光譜圖像的初始 類標(biāo)記，具體步驟如下3a)對(duì)于節(jié)點(diǎn)t，它所包含的高光譜圖像數(shù)據(jù)y中的像素點(diǎn)乂在空間上獨(dú)立，即 每個(gè)像素點(diǎn)的分布與其它點(diǎn)不相關(guān)，則節(jié)點(diǎn)的似然概率值
權(quán)利要求
1.一種高光譜圖像監(jiān)督分類方法，包括如下步驟(1)對(duì)于待分類的高光譜圖像，依據(jù)訓(xùn)練樣本集，建立二叉樹模型，得到節(jié)點(diǎn)標(biāo)號(hào)， 將內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)及其包含的類別組存儲(chǔ)于索引表中l(wèi)a)計(jì)算訓(xùn)練樣本集中各個(gè)類別的均值向量，將其作為各類特征；lb)使用歐式距離作為衡量各類別之間差異的度量，計(jì)算出每?jī)蓚€(gè)類別i2之間的 空間距離diffGi，i2)，所有類別之間的空間距離構(gòu)成一個(gè)大小為KXK的可分性判別矩陣 D，K為類別總數(shù)；Ic)找出可分性判別矩陣中最大值max (D)對(duì)應(yīng)的兩個(gè)類別i，j，將其作為兩個(gè)類別 組Cl和C2的初始值，即Cl = {i}，C2 =丨j丨；逐個(gè)比較每個(gè)剩余類別i'與類別i和 類別j的空間距離，若i'與類別i的空間距離diff(i'，i)小于Γ與類別j的空間距離 diff(i'，j)，則將類別i'劃到第一類別組Cl中；否則將i'劃到第二類別組C2中，即 下式
2.根據(jù)權(quán)利要求1所述的高光譜圖像分類方法，其中步驟(3)，按如下步驟進(jìn)行3a)對(duì)于節(jié)點(diǎn)t，它所包含的像素點(diǎn)在空間上獨(dú)立，即每個(gè)像素點(diǎn)的分布與其它點(diǎn)不相關(guān)，則節(jié)點(diǎn)的似然概率值I JCi，iw(0)表示成各個(gè)像素似然概率；？(乂 ι ( ))的乘 積，如下式所示
3.根據(jù)權(quán)利要求1所述的高光譜圖像分類方法，其中步驟(4)所述的依據(jù)交替優(yōu)化算 法，將得到的初始類標(biāo)記進(jìn)行類標(biāo)記更新，按如下步驟進(jìn)行4a)對(duì)節(jié)點(diǎn)t的類標(biāo)記Xt的更新和參數(shù)β ‘的估計(jì)交替進(jìn)行，令k = 0，V^c) = 0，由下式計(jì)算和(KkJlk)) = argmax^Cx^ | x^)p{y{k) | 袼),端))<4>其中和》(、分別為節(jié)點(diǎn)t對(duì)應(yīng)數(shù)據(jù)的類標(biāo)記Xt和邊緣罰函數(shù)β ‘在交替優(yōu)化算法的 第k次估計(jì)中的結(jié)果，P(A) I ^S))為節(jié)點(diǎn)t中，給定祖先節(jié)點(diǎn)集合的類標(biāo)記估計(jì)^HO， 先驗(yàn)分布在交替優(yōu)化算法的第k次估計(jì)中的結(jié)果；/ 04)14),^^))為節(jié)點(diǎn)1中，給定類 標(biāo)記Xt以及祖先節(jié)點(diǎn)集合的類標(biāo)記估計(jì)，似然分布在交替優(yōu)化算法的第k次估計(jì)中的結(jié)果；4b)令k = k+l，已知第k-i次類標(biāo)記估計(jì)結(jié)果i&i，則第k次的邊緣罰函數(shù)的估計(jì) 用極大偽似然估計(jì)算法MPL計(jì)算，表達(dá)式如下
全文摘要
本發(fā)明公開了一種高光譜圖像監(jiān)督分類方法，主要解決現(xiàn)有方法對(duì)高光譜圖像像素之間的空間信息利用不充足的問題，其分類過程為對(duì)于待分類的高光譜圖像，依據(jù)訓(xùn)練樣本集建立二叉樹模型，得到內(nèi)部節(jié)點(diǎn)索引表；依據(jù)該索引表，依序找出本次待分類的內(nèi)部節(jié)點(diǎn)標(biāo)號(hào)和標(biāo)號(hào)對(duì)應(yīng)的高光譜圖像像素點(diǎn)的位置；逐個(gè)計(jì)算相應(yīng)位置處的每個(gè)像素分別屬于本次內(nèi)部節(jié)點(diǎn)的左、右子節(jié)點(diǎn)的似然概率值，得到高光譜圖像的初始類標(biāo)記；依據(jù)交替優(yōu)化算法，更新初始類標(biāo)記得到最終類標(biāo)記；分別記錄最終類標(biāo)記中的兩個(gè)子節(jié)點(diǎn)包含像素點(diǎn)的位置，存儲(chǔ)到相應(yīng)的子節(jié)點(diǎn)中；依次處理每個(gè)內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)的高光譜圖像數(shù)據(jù)，直至處理完所有內(nèi)部節(jié)點(diǎn)。本發(fā)明可用于遙感圖像分類與識(shí)別。
文檔編號(hào)G06K9/62GK102024153SQ20111000204
公開日2011年4月20日 申請(qǐng)日期2011年1月6日 優(yōu)先權(quán)日2011年1月6日
發(fā)明者于昕, 侯彪, 尚榮華, 張向榮, 焦李成, 王爽, 鄧倩倩, 馬文萍 申請(qǐng)人:西安電子科技大學(xué)