一種空譜一體化的高光譜遙感圖像分類方法
【專利摘要】本發(fā)明公開了一種空譜一體化的高光譜遙感圖像分類方法。常規(guī)的高光譜圖像分類技術(shù)主要關(guān)注于如何更好地利用光譜空間的分類信息，往往忽視圖像空間域信息。本發(fā)明在利用數(shù)據(jù)進行自身光譜特征分類的同時采用區(qū)域生長法和二值形態(tài)學法相結(jié)合的空間域有效信息對光譜分類結(jié)果進行補充。本發(fā)明首先采用基于支持向量機的分類方法對數(shù)據(jù)進行譜域分類。之后采用區(qū)域生長法和二值形態(tài)學法引入空間域有效信息對光譜分類結(jié)果進行修正。本發(fā)明更加充分地利用了高光譜數(shù)據(jù)包含的信息，提高了高光譜圖像分類精度。
【專利說明】一種空譜一體化的高光譜遙感圖像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于信息【技術(shù)領(lǐng)域】，涉及到模式識別、圖像處理技術(shù)，具體是一種空譜一體化的高光譜遙感圖像分類方法。
【背景技術(shù)】
[0002]隨著對地觀測技術(shù)的發(fā)展，光譜遙感技術(shù)成為人們獲取地表信息的重要手段。高光譜遙感作為一種新型的遙感方式，在軍用和民用領(lǐng)域都發(fā)揮著極其重要的作用。高光譜圖像分類是高光譜信息處理的重要方向，其中高精度的分類算法是實現(xiàn)各種應(yīng)用的一個重要前提。
[0003]高光譜圖像以其高分辨率、多波段數(shù)、大數(shù)據(jù)量的特點給傳統(tǒng)圖像分類技術(shù)帶來了巨大的挑戰(zhàn)。傳統(tǒng)的分類方法不管是最大似然分類法、決策樹分類法還是人工神經(jīng)網(wǎng)絡(luò)方法、支持向量機方法都僅僅從光譜域?qū)用鎸Φ匚锾卣鬟M行分類識別。但是高光譜遙感數(shù)據(jù)不僅包含有豐富的地物光譜信息，其在圖像空間維、光譜維兩個不同的維度都會對地物特征有具體的描述和表達。傳統(tǒng)的高光譜分類方法，往往只著重于數(shù)據(jù)光譜維上的特性，而忽視了空間維的信息。作為光譜維分析的補充，通過對圖像空間維的分析，可以獲得大量隱含的、豐富的對地物識別與處理有用的信息。
[0004]空譜一體化的技術(shù)就是將空間信息引入到高光譜分類中，在光譜域分類結(jié)果的基礎(chǔ)上，對圖像像素鄰域進行決策，以期對分類結(jié)果進行修正。本發(fā)明采用了通過區(qū)域生長法、二值形態(tài)學法兩種策略對譜域分類結(jié)果進行修正，仿真實驗證明了本發(fā)明能夠提高地物分類的精度。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的就是針對現(xiàn)有技術(shù)的不足，提供了一種高光譜空譜一體化圖像分類方法。該方法彌補了傳統(tǒng)模式分類方法在高光譜分類問題上忽視了空間維的信息的不足。為了對譜域分類的結(jié)果進行優(yōu)化，本發(fā)明引入空間域信息，可用區(qū)域生長法或二值形態(tài)學法來現(xiàn)。
[0006]本發(fā)明方法包括以下步驟:
O高光譜譜域分類。
[0007]首先對數(shù)據(jù)做歸一化處理，并依據(jù)先驗知識，在每個地物類別區(qū)域內(nèi)，隨機的選取一定比例的訓練樣本構(gòu)成訓練樣本集；然后進行分類器的訓練，采用的分類器為支持向量機；最后用訓練好的分類器進行數(shù)據(jù)的測試，即能得到譜域分類的結(jié)果。
[0008]2)目標邊緣檢測。
[0009]在進行譜域分類結(jié)果優(yōu)化前，我們先要得到目標的邊緣信息。
[0010]目標邊緣檢測具體實現(xiàn)步驟如下:
第一步:選擇2個清晰波段的圖像。
[0011]第二步:用Canny算子對第一個波段進行邊緣檢測。首先對圖像/(U)采用高斯濾波函數(shù)進行濾波操作；然后，對梯度幅值進行非極大值抑制，確定候選邊緣點，其具體做法為尋找圖像梯度中的局部極大值點，并且設(shè)置非局部極大值點為零，從而使得圖像邊緣得到細化；最后，采用雙閾值處理，首先設(shè)定高閾值η和低閾值:T11 ( 一般取T1 = CWr2 )，然后掃描圖像。若圖像中的點(i，J)的梯度幅值大于高閾值，則該點為邊緣點。
若圖像中的點hi)的梯度幅值小于低閾值，則該點為一定不為邊緣點。若點&J)的梯度幅值在兩閾值之間，則要視其鄰接像素中是否有邊緣點，若有則將其劃歸為邊緣點。
[0012]第三步:用LoG算子對第二個波段進行邊緣檢測。首先對圖像采用高斯濾波函數(shù)進行濾波操作，然后采用Laplacian算子依據(jù)二階導(dǎo)數(shù)過零點來檢測邊緣。所述LoG算子即高斯型的Laplacian算子,卷積模板形式為:
【權(quán)利要求】
1.一種空譜一體化的高光譜遙感圖像分類方法，其特征在于該方法包括以下步驟: I)高光譜譜域分類； 首先對數(shù)據(jù)做歸一化處理，并依據(jù)先驗知識，在每個地物類別區(qū)域內(nèi)，隨機的選取一定比例的訓練樣本構(gòu)成訓練樣本集；然后進行分類器的訓練，采用的分類器為支持向量機；最后用訓練好的分類器進行數(shù)據(jù)的測試，即能得到譜域分類的結(jié)果； 目標邊緣檢測； 在進行譜域分類結(jié)果優(yōu)化前，先要得到目標的邊緣信息，目標邊緣檢測具體實現(xiàn)步驟如下: 第一步:選擇兩個清晰波段的灰度圖像； 第二步:用Canny算子對第一個波段進行邊緣檢測； 首先對圖像/(AZ)采用高斯濾波函數(shù)進行濾波操作； 然后，對梯度幅值進行非極大值抑制，確定候選`邊緣點，其具體做法為尋找圖像梯度中的局部極大值點，并且設(shè)置非局部極大值點為零，從而使得圖像邊緣得到細化； 最后，采用雙閾值處理，設(shè)定高閾值T1和低閾值％，取T1 = CWr2 ,掃描圖像；若圖像中的點&J)的梯度幅值大于高閾值，則該點為邊緣點；若圖像中的點(XJ)的梯度幅值小于低閾值，則該點為一定不為邊緣點；若點(U)的梯度幅值在兩閾值之間，則要視其鄰接像素中是否有邊緣點，若有，則將其劃歸為邊緣點； 第三步:用LoG算子對第二個波段進行邊緣檢測；首先對圖像采用高斯濾波函數(shù)進行濾波操作，然后采用Laplacian算子依據(jù)二階導(dǎo)數(shù)過零點來檢測邊緣；所述LoG算子即高斯型的Laplacian算子,卷積模板形式為:
【文檔編號】G06K9/62GK103473557SQ201310393099
【公開日】2013年12月25日 申請日期:2013年9月2日 優(yōu)先權(quán)日:2013年9月2日
【發(fā)明者】郭寶峰, 高曉健, 陳春種, 彭冬亮, 左燕, 谷雨 申請人:杭州電子科技大學