本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及高光譜圖像分類技術(shù)領(lǐng)域中的一種基于光譜和鄰域信息字典學(xué)習(xí)的高光譜圖像分類方法。本發(fā)明可用于對高光譜圖像進(jìn)行地物分類。

背景技術(shù)：
高光譜圖像空域和譜域分辨率的提高，為分類提供了更加豐富信息的同時，也帶來了巨大的挑戰(zhàn)。傳統(tǒng)的分類方法包括最大似然分類法、決策樹分類法、人工神經(jīng)網(wǎng)絡(luò)分類方法、支撐向量機(jī)分類方法都僅僅從光譜域?qū)用鎸Φ匚锾卣鬟M(jìn)行分類。然而，高光譜遙感數(shù)據(jù)不僅包含豐富的地物光譜信息，而且在圖像空間維、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(dá)。傳統(tǒng)的高光譜圖像分類方法，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，從而使分類精度受到一定的限制。西安電子科技大學(xué)在其專利申請“基于均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法”（專利申請?zhí)枺?01310161280.X，公開號：CN103208011A）中提出了一種基于均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法。該方法的具體步驟是：首先，使用均值漂移算法mean-shift對高光譜圖像作過分割，根據(jù)分割結(jié)果對高光譜樣本進(jìn)行分組；其次，利用組稀疏編碼對分組后的高光譜樣本進(jìn)行稀疏編碼；最后，利用支撐向量機(jī)和構(gòu)造的樣本集對高光譜樣本進(jìn)行分類。該方法雖然能夠很好的利用高光譜圖像的空域上下文信息，但是仍然存在的不足是，mean-shift分割方法易產(chǎn)生過分割問題，在邊緣地區(qū)的分類效果不是很好。西安電子科技大學(xué)在其專利申請“基于局部協(xié)同表示和鄰域信息約束的高光譜圖像分類方法”（專利申請?zhí)枺?01310025247.4，公開號：CN103065160A）中提出了一種基于局部協(xié)同表示和鄰域信息約束的高光譜圖像分類方法。該方法的具體步驟是：首先，利用高光譜圖像的鄰域相似性來約束測試樣本和訓(xùn)練樣本之間的線性相關(guān)性，求解測試樣本通過字典協(xié)同表示的系數(shù)；然后，結(jié)合該系數(shù)的能量大小，選擇N個貢獻(xiàn)程度最大的原子構(gòu)成新的字典，利用新的字典對測試樣本進(jìn)行第二次協(xié)同表示。通過計算測試樣本和第二次協(xié)同表示重構(gòu)各部分之間的殘差，得到最后的分類結(jié)果。該方法雖然能夠快速地對高光譜圖像進(jìn)行分類，但是仍然存在的不足是，通過比較歐式距離獲取鄰域樣本集矩陣，不能很好的獲取樣本的鄰域信息，導(dǎo)致在同質(zhì)區(qū)域的分類效果不好。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于光譜和鄰域信息字典學(xué)習(xí)的高光譜圖像分類方法，本發(fā)明可以充分利用高光譜圖像中地物的光譜信息和鄰域信息，在邊緣和同質(zhì)區(qū)域都能達(dá)到理想的分類效果。為實現(xiàn)上述目的，本發(fā)明的具體步驟如下：(1)輸入高光譜圖像。輸入待分類的高光譜圖像，將輸入的高光譜圖像中的每一個像素點設(shè)定為一個樣本。(2)獲得樣本集。(2a)對高光譜圖像所有樣本的坐標(biāo)位置，采用坐標(biāo)變換方法，得到高光譜圖像光譜域的樣本集。(2b)設(shè)定一個7×7大小的高光譜圖像光譜域樣本窗口，對高光譜圖像光譜域的樣本集進(jìn)行均值濾波，得到高光譜圖像鄰域的樣本集。(3)確定訓(xùn)練樣本集與測試樣本集。(3a)采用等概率采樣的方法，在高光譜圖像光譜域的樣本集中，依次隨機(jī)選取10%的樣本，作為高光譜圖像光譜域的訓(xùn)練樣本集，并記錄高光譜圖像光譜域訓(xùn)練樣本集的坐標(biāo)位置；將剩余90%的樣本，作為高光譜圖像光譜域的測試樣本集。(3b)在高光譜圖像的鄰域樣本集中，選取與高光譜圖像光譜域訓(xùn)練樣本集的坐標(biāo)位置對應(yīng)的樣本，作為高光譜圖像鄰域的訓(xùn)練樣本集，將剩余90%的樣本作為高光譜圖像鄰域的測試樣本集。(4)字典學(xué)習(xí)。(4a)對高光譜圖像光譜域訓(xùn)練樣本集，采用字典學(xué)習(xí)方法，得到高光譜圖像光譜域訓(xùn)練樣本集的稀疏編碼系數(shù)和字典。(4b)對高光譜圖像鄰域訓(xùn)練樣本集，采用字典學(xué)習(xí)方法，得到高光譜圖像鄰域訓(xùn)練樣本集的稀疏編碼系數(shù)和字典。(5)求測試樣本集稀疏系數(shù)。(5a)對高光譜圖像光譜域測試樣本集，采用稀疏編碼系數(shù)更新公式，得到高光譜圖像光譜域測試樣本集的稀疏系數(shù)。(5b)對高光譜圖像鄰域訓(xùn)練樣本集，采用稀疏編碼系數(shù)更新公式，得到高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)。(6)加權(quán)稀疏系數(shù)：(6a)對高光譜圖像光譜域訓(xùn)練樣本集與高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)，采用加權(quán)公式，計算高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)。(6a)對高光譜圖像光譜域測試樣本集與高光譜圖像鄰域測試樣本集的稀疏系數(shù)，采用加權(quán)公式，計算高光譜圖像光譜域測試樣本集的稀疏系數(shù)。(7)高光譜圖像分類：利用線性支撐向量機(jī)分類器，對高光譜圖像光譜域測試樣本集的稀疏系數(shù)進(jìn)行分類，得到分類的高光譜圖像。(8)輸出分類圖像。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點：克服了傳統(tǒng)高光譜圖像分類方法只利用高光譜圖像的光譜信息，忽略了高光譜圖像的鄰域信息的問題。本方法充分利用了高光譜圖像提供的光譜和鄰域信息，實現(xiàn)了對高光譜圖像的精細(xì)分類。(1)本發(fā)明采用結(jié)合高光譜圖像的光譜信息和鄰域信息的分類方法，克服了現(xiàn)有技術(shù)只利用高光譜圖像的光譜信息，對高光譜圖像分類會導(dǎo)致邊緣部分錯分的缺點，使得本發(fā)明具有在邊緣部分分類更加精確的優(yōu)點。(2)本發(fā)明采用均值濾波獲取高光譜圖像的鄰域信息，克服了現(xiàn)有技術(shù)中不能有效利用高光譜圖像鄰域信息的缺點，使得本發(fā)明具有在同質(zhì)區(qū)域分類效果更好的優(yōu)點。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明與現(xiàn)有技術(shù)對印第安松樹IndianPines高光譜圖像的分類結(jié)果對比圖。具體實施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述。參照附圖1，本發(fā)明的實現(xiàn)步驟如下：步驟1,輸入高光譜圖像。輸入待分類的高光譜圖像，將輸入的高光譜圖像中的每一個像素點設(shè)定為一個樣本。步驟2,獲得樣本集。首先，采用坐標(biāo)變換方法，對高光譜圖像進(jìn)行處理，將高光譜圖像每一維的樣本排成一個行向量，組成一個二維矩陣，得到高光譜圖像光譜域的樣本集。其次，設(shè)定一個7×7大小的高光譜圖像光譜域樣本窗口，對高光譜圖像光譜域的樣本集進(jìn)行均值濾波，得到高光譜圖像鄰域的樣本集。步驟3,確定訓(xùn)練樣本集與測試樣本集。首先，采用等概率采樣的方法，在高光譜圖像光譜域的樣本集中，依次隨機(jī)選取10%的樣本，作為高光譜圖像光譜域的訓(xùn)練樣本集，并記錄高光譜圖像光譜域訓(xùn)練樣本集的坐標(biāo)位置；將剩余90%的樣本，作為高光譜圖像光譜域的測試樣本集。其次，在高光譜圖像的鄰域樣本集中，選取與高光譜圖像光譜域訓(xùn)練樣本集的坐標(biāo)位置對應(yīng)的樣本，作為高光譜圖像鄰域的訓(xùn)練樣本集，將剩余90%的樣本作為高光譜圖像鄰域的測試樣本集。步驟4,字典學(xué)習(xí)。首先，采用字典學(xué)習(xí)方法，得到高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)和字典，字典學(xué)習(xí)方法的具體步驟如下：第一步，初始化一個大小為200×256的實數(shù)矩陣作為字典。第二步，按照下式，計算高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)：其中，表示更新得到的高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)，argmin表示最小值操作，X表示高光譜圖像光譜域的訓(xùn)練樣本集，D表示字典，Y1表示高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)，表示求Frobenius范數(shù)的平方和操作，γ表示正則化參數(shù)，Σ表示求和操作，N表示高光譜圖像光譜域訓(xùn)練樣本集的總列數(shù)，s表示高光譜圖像光譜域訓(xùn)練樣本集稀疏系數(shù)的列數(shù)，||·||1表示取1范數(shù)操作，Ys表示稀疏系數(shù)矩陣Y1的第s列。第三步，按照下式，計算高光譜圖像光譜域訓(xùn)練樣本集的字典：其中，更新得到的高光譜圖像光譜域訓(xùn)練樣本集的字典，argmin表示最小值操作，X表示高光譜圖像光譜域的訓(xùn)練樣本集，D表示第字典，表示更新得到的高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)，表示求Frobenius范數(shù)的平方和操作，s.t.表示約束操作，||·||2表示取2范數(shù)操作，i表示高光譜圖像光譜域訓(xùn)練樣本集字典矩陣D的列數(shù)，Di表示字典矩陣D的第i列原子，表示取任意的i操作，i的取值范圍為：{1,...,k}，k表示字典矩陣D的總列數(shù)。第四步，重復(fù)執(zhí)行第一步和第二步10次，得到高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)和字典。其次，采用字典學(xué)習(xí)方法，得到高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)和字典，字典學(xué)習(xí)方法的具體步驟如下：第一步，初始化一個大小為200×256的實數(shù)矩陣作為字典。第二步，按照下式，計算高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)：其中，表示更新得到的高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)，argmin表示最小值操作，C表示高光譜圖像鄰域的訓(xùn)練樣本集，D'表示初始化的字典，Y2表示高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)，表示求Frobenius范數(shù)的平方和操作，γ表示正則化參數(shù)，Σ表示求和操作，M表示高光譜圖像鄰域訓(xùn)練樣本集的總列數(shù)，p表示高光譜圖像鄰域訓(xùn)練樣本集稀疏系數(shù)的列數(shù)，||·||1表示取1范數(shù)操作，Yp表示稀疏系數(shù)矩陣Y2的第p列。第三步，按照下式，計算高光譜圖像鄰域訓(xùn)練樣本集的字典：其中，表示更新得到的高光譜圖像鄰域訓(xùn)練樣本集的字典，argmin表示最小值操作，C表示高光譜圖像鄰域的訓(xùn)練樣本集，D'表示初始化的字典，表示更新得到的高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)，表示求Frobenius范數(shù)的平方和操作，s.t.表示約束操作，||·||2表示取2范數(shù)操作，i表示高光譜圖像鄰域訓(xùn)練樣本集字典矩陣D'的列數(shù)，表示字典矩陣D'的第j列原子，表示取任意的j操作，j的取值范圍為：{1,...,l}，l表示字典矩陣D'的總列數(shù)。第四步，重復(fù)執(zhí)行第一步和第二步10次，得到高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)和字典。步驟5,求測試樣本集稀疏系數(shù)。首先，采用稀疏編碼系數(shù)更新公式，計算高光譜圖像光譜域測試樣本集的稀疏系數(shù)如下：其中，表示更新得到的高光譜圖像光譜域測試樣本集的稀疏系數(shù)，argmin表示最小值操作，X'表示高光譜圖像光譜域的測試樣本集，表示字典更新得到的高光譜圖像光譜域訓(xùn)練樣本集的字典，表示高光譜圖像光譜域測試樣本集的稀疏系數(shù)，表示求Frobenius范數(shù)的平方和操作，γ表示正則化參數(shù)，Σ表示求和操作，A表示高光譜圖像光譜域測試樣本集的總列數(shù)，a表示高光譜圖像光譜域測試樣本集稀疏系數(shù)的列數(shù)，||·||1表示取1范數(shù)操作，表示稀疏系數(shù)矩陣的第a列。其次，采用稀疏編碼系數(shù)更新公式，計算高光譜圖像鄰域測試樣本集的稀疏系數(shù)如下：其中，表示更新得到的高光譜圖像鄰域測試樣本集的稀疏系數(shù)，argmin表示最小值操作，C'表示高光譜圖像鄰域的測試樣本集，表示字典更新得到的高光譜圖像鄰域訓(xùn)練樣本集的字典，表示高光譜圖像鄰域測試樣本集的稀疏系數(shù)，表示求Frobenius范數(shù)的平方和操作，γ表示正則化參數(shù)，Σ表示求和操作，B表示高光譜圖像鄰域測試樣本集的總列數(shù)，b表示高光譜圖像鄰域測試樣本集稀疏系數(shù)的列數(shù)，||·||1表示取1范數(shù)操作，表示稀疏系數(shù)矩陣的第b列。步驟6，加權(quán)稀疏系數(shù)。首先，對高光譜圖像光譜域訓(xùn)練樣本集與高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)，采用加權(quán)公式，計算高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)：其中，Y表示高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)，u表示權(quán)重系數(shù)，u的取值范圍為：[0.1,1]，表示高光譜圖像光譜域訓(xùn)練樣本集的稀疏系數(shù)，表示高光譜圖像鄰域訓(xùn)練樣本集的稀疏系數(shù)。其次，對高光譜圖像光譜域測試樣本集與高光譜圖像鄰域測試樣本集的稀疏系數(shù)，采用加權(quán)公式，計算高光譜圖像光譜域測試樣本集的稀疏系數(shù)：其中，Z表示高光譜圖像光譜域測試樣本集的稀疏系數(shù)，r表示權(quán)重系數(shù)，r的取值范圍為：[0.1,1]，表示高光譜圖像光譜域測試樣本集的稀疏系數(shù)，表示高光譜圖像鄰域測試樣本集的稀疏系數(shù)。步驟7，高光譜圖像分類。利用線性支撐向量機(jī)分類器，對高光譜圖像光譜域測試樣本集的稀疏系數(shù)進(jìn)行分類，得到分類的高光譜圖像。步驟8，輸出分類圖像。下面結(jié)合附圖2的仿真圖對本發(fā)明的效果做進(jìn)一步說明。1.仿真實驗條件：本實驗的硬件測試平臺是：處理器為IntelCore2CPU，主頻為2.33GHz，內(nèi)存2GB，軟件平臺為：WindowsXP操作系統(tǒng)和MatlabR2012a。本發(fā)明的輸入圖像為高光譜圖像印第安松樹IndianPines，圖像大小為145×145×220，圖像共包含220個波段和16類地物，圖像格式為TIF。2.仿真內(nèi)容：本發(fā)明用到的三個現(xiàn)有技術(shù)對比分類方法分別如下：Melgani等人在“Classificationofhyperspectralremotesensingimageswithsupportvectormachines,IEEETrans.Geosci.RemoteSens.,vol.42,no.8,pp.1778–1790,Aug.2004”中提出的高光譜圖像分類方法，簡稱支撐向量機(jī)SVM分類方法。Charles等人在“Learningsparsecodesforhyperspectralimagery,”IEEEJ.Sel.TopicsSignalProcess.,vol.5,no.5,pp.963–978,2011”中提出的高光譜圖像分類方法，簡稱光譜字典學(xué)習(xí)SDL分類方法。Chen等人在“Hyperspectralimageclassificationusingdictionary-basedsparserepresentation,”IEEETrans.Geosci.RemoteSens.,vol.49,no.10,pp.3973–3985,oct2011”中提出的高光譜圖像分類方法，簡稱同時正交匹配追蹤SOMP方法。在仿真實驗中，采用以下三個現(xiàn)有指標(biāo)來評價本發(fā)明方法的性能：第一個評價指標(biāo)是總精度(OA)，表示正確分類的樣本占所有樣本的比例，值越大，說明分類效果越好。第二個評價指標(biāo)是平均精度(AA)，表示每一類分類精度的平均值，值越大，說明分類效果越好。第三個評價指標(biāo)是卡方系數(shù)(Kappa)，表示混淆矩陣中不同的權(quán)值，值越大，說明分類效果越好。圖2為仿真實驗中本發(fā)明與現(xiàn)有技術(shù)對高光譜圖像印第安松樹IndianPines的分類結(jié)果對比圖。其中，圖2(a)為輸入的高光譜圖像印第安松樹IndianPines的真實地物分布圖，其大小為145×145，圖2(b)為采用支撐向量機(jī)SVM方法對高光譜圖像印第安松樹IndianPines進(jìn)行分類的結(jié)果圖，圖2(c)為采用光譜字典學(xué)習(xí)SDL方法對高光譜圖像印第安松樹IndianPines進(jìn)行分類的結(jié)果圖，圖2(d)為采用同時正交匹配追蹤算法SOMP對高光譜圖像印第安松樹IndianPines進(jìn)行分類的結(jié)果圖，圖2(e)為本發(fā)明方法對高光譜圖像印第安松樹IndianPines進(jìn)行分類的結(jié)果圖。3.仿真結(jié)果分析：表1為從客觀評價指標(biāo)上對附圖2中各方法的分類結(jié)果進(jìn)行評價。表1.附圖2中各方法分類結(jié)果的定量分析結(jié)合表1和附圖2可以看出，支撐向量機(jī)SVM和光譜字典學(xué)習(xí)SDL方法的分類結(jié)果比較差，主要因為這兩種方法都只利用了高光譜圖像的光譜信息，忽略了鄰域信息，使得分類結(jié)果在邊緣和同質(zhì)區(qū)域都很差；同時正交匹配追蹤SOMP方法的分類結(jié)果有很大改善，錯分率有所下降，但是同時正交匹配追蹤SOMP方法只是利用了空域的四個近鄰信息，不能充分挖掘圖像的鄰域信息，所以依然存在圖像邊緣和同質(zhì)區(qū)域錯分的現(xiàn)象；本發(fā)明在視覺和定量分析方面均優(yōu)于前三種現(xiàn)有技術(shù)分類方法，在邊緣和同質(zhì)區(qū)域都能達(dá)到理想的分類效果。以上仿真實驗表明：本發(fā)明方法能夠充分利用高光譜圖像的光譜域和鄰域信息，在圖像邊緣和同質(zhì)區(qū)域都能取得很好的分類結(jié)果，能夠解決現(xiàn)有技術(shù)方法中存在的忽略高光譜圖像的鄰域信息、分類精度低等問題，是一種非常實用的高光譜圖像分類方法。