本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及機(jī)器學(xué)習(xí)和高光譜圖像處理，具體是一種基于局部和非局部多特征語義高光譜圖像分類方法，用于對高光譜圖像中的不同地物進(jìn)行分類識別。
背景技術(shù)：
：高光譜遙感技術(shù)在過去的幾十年中逐漸成為了地球觀測領(lǐng)域的研究熱點(diǎn)。高光譜遙感技術(shù)利用成像光譜儀以納米級的光譜分辨率，以幾十或幾百個(gè)波段同時(shí)對地表物成像，能夠獲得地物的連續(xù)光譜信息，實(shí)現(xiàn)地物空間信息、輻射信息、光譜信息的同步獲取，具有“圖譜合一”的特性。由于不同的地物有著不同的反射波信息，高光譜圖像中光譜的高分辨率就為分辨不同地物或目標(biāo)提供了極其重要的判別信息。高光譜圖像的地物分類在地質(zhì)調(diào)查、農(nóng)作物災(zāi)害監(jiān)測、大氣污染和軍事目標(biāo)打擊等領(lǐng)域均有良好應(yīng)用前景。高光譜遙感圖像分類就是將高光譜遙感圖像中的每個(gè)像元?jiǎng)潥w到各個(gè)類別中的過程。由于高光譜遙感技術(shù)獲取的圖像包含了豐富的空間、輻射和光譜三重信息，為分類任務(wù)提供了大量的判別信息，但仍存在巨大的挑戰(zhàn)和困難。首先，數(shù)據(jù)量大，至少幾十個(gè)波段，導(dǎo)致計(jì)算復(fù)雜度很高，也給數(shù)據(jù)的存儲、傳遞和顯示帶來了挑戰(zhàn)；其次，維數(shù)過高，存在冗余數(shù)據(jù)及其部分噪聲，會降低分類精度；最后，波段多，且波段間相關(guān)性高，導(dǎo)致所需訓(xùn)練樣本數(shù)目增多，如果訓(xùn)練樣本不足，則會出現(xiàn)機(jī)器學(xué)習(xí)中常見的欠擬合等問題，導(dǎo)致隨后的分類精度嚴(yán)重下降。傳統(tǒng)高光譜分類方法中，基于光譜信息的支持矢量機(jī)等分類方法可以一定程度的解決上述困難，但是其分類精度較低，分類結(jié)果圖的空間一致性較差，無法滿足應(yīng)用需求。近年來，在特征層面，研究者提出了大量基于多特征信息的分類方法，在分類精度上有了一定的提升，這些方法在結(jié)合多特征信息時(shí)，主要有兩種方式：第一個(gè)是特征級融合，直接將多個(gè)特征向量進(jìn)行串聯(lián)后作為分類器的輸入；第二個(gè)是決策級融合，將多個(gè)特征向量分別輸入分類器后，對其分類結(jié)果進(jìn)行融合。多特征信息在這兩種融合方式的過程中都存在一定的信息損失，導(dǎo)致多特征信息沒有全部被有效地利用。在模型層面，由于高光譜圖像中空間信息的重要性，大量加入空間約束的分類方法被提出，如聯(lián)合稀疏表示模型，基于融合核的支持矢量機(jī)，馬爾可夫場模型等，這些方法利用了高光譜圖像中的局部空間信息，使得分類精度得到了很大的提升。但是，一方面，這些方法在局部空間信息的處理上較為粗糙，大都使用傳統(tǒng)的方形窗口作為像素點(diǎn)的局部領(lǐng)域，影響了分類結(jié)果圖的空間一致性，阻礙了分類精度的進(jìn)一步提升。另一方面，在高光譜圖像中冗余著大量的非局部空間信息，這些方法都未對此類信息進(jìn)行有效地利用，使得分類的精度以及魯棒性的上限較低。因此如何從高維的冗余數(shù)據(jù)中提取出多種有用的特征，合理的將多種特征進(jìn)行結(jié)合，并且有效地利用豐富的空間信息(局部以及非局部)以及少量且珍貴的類別信息，提升高光譜圖像在小樣本情況下的分類結(jié)果的精度、魯棒性以及分類結(jié)果圖的空間一致性是一個(gè)有待解決的技術(shù)難題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明針對現(xiàn)有技術(shù)中存在的分類結(jié)果精度較低、魯棒性較差、分類結(jié)果圖空間一致性較弱的問題，提出了一種合理將多種特征信息進(jìn)行結(jié)合并且能夠有效地利用局部和非局部空間信息以及相關(guān)類別信息的基于局部和非局部多特征語義高光譜圖像分類方法。本發(fā)明是一種基于局部和非局部多特征語義高光譜圖像分類方法，其特征在于，包括有如下步驟：(1)輸入圖像，提取圖像的多種特征：輸入高光譜圖像M是高光譜圖像中所有像素點(diǎn)的總個(gè)數(shù)，hq為一個(gè)列向量，代表像素點(diǎn)q在每個(gè)波段的反射值所構(gòu)成的向量；對高光譜圖像分別提取多種特征，包括有：原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征；該高光譜圖像包含c類像素點(diǎn)，其中有N個(gè)有標(biāo)記像素點(diǎn)，m個(gè)無標(biāo)記像素點(diǎn)，圖像的每個(gè)像素點(diǎn)為一個(gè)樣本，每個(gè)樣本由V個(gè)特征向量構(gòu)成，分別代表該樣本在不同特征描述子下的表述，V是特征類別的個(gè)數(shù)；(2)高光譜圖像數(shù)據(jù)集分為訓(xùn)練集和測試集：用N個(gè)有標(biāo)記像素點(diǎn)作為訓(xùn)練樣本構(gòu)成訓(xùn)練集其對應(yīng)的類別標(biāo)記集為用m個(gè)無標(biāo)記像素點(diǎn)作為測試樣本構(gòu)成測試集其中，xi表示訓(xùn)練集的第i個(gè)樣本，yj表示測試集的第j個(gè)樣本，li是第i個(gè)訓(xùn)練樣本所屬的類別標(biāo)號，Dv表示第v類特征的維數(shù)，R表示實(shí)數(shù)域；(3)利用概率支持矢量機(jī)(SVM)將所有樣本的多種特征映射成相應(yīng)的語義表示：分別利用訓(xùn)練集中所有樣本的V個(gè)特征向量以及其對應(yīng)的類別標(biāo)記集構(gòu)建V個(gè)概率支撐矢量機(jī)分類器，該分類器的核函數(shù)為徑向高斯核，核參數(shù)以及懲罰參數(shù)由多倍交叉驗(yàn)證得到；將測試集中所有樣本的V個(gè)特征向量分別輸入到構(gòu)建的V個(gè)對應(yīng)分類器中，得到在不同特征描述子表述下，每個(gè)測試樣本yj,j＝1,2,…,m屬于每個(gè)類別的概率，作為每個(gè)測試樣本的語義表示對于訓(xùn)練集中的每個(gè)樣本xi,i＝1,2,…,N，它屬于本身類別li的概率為1，而屬于其他類別的概率為0，得到多種特征對應(yīng)的多種語義表示其中的第li行為1，其它行為0；從而得到該高光譜圖像中所有樣本的多種語義表示(4)構(gòu)造測試集中所有樣本的局部以及非局部近鄰集合；對于測試集中的每個(gè)樣本yj,j＝1,2,…,m，構(gòu)造其局部自適應(yīng)近鄰集合Bj和非局部相似結(jié)構(gòu)近鄰集合Cj；(5)構(gòu)建降噪馬爾可夫場模型，進(jìn)行測試樣本的多種語義表示融合以及語義表示的降噪處理；對每個(gè)測試樣本yj,j＝1,2,…,m分別進(jìn)行如下操作，將yj所對應(yīng)的語義表示局部自適應(yīng)近鄰集合Bj中所有樣本的語義表示和非局部相似結(jié)構(gòu)近鄰集合Cj中所有樣本的語義表示均輸入到局部能量函數(shù)中，最小化該能量函數(shù)，得到測試樣本yj的一階降噪語義表示與此同時(shí)保持訓(xùn)練集中樣本的語義表示不變，得到該高光譜圖像所有樣本的一階降噪語義表示(6)對高光譜圖像所有樣本的一階降噪語義表示進(jìn)一步迭代優(yōu)化；設(shè)定最大迭代次數(shù)Tmax，t為當(dāng)前迭代代數(shù)，對每個(gè)測試樣本進(jìn)行如下操作：將測試樣本yj，以及集合Bj和集合Cj中所有樣本的第t階降噪語義表示作為降噪馬爾可夫場局部能量函數(shù)的輸入，最小化該能量函數(shù)，得到測試樣本yj的第(t+1)階語義表示與此同時(shí)繼續(xù)保持訓(xùn)練集中樣本的語義表示不變，進(jìn)而得到該高光譜圖像所有樣本的第(t+1)階降噪語義表示重復(fù)迭代過程，直到t＝Tmax-1停止，得到該高光譜圖像所有樣本的第Tmax階降噪語義表示，也就是最終的語義表示(7)利用最終的語義表示求得測試集中所有樣本的類別；對于測試集中的每個(gè)樣本yj,j＝1,2,…,m，其最終的語義表示為即測試樣本yj屬于每個(gè)類別的概率所組成的列向量，選擇該向量中最大值元素所在位置的標(biāo)號作為yj的類別從而得到測試集類別預(yù)測集合完成該高光譜圖像的分類任務(wù)。本發(fā)明基于高光譜圖像不同特征空間中的多個(gè)特征，通過弱分類器映射到相同的語義空間，而后利用馬爾可夫場模型進(jìn)行語義融合、降噪，得到含有多種信息以及少量噪聲的語義表示，在此基礎(chǔ)上對高光譜圖像中的不同地物進(jìn)行分類識別。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：1、本發(fā)明由于充分挖掘了像元之間的相互關(guān)系，找到了每個(gè)像元的局部自適應(yīng)近鄰，以及非局部相似結(jié)構(gòu)近鄰，與此同時(shí)，少量有標(biāo)記樣本的類別信息也會隨之而傳播到其局部以及非局部近鄰中，使得高光譜圖像在少量有標(biāo)記樣本的情況下仍然可以取得很高的分類精度。2、本發(fā)明由于對馬爾可夫場模型進(jìn)行了多特征方向和非局部方向的改進(jìn)，并且用語義向量間的測地距離正則項(xiàng)代替了傳統(tǒng)的離散的類別異同正則項(xiàng)，使得馬爾可夫場模型更加的適合于處理高光譜圖像分類問題，解決了傳統(tǒng)馬爾可夫模型導(dǎo)致的過平滑等問題，提高了分類結(jié)果圖的空間一致性。3、本發(fā)明中提出的降噪馬爾可夫場模型，可以通過簡單的梯度下降法進(jìn)行求解，計(jì)算復(fù)雜度低于傳統(tǒng)馬爾可夫場模型所用的圖切類算法，并且在求優(yōu)迭代過程中可以很好的避免陷入局部最優(yōu)解，提高了模型的魯棒性，從而提升分類結(jié)果的魯棒性。對比實(shí)驗(yàn)表明，本發(fā)明顯著提高了高光譜遙感圖像的分類準(zhǔn)確率和魯棒性，并使得分類結(jié)果圖具有很好的空間一致性。附圖說明圖1是本發(fā)明的流程示意圖；圖2是本發(fā)明仿真采用的IndianPine數(shù)據(jù)集，其中，圖2a為IndianPine數(shù)據(jù)集通過主成分分析(PCA)獲取的一維灰度圖像，圖2b為IndianPine數(shù)據(jù)集真實(shí)地物類別標(biāo)號圖，每個(gè)顏色對應(yīng)一種不同的地物類型；圖3是本發(fā)明與現(xiàn)有方法在IndianPine數(shù)據(jù)集上的分類結(jié)果圖的對比，其中，圖3a-3f分別對應(yīng)著基于三種現(xiàn)有分類方法：融合核的支持矢量機(jī)(SVM+CK)，支持矢量機(jī)結(jié)合馬爾可夫場(SVM+MRF)，聯(lián)合稀疏表示(SOMP)；以及兩種本發(fā)明方法的簡化版，和本發(fā)明提出的方法得到的IndianPine數(shù)據(jù)集的分類結(jié)果圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明詳細(xì)說明。實(shí)施例1：對于高光譜圖像的地物分類問題，目前現(xiàn)有的方法大都存在著分類精度不夠理想，分類結(jié)果魯棒性較差，分類結(jié)果圖的空間一致性較弱的問題，本發(fā)明結(jié)合多種特征在語義空間的融合技術(shù)以及局部、非局部空間約束方法，主要針對現(xiàn)有方法存在的多種問題提出了一種基于局部和非局部多特征語義高光譜圖像分類方法。本發(fā)明是一種基于局部和非局部多特征語義高光譜圖像分類方法，參見圖1，包括有如下步驟：(1)輸入圖像，提取圖像的多種特征。常用的高光譜圖像數(shù)據(jù)包括由美國宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見光/紅外成像光譜儀AVIRIS獲得的IndianPine數(shù)據(jù)集和Salinas數(shù)據(jù)集，以及NASA的ROSIS光譜儀獲得的UniversityofPavia數(shù)據(jù)集等。輸入高光譜圖像M是高光譜圖像中所有像素點(diǎn)的總個(gè)數(shù)，hq為一個(gè)列向量，代表像素點(diǎn)q每個(gè)波段的反射值，也就是該像素點(diǎn)的原始光譜特征；對高光譜圖像分別提取多種特征，包括有：原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征(DMP)，這三種特征分別反應(yīng)了高光譜圖像所具有的光譜、紋理、形狀信息。該高光譜圖像包含c類像素點(diǎn)，其中有N個(gè)有標(biāo)記像素點(diǎn)，m個(gè)無標(biāo)記像素點(diǎn)，圖像的每個(gè)像素點(diǎn)為一個(gè)樣本，每個(gè)樣本由V個(gè)特征向量構(gòu)成，分別代表該樣本在不同特征描述子下的表述，V是特征類別的個(gè)數(shù)。本實(shí)施例中所使用的特征類別數(shù)量為3，故這里及其之后所述的特征類別的個(gè)數(shù)V在不加說明的情況下都應(yīng)等于3。本實(shí)施例中所提及的N個(gè)有標(biāo)記像素點(diǎn)是從高光譜圖像的每一類像素點(diǎn)中等比例選出的像素點(diǎn)，m個(gè)剩余所有像素點(diǎn)作為無標(biāo)記像素點(diǎn)。(2)高光譜圖像數(shù)據(jù)集分為訓(xùn)練集和測試集，用N個(gè)有標(biāo)記像素點(diǎn)作為訓(xùn)練樣本構(gòu)成訓(xùn)練集其對應(yīng)的類別標(biāo)記集為用m個(gè)無標(biāo)記像素點(diǎn)作為測試樣本構(gòu)成測試集其中，xi表示有標(biāo)記訓(xùn)練集的第i個(gè)有標(biāo)記訓(xùn)練樣本，yj表示測試集的第j個(gè)無標(biāo)記測試樣本。高光譜圖像中的每個(gè)樣本都用V個(gè)列向量表示，每個(gè)列向量代表一個(gè)特征，li是第i個(gè)有標(biāo)記訓(xùn)練樣本所屬的類別標(biāo)號，Dv表示樣本第v類特征所對應(yīng)的維數(shù)，R表示實(shí)數(shù)域。對應(yīng)于步驟(1)中N為有標(biāo)記像素點(diǎn)個(gè)數(shù)，m為無標(biāo)記像素點(diǎn)個(gè)數(shù)，在此，N是有標(biāo)記訓(xùn)練樣本總個(gè)數(shù)，m是測試樣本總個(gè)數(shù)。(3)利用概率支持矢量機(jī)(SVM)將所有樣本的多種特征映射到相應(yīng)的語義空間，具體為映射成相應(yīng)的語義表示。分別利用訓(xùn)練集中所有樣本的V個(gè)特征向量以及其對應(yīng)的類別標(biāo)記集構(gòu)建V個(gè)分類器即概率支撐矢量機(jī)(SVM)，該概率支撐矢量機(jī)(SVM)的核函數(shù)為徑向高斯核，核參數(shù)以及懲罰參數(shù)由多倍交叉驗(yàn)證得到。將測試集中所有樣本的V個(gè)特征向量分別輸入到構(gòu)建的V個(gè)對應(yīng)的概率支撐矢量機(jī)(SVM)分類器中，得到在不同特征描述子表述下，每個(gè)測試樣本yj,j＝1,2,…,m屬于每個(gè)類別的概率，作為每個(gè)測試樣本的語義表示對于訓(xùn)練集中的每個(gè)樣本xi,i＝1,2,…,N，屬于本身類別li的概率為1，而屬于其他類別的概率為0，其多種特征對應(yīng)的多種語義表示為其中的第li行為1，其他行為0，訓(xùn)練集中樣本的語義表示都是一個(gè)0-1編碼的向量，得到該高光譜圖像中所有樣本的多種語義表示注，由于訓(xùn)練集中所有樣本的類別標(biāo)號已知，其對應(yīng)的語義表示為完全正確的語義表示。本實(shí)施例中使用概率支持矢量機(jī)(SVM)完成樣本特征到樣本語義表示的映射，是因?yàn)閷τ诟吖庾V圖像地物分類問題來說，概率支持矢量機(jī)(SVM)擁有良好的魯棒性和較強(qiáng)的分類能力，并且作為基準(zhǔn)分類器在高光譜處理領(lǐng)域較為通用。本發(fā)明也可以使用其他可得到類別概率的分類器完成該步驟，如多項(xiàng)邏輯回歸，隨機(jī)森林及它們的變種分類器等，來替代概率支持矢量機(jī)(SVM)。(4)為了提取測試集中所有樣本的局部空間信息和非局部空間信息，來引入局部和非局部的空間約束，構(gòu)造測試集中所有樣本的局部以及非局部近鄰集合。對于測試集中的每個(gè)樣本yj,j＝1,2,…,m，構(gòu)造其局部自適應(yīng)近鄰集合Bj和非局部相似結(jié)構(gòu)近鄰集合Cj，得到測試集中每個(gè)測試樣本的局部自適應(yīng)近鄰集合和非局部相似結(jié)構(gòu)近鄰集合。(5)構(gòu)建降噪馬爾可夫場模型，進(jìn)行測試樣本的多種語義表示的融合以及語義降噪處理，其中降噪處理是通過引入局部、非局部的空間約束來實(shí)現(xiàn)的。結(jié)合步驟(3)中得到的所有樣本的多種語義表示以及步驟(4)中得到測試集中所有樣本的局部自適應(yīng)近鄰集合和非局部相似結(jié)構(gòu)近鄰集合，將測試集中所有樣本的多種語義表示以及其局部、非局部近鄰的多種語義表示，全部輸入到降噪馬爾可夫場模型中，最大化馬爾可夫場的聯(lián)合概率，也就是最小化馬爾可夫場的全局能量，為了最小化全局能量，使用迭代條件模式法(ICM)進(jìn)行求解，將該全局最小化問題轉(zhuǎn)換為多個(gè)局部最小化問題，也就是最小化每個(gè)樣本所在勢團(tuán)的能量，該勢團(tuán)由測試樣本本身和對應(yīng)的所有近鄰樣本構(gòu)成，對每個(gè)測試樣本yj,j＝1,2,…,m分別進(jìn)行如下操作，將測試樣本yj的多種語義表示局部自適應(yīng)近鄰集合Bj中所有樣本的多種語義表示和非局部相似結(jié)構(gòu)近鄰集合Cj中所有樣本的多種語義表示輸入到降噪馬爾可夫場的局部能量函數(shù)中，最小化該函數(shù)，從而得到測試樣本yj第一次降噪后的語義表示從而最小化所有測試樣本所在勢團(tuán)的能量，得到所有測試樣本的一階降噪語義表示。為了將訓(xùn)練集中樣本的語義表示，也就是完全正確的語義表示，繼續(xù)通過降噪馬爾可夫場對其局部和非局部近鄰進(jìn)行積極的影響，故保持訓(xùn)練集中樣本的語義表示不變，結(jié)合所有測試樣本的一階降噪語義表示，得到該高光譜圖像所有樣本的一階降噪語義表示(6)由于步驟(5)中所使用的迭代條件模式法(ICM)進(jìn)行一輪局部最小化能量計(jì)算后并不能保證全局能量的最小化，所以對高光譜圖像所有樣本的一階降噪語義表示也就是步驟(5)中得到的語義表示結(jié)果進(jìn)一步迭代優(yōu)化。參見圖1，設(shè)定最大迭代次數(shù)Tmax，t為當(dāng)前迭代代數(shù)，將測試樣本yj的第t階降噪語義表示局部自適應(yīng)近鄰集合Bj中所有樣本的第t階降噪語義表示和非局部相似結(jié)構(gòu)近鄰集合Cj中所有樣本的第t階降噪語義表示作為降噪馬爾可夫場局部能量函數(shù)的輸入，同樣最小化該能量函數(shù)，得到測試樣本yj的第(t+1)階語義表示從而得到該高光譜圖像所有測試樣本的第(t+1)階降噪語義表示。對于訓(xùn)練集中所有樣本來說，處理方式和步驟(5)中所述相同，得到該高光譜圖像中所有樣本的第(t+1)階降噪語義表示重復(fù)迭代過程，就是此步驟，直到t＝Tmax-1，停止，得到該高光譜圖像所有樣本的第Tmax階降噪語義表示，也就是最終的語義表示注，在本步驟中提到的降噪馬爾可夫場局部能量函數(shù)與步驟(5)中提到的降噪馬爾可夫場局部能量函數(shù)有所不同，是由于步驟(5)中的局部能量函數(shù)需要完成多語義融合的功能，而本步驟中的局部能量函數(shù)只需要完成迭代優(yōu)化即可，具體不同點(diǎn)參見實(shí)施例4中一階局部能量函數(shù)和第(t+1)階局部能量函數(shù)。本發(fā)明中需要設(shè)定參數(shù)Tmax，也就是步驟(6)中提及的迭代次數(shù)，在一般情況下，若Tmax較小則無法得到收斂的結(jié)果，若Tmax較大則導(dǎo)致計(jì)算的復(fù)雜度較高，產(chǎn)生較多無謂的計(jì)算。此參數(shù)的設(shè)定方法敘述如下，通過計(jì)算的結(jié)果是否穩(wěn)定來判斷，隨機(jī)選取少量預(yù)測樣本(百分之5到百分之10即可)，根據(jù)這部分預(yù)測樣本的第(t+1)階語義表示得到的預(yù)測類別集合和第t階語義表示得到的預(yù)測類別集合之間的差距小于一定的閾值，則無需繼續(xù)迭代，Tmax就等于(t+1)。一般的，在訓(xùn)練樣本數(shù)量較少的情況下，所需的Tmax較大，反之毅然。(7)利用步驟(6)中得到最終的語義表示求得測試集中所有樣本的類別。對于測試集中的每個(gè)樣本yj,j＝1,2,…,m，其最終的語義表示為(一個(gè)c×1的列向量)，即測試樣本yj屬于每個(gè)類別的概率所組成的列向量，選擇中最大值元素所在位置的標(biāo)號作為該測試樣本的類別從而得到測試集中所有樣本的類別，構(gòu)成測試集類別預(yù)測集合完成該高光譜圖像的分類任務(wù)。例如對于IndianPine數(shù)據(jù)集而言，圖2b給出了該數(shù)據(jù)集的真實(shí)地物類標(biāo)圖，無論采用何種分類方法，都可以和圖2b進(jìn)行對比，驗(yàn)證分類效果。本發(fā)明由于充分挖掘了像元之間的相互關(guān)系，找到每個(gè)像元的局部自適應(yīng)近鄰集以及非局部相似結(jié)構(gòu)近鄰集，并將由這兩種近鄰集所構(gòu)建的局部和非局部空間約束加入到所設(shè)計(jì)的降噪馬爾可夫場模型中，與此同時(shí)，少量有標(biāo)記樣本的類別信息也會隨著降噪馬爾可夫場的優(yōu)化過程而傳播到其局部以及非局部近鄰中。本發(fā)明使得高光譜圖像在少量有標(biāo)記樣本的情況下仍然可以取得很高的分類精度，且分類結(jié)果圖擁有很好的空間一致性。實(shí)施例2：基于局部和非局部多特征語義高光譜圖像分類方法同實(shí)施例1，其中步驟(1)中所述的多種特征，包括但不僅限于：原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征(DMP)，其中Gabor紋理特征和差分形態(tài)學(xué)特征(DMP)分別表述如下：Gabor紋理特征：對該高光譜圖像進(jìn)行主成分分析(PCA)處理，取處理后的前3維主成分作為3幅基準(zhǔn)圖像，分別進(jìn)行16個(gè)方向，5個(gè)尺度的Gabor變換，每個(gè)基準(zhǔn)圖像各得到80維的紋理特征，堆疊在一起得到總維數(shù)為240維的Gabor紋理特征。差分形態(tài)學(xué)特征(DMP)：對該高光譜圖像進(jìn)行主成分分析(PCA)處理，取處理后的前3維主成分作為3幅基準(zhǔn)圖像，分別進(jìn)行5個(gè)尺度的開操作并相互做差和5個(gè)尺度的閉操作并相互做差，每個(gè)基準(zhǔn)圖像各得到8維的差分特征，堆疊在一起得到總維數(shù)為24維的差分形態(tài)學(xué)特征。本發(fā)明在多種特征的選擇上，除了使用原始的光譜信息，還著重考慮了紋理和形狀方面的信息，由于不同的特征描述子對于圖像具有不同的表述，其中Gabor紋理特征可以很好的提取高光譜圖像中的局部紋理信息，也就是局部像元之間的相關(guān)性信息，而差分形態(tài)學(xué)特征(DMP)可以很好的反應(yīng)高光譜圖像中的形狀塊的邊緣以及大小信息。本發(fā)明結(jié)合光譜、紋理和形狀特征可以提升高光譜圖像不同類別像元之間的判別性，最終提高基于局部和非局部多特征語義高光譜圖像分類方法的分類精度和魯棒性。除了本實(shí)施例中提到的三種特征以外，其他特征也可以使用在本發(fā)明中，例如高光譜圖像分析中常用的灰度共生矩陣、三維小波變換等特征，于此同時(shí)，本發(fā)明可以使用的特征數(shù)量也不僅限于三種，更多種類的特征雖然會提高方法的判別力，但是也會無端的增加計(jì)算復(fù)雜度，和大量冗余的信息，本發(fā)明使用的三種特征：原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征(DMP)，已經(jīng)基本涵蓋了高光譜圖像的大部分信息。實(shí)施例3：基于局部和非局部多特征語義高光譜圖像分類方法同實(shí)施例1-2，其中步驟(4)中所述的局部與非局部近鄰集合構(gòu)造方法如下：4a)對該高光譜圖像進(jìn)行主成分分析(PCA)，提取第一主成分作為一幅基準(zhǔn)圖像，也就是一幅可以反映該高光譜圖像基本地物輪廓信息的灰度圖像，設(shè)置超像素個(gè)數(shù)LP，進(jìn)行基于熵率的超像素圖像分割，得到LP個(gè)超像素塊本實(shí)施例中使用基于熵率的超像素分割方法對高光譜圖像的第一主成分灰度圖進(jìn)行超像素分割，分割出的超像素塊良好的保持圖像中的邊緣信息和結(jié)構(gòu)信息，且分割出的超像素塊大小差異較小，形狀較為規(guī)則，較為適用于高光譜圖像，也被研究者們大量的使用于高光譜圖像的分析處理領(lǐng)域。本發(fā)明中，也可以使用其他圖像分割方法來替代于熵率的超像素分割方法，如均值漂移(MeanShift)以及其他基于圖論的超像素分割方法。4b)設(shè)置局部窗口參數(shù)Wlocal，對于測試集中的樣本yj，位于以樣本yj為中心的方形窗口Wlocal×Wlocal中，又和樣本yj屬于同一個(gè)超像素塊Pu的所有樣本構(gòu)成樣本yj的局部自適應(yīng)近鄰集合Bj，從而得到測試集中所有樣本的局部自適應(yīng)近鄰集合。這樣處理后的局部近鄰集合，相比于傳統(tǒng)的方形窗口近鄰集合，為每個(gè)測試樣本的局部近鄰加入了一定的自適應(yīng)性，使得每個(gè)測試樣本所對應(yīng)的局部近鄰都是根據(jù)自身周圍的情況所確定的，不會因?yàn)榇翱趨?shù)設(shè)置的固定性，導(dǎo)致部分測試樣本的局部近鄰集合包含了大量錯(cuò)誤的空間信息。而相比于完全自適應(yīng)的局部近鄰集合構(gòu)建方法，又可以根據(jù)每張高光譜圖像的不同分辨率，不同地物類型，設(shè)定合適的局部窗口參數(shù)，引入一定的先驗(yàn)知識來提升局部空間信息的質(zhì)量，且完全自適應(yīng)的局部近鄰集合構(gòu)建方法大都復(fù)雜度較高，本發(fā)明的局部近鄰集合構(gòu)建方法復(fù)雜度與傳統(tǒng)方法，也就是方形窗口近鄰集合幾乎一致，幾乎沒有增加計(jì)算復(fù)雜度，但是引入了一定的自適應(yīng)性。本發(fā)明中需要設(shè)定局部窗口參數(shù)Wlocal，參數(shù)越大包含的局部近鄰越多，局部近鄰信息就越豐富，也就越容易引入越多的錯(cuò)誤近鄰。參數(shù)越小則包含的局部近鄰越少，也就無法提取到足夠的局部近鄰信息。設(shè)定該參數(shù)需要在兩者之間折中選擇，此參數(shù)一般的取值有3、5、...、15等，根據(jù)每張高光譜圖像的分辨率、地物類型等先驗(yàn)信息，對參數(shù)進(jìn)行不同程度的調(diào)整。4c)設(shè)置非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal，以及非局部近鄰個(gè)數(shù)K，分別對原始高光譜圖像中的每個(gè)樣本hq,q＝1,2,…,M在其鄰域Wnonlocal×Wnonlocal中進(jìn)行均值池化，得到所有樣本的結(jié)構(gòu)信息本發(fā)明中需要設(shè)定非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal以及非局部近鄰個(gè)數(shù)K，其中非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal的選擇方法和本實(shí)施例4b)中提到的局部窗口參數(shù)Wlocal較為相似，但一般的，提取每個(gè)樣本所屬子塊的信息時(shí)需要將盡可能多的結(jié)構(gòu)信息包含在內(nèi)，非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal的取值大于局部窗口參數(shù)Wlocal，如15，17，...，25等。同樣的，根據(jù)每張高光譜圖像的分辨率、地物類型等先驗(yàn)信息，對參數(shù)進(jìn)行不同程度的調(diào)整。非局部近鄰個(gè)數(shù)K的取值一般有20，30，...，100等，此參數(shù)需要根據(jù)高光譜圖像中每類樣本的數(shù)量進(jìn)行調(diào)整，若每類樣本數(shù)量都較多，則非局部近鄰個(gè)數(shù)K的取值較大，若有部分類樣本數(shù)量較少，則非局部近鄰個(gè)數(shù)K的取值較小。本發(fā)明使用均值池化的方法來提取每個(gè)樣本所屬子塊的結(jié)構(gòu)信息，均值池化后的結(jié)果就可以大體表現(xiàn)出每個(gè)樣本所屬子塊的基本信息，相比于其他子塊可以體現(xiàn)一定的區(qū)分度。也可以使用其他聚合方法來替代均值池化提取每個(gè)樣本所屬子塊的信息，如最大值池化，加權(quán)均值池化或其他更復(fù)雜的池化方法。4d)對于測試集中的每個(gè)樣本yj,j＝1,2,…,m，用其結(jié)構(gòu)信息和剩余所有樣本的結(jié)構(gòu)信息做比較，計(jì)算樣本結(jié)構(gòu)信息之間的遠(yuǎn)近程度：其中是測地距離，代表對向量x中的每一行進(jìn)行開根操作，SGDjq的值就代表了測試樣本yj和樣本q之間結(jié)構(gòu)信息的遠(yuǎn)近程度，相比于常用的歐式距離或者余弦夾角等度量方式，由于已經(jīng)有研究證明，高光譜圖像所包含的反射波信息可以被看作是一種流形，而測地距離作為一種流形距離，可以更好的表述高光譜圖像波段反射值向量之間的距離。尋找和測試樣本yj最相似的K個(gè)樣本，也就是SGD值最小的前K個(gè)樣本，作為測試樣本yj的非局部相似結(jié)構(gòu)近鄰集合Cj，與此同時(shí)，由于每個(gè)非局部近鄰樣本和測試樣本yj之間的相似程度不同，所以對于測試樣本yj的重要程度就有所區(qū)別，每個(gè)根據(jù)SGD值的大小，分別給與K個(gè)非局部近鄰不同的權(quán)重，相似程度越高，也就是SGD值越大，則其權(quán)重就越大，權(quán)重計(jì)算公式如下：式中，ωjh代表測試樣本yj的非局部相似結(jié)構(gòu)近鄰h所對應(yīng)的權(quán)重大小，γ是高斯核參數(shù)。本發(fā)明著重設(shè)計(jì)了測試集中所有樣本的局部自適應(yīng)近鄰集合和非局部相似結(jié)構(gòu)近鄰集合，其中局部自適應(yīng)近鄰集合將傳統(tǒng)方窗和超像素塊相結(jié)合，充分的提取了樣本所在位置附近的局部空間信息，降低錯(cuò)誤空間信息引入。而非局部相似結(jié)構(gòu)近鄰集合的設(shè)計(jì)考慮到了高光譜圖像中存在的大量冗余的非局部空間信息，本發(fā)明將這些信息進(jìn)行了充分提取。這兩種近鄰集合的設(shè)計(jì)，使得最終的降噪馬爾可夫場充分利用了局部和非局部空間信息，進(jìn)而提升高光譜圖像的分類精度和分類結(jié)果圖的空間一致性。實(shí)施例4：基于局部和非局部多特征語義高光譜圖像分類方法同實(shí)施例1-3，其中步驟(5)和(6)中最小化馬爾可夫場的全局能量，使用迭代條件模式法(ICM)求解，將全局能量最小化轉(zhuǎn)化為最小化每個(gè)局部勢團(tuán)能量，對于測試樣本yj，其相應(yīng)的一階局部能量函數(shù)，也就是步驟(5)中所使用的局部能量函數(shù)為：相應(yīng)的第(t+1)階局部能量函數(shù)，也就是步驟(6)中所使用的局部能量函數(shù)為：注，以上兩個(gè)局部能量函數(shù)中距離度量方法為測地距離，與實(shí)施例3中所述的測地距離相同。相比于傳統(tǒng)距離度量方法，如歐式距離、余弦夾角等，測地距離被證明更加適合于度量兩個(gè)語義向量，也就是概率向量之間的距離。最小化上述的兩個(gè)局部能量函數(shù)為一個(gè)凸優(yōu)化問題，本發(fā)明使用簡單快速的梯度下降法最小化以上能量函數(shù)，以測試樣本yj的一階局部能量函數(shù)為例，其梯度為：其中代表的第k個(gè)元素，且：利用以上公式，完成最小化馬爾可夫場的全局能量。本發(fā)明由于對馬爾可夫場模型進(jìn)行了多特征方向和非局部方向的改進(jìn)，并且用語義向量間的測地距離正則項(xiàng)代替了傳統(tǒng)的離散的類別異同正則項(xiàng)，使得馬爾可夫場模型更加的適合于處理高光譜圖像分類問題，解決了傳統(tǒng)馬爾可夫模型導(dǎo)致的過平滑等問題，改善了高光譜圖像分類結(jié)果圖的空間一致性，提高了分類精度。之后，通過迭代條件模式法(ICM)將全局能量最小化問題轉(zhuǎn)化為多個(gè)局部最小化問題，使用簡單的梯度下降法進(jìn)行求解，計(jì)算復(fù)雜度低于傳統(tǒng)馬爾可夫場模型所用的圖切類算法，并且在求優(yōu)迭代過程中很好的避免了陷入局部最優(yōu)解，提高了模型的魯棒性，從而提升分類結(jié)果的魯棒性。下面給出一個(gè)完整的實(shí)施方案，對本發(fā)明進(jìn)一步說明。實(shí)施例5：基于局部和非局部多特征語義高光譜圖像分類方法同實(shí)施例1-4，參照圖1，本發(fā)明的具體實(shí)施步驟包括：步驟1，輸入高光譜圖像M是高光譜圖像中所有像素點(diǎn)的總個(gè)數(shù)，hq為一個(gè)列向量，代表像素點(diǎn)q每個(gè)波段的反射值。用不同的特征描述子對高光譜圖像進(jìn)行多個(gè)特征的提取。在本發(fā)明的仿真實(shí)驗(yàn)中，分別提取了Gabor紋理特征，形態(tài)學(xué)差異特征(DMP)以及原始光譜特征。1a)Gabor紋理特征針對原始高光譜圖像利用主成分分析方法(PCA)進(jìn)行降維后的前三個(gè)主成份圖像進(jìn)行Gabor濾波器的多個(gè)方向多個(gè)尺度的變換，注本實(shí)施例中使用16個(gè)方向和5個(gè)尺度，將每個(gè)濾波的結(jié)果進(jìn)行堆疊，得到該高光譜圖像的Gabor紋理特征，相應(yīng)得到每個(gè)像素點(diǎn)的紋理特征向量。1b)形態(tài)學(xué)差異特征(DMP)也針對前三個(gè)主成份圖像進(jìn)行不同尺度的開閉操作，注，此實(shí)施例中使用5個(gè)尺度的開操作和5個(gè)尺度的閉操作，并求相鄰兩個(gè)尺度的開或閉操作之間的差，將所有得到的差值進(jìn)行堆疊，得到該高光譜圖像的形態(tài)學(xué)差異特征，相應(yīng)得到每個(gè)像素點(diǎn)的形態(tài)學(xué)差異特征(DMP)向量。1c)原始光譜特征就是用每個(gè)像素點(diǎn)的各個(gè)波段的反射值直接作為該像素點(diǎn)的光譜特征。步驟2,從高光譜圖像的每一類像素點(diǎn)中選出等比例的像素點(diǎn)，作為有標(biāo)記像素點(diǎn)，有標(biāo)記像素點(diǎn)的總個(gè)數(shù)為N，該高光譜圖像的剩余m個(gè)像素點(diǎn)作為無標(biāo)記像素點(diǎn)，用每個(gè)像素點(diǎn)的V個(gè)特征向量來表示該像素點(diǎn)，樣本的特征維數(shù)分別為其中Dv代表第v個(gè)特征的維數(shù)。步驟3，選取有標(biāo)記訓(xùn)練集X、測試集Y，得到所有樣本的語義表示集S。3a)用N個(gè)有標(biāo)記樣本構(gòu)成有標(biāo)記訓(xùn)練集其對應(yīng)的類別標(biāo)記集為R表示實(shí)數(shù)域。分別利用有標(biāo)記訓(xùn)練集中的單個(gè)特征向量集合Xv以及類別標(biāo)記集L，訓(xùn)練出V個(gè)概率支持矢量機(jī)(SVM)模型。支持矢量機(jī)的核類型為徑向高斯核，核參數(shù)r以及懲罰參數(shù)c均由多倍交叉驗(yàn)證得到。3b)用m個(gè)無標(biāo)記樣本構(gòu)成測試集分別將測試集的不同特征向量集分別輸入到步驟3a)中所訓(xùn)練出的對應(yīng)的V個(gè)概率支持矢量機(jī)模型中，得到測試樣本集中所有樣本在不同特征描述子的表述下，屬于每個(gè)類別的概率，即為該測試樣本的語義表示，如測試樣本yj的語義表示為對于訓(xùn)練集中的樣本來說，其語義表示即一個(gè)0-1編碼向量，其類標(biāo)所在位置為1，其他位置為0，表示其屬于本身類別的概率為1，屬于其他類別的概率為0。故得到該高光譜圖像所有樣本的語義表示集為步驟4，構(gòu)造無標(biāo)記測試集Y中每個(gè)樣本的局部自適應(yīng)近鄰集合B以及非局部相似結(jié)構(gòu)近鄰集合C。4a)對原始高光譜圖像利用主成分分析(PCA)的方法進(jìn)行降維，選擇第一主成分圖像(一個(gè)灰度圖)作為基準(zhǔn)圖像，設(shè)定超像素個(gè)數(shù)LP，利用基于熵率的超像素分割方法對該圖像進(jìn)行超像素分割，得到LP個(gè)超像素塊4b)設(shè)置局部自適應(yīng)窗口參數(shù)Wlocal，根據(jù)步驟4a)中得到的超像素塊，構(gòu)建每個(gè)測試樣本的局部自適應(yīng)近鄰集。以測試樣本yj為例，若有樣本n即屬于以測試樣本yj為中心的Wlocal×Wlocal大小的方窗內(nèi)，又和測試樣本yj屬于同一個(gè)超像素塊Pu，則稱此樣本n為測試樣本yj的一個(gè)局部自適應(yīng)近鄰，n∈Bj，以此類推，得到每個(gè)測試樣本的局部自適應(yīng)近鄰集合4c)設(shè)置非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal，以及非局部近鄰的個(gè)數(shù)K。首先對原始高光譜圖像M表示高光譜圖像中所有樣本的個(gè)數(shù)。在Wnonlocal×Wnonlocal大小的自適應(yīng)窗口，即參數(shù)為Wnonlocal的局部自適應(yīng)近鄰集內(nèi)進(jìn)行均值池化，自適應(yīng)窗口的構(gòu)造方式同4b)中所述。得到每個(gè)樣本的局部結(jié)構(gòu)信息4d)根據(jù)步驟4c)中得到的分別計(jì)算每個(gè)測試樣本的局部結(jié)構(gòu)信息和剩余所有點(diǎn)之間的相似度。對于測試集中的每個(gè)樣本yj,j＝1,2,…,m，用其結(jié)構(gòu)信息和剩余所有樣本的結(jié)構(gòu)信息做比較，計(jì)算該樣本局部結(jié)構(gòu)信息和剩余所有樣本局部結(jié)構(gòu)信息之間的相似度，相似度計(jì)算公式如下：其中是測地距離，代表對列向量x中的每一行進(jìn)行開根操作。計(jì)算每兩個(gè)樣本之間的相似度就可以得到一個(gè)相似度矩陣SD，而該矩陣為對稱矩陣即SD(j,q)＝SD(q,j)，代表了測試樣本yj和樣本q之間的結(jié)構(gòu)相似度。4e)根據(jù)步驟4d)中得到的相似度矩陣SD，對于每個(gè)測試樣本，選擇其前K個(gè)最相似的樣本作為其非局部近鄰。以測試樣本yj為例，選擇相似度矩陣SD中的第j列，其每個(gè)元素代表著測試樣本yj和每個(gè)樣本的相似度，選擇其中除本身外(本身和本身的相似度最大)，數(shù)值最大的前K個(gè)樣本，作為測試樣本yj的非局部近鄰，則得到了測試樣本yj的非局部近鄰集合Cj，以此類推，得到每個(gè)測試樣本的非局部近鄰集合4f)與此同時(shí)，根據(jù)相似度值的大小，分別給與K個(gè)非局部近鄰不同的權(quán)重，從而使更相似的近鄰擁有更高的權(quán)重，相對而言，降低相似度較低近鄰的權(quán)重，從而提高非局部空間約束的合理性和自適應(yīng)性，權(quán)重計(jì)算公式如下(其中γ是高斯核參數(shù))：步驟5，根據(jù)步驟3和步驟4中計(jì)算出的每個(gè)樣本的語義表示，以及其相應(yīng)的局部、非局部近鄰集合，構(gòu)建降噪馬爾可夫場模型，其中局部近鄰集合作為局部空間約束，非局部近鄰集合作為非局部空間約束加入到模型中。利用迭代條件模式法(ICM)最小化每個(gè)局部能量，即每個(gè)樣本所在勢團(tuán)的能量，達(dá)到最小化全局能量的目的，計(jì)算出每個(gè)測試樣本的降噪語義表示。5a)以測試樣本yj為例，將測試樣本yj的V個(gè)語義表示以及其局部、非局部近鄰集合中所有樣本的語義表示輸入到降噪馬爾可夫場局部能量函數(shù)中。測試樣本yj所在勢團(tuán)的能量為：其中，公式(3)右側(cè)第一項(xiàng)為自約束項(xiàng)，第二項(xiàng)為局部空間約束項(xiàng)，第三項(xiàng)為非局部空間約束項(xiàng)，注，在此公式中所有約束項(xiàng)都是多種語義情況下的約束。利用梯度下降法最小化該函數(shù)，得到測試樣本yj的一階降噪語義表示以此類推，遍歷所有測試樣本，可以得到所有測試樣本的一階降噪語義表示，而訓(xùn)練樣本的語義表示保持不變，故可以得到所有樣本的一階降噪語義表示集5b)由于迭代條件模式法(ICM)是一個(gè)逐漸求優(yōu)的過程，一次的迭代無法完成全局能量最小化，達(dá)不到最終的收斂結(jié)果，將步驟5a)中得到的一階降噪語義表示集輸入到降噪馬爾可夫場模型中繼續(xù)進(jìn)行迭代求優(yōu)。設(shè)置最大迭代次數(shù)Tmax，以測試樣本yj為例，其一階降噪語義表示以及其局部、非局部近鄰集合中樣本的一階降噪語義表示輸入到降噪馬爾可夫場局部能量函數(shù)中，最小化該能量函數(shù)就可以得到測試樣本yj的二階降噪語義表示以此類推，遍歷所有測試樣本，注，在求任意階降噪語義表示時(shí)，所有訓(xùn)練樣本的語義表示都保持不變，仍然為一個(gè)0-1編碼列向量，進(jìn)而得到所有樣本的二階降噪語義表示由于多種語義融合已經(jīng)在本例的步驟5a)中完成，此時(shí)能量函數(shù)不再需要進(jìn)行多種語義的融合，所以局部能函數(shù)簡化為：公式(4)右側(cè)三項(xiàng)的意義同公式(3)，但已經(jīng)不需要進(jìn)行多種語義融合，故每一項(xiàng)都是單個(gè)語義情況下的約束。從公式中可以看出，根據(jù)測試樣本yj以及其局部、非局部近鄰樣本的第t階降噪語義表示，最小化該函數(shù)可以得到測試樣本yj的第(t+1)階降噪語義表示。而上述的根據(jù)一階降噪語義表示可以得到二階降噪語義表示這是t＝1時(shí)的特例。循環(huán)迭代該過程，直到t＝Tmax-1，可以得到測試樣本yj的第Tmax階降噪語義表示對每個(gè)測試樣本重復(fù)此過程，即可以得到每個(gè)測試樣本的第Tmax階降噪語義表示，進(jìn)而得到全部樣本的第Tmax階降噪語義表示步驟6，本發(fā)明中樣本的語義表示就是該樣本屬于每個(gè)類別的概率所構(gòu)成的列向量，故根據(jù)步驟5得到的第Tmax階降噪語義表示對于測試樣本yj選擇其語義表示向量中最大值所在的位置，就是測試樣本yj的類別標(biāo)號以此類推，得到所有測試樣本的類別標(biāo)號本發(fā)明中提出了一種基于局部和非局部多特征語義高光譜圖像分類方法，在方法中構(gòu)建了一種新型馬爾可夫場，稱為降噪馬爾可夫場。該模型通過迭代條件模式法(ICM)最小化馬爾可夫場的全局能量，可以將多特征語義在局部、非局部的空間約束下進(jìn)行合理的融合，對于所有測試樣本都得到一個(gè)較為全面的、噪聲較低的語義表示，進(jìn)而得到所有測試樣本的預(yù)測類標(biāo)。該方法充分的利用了兩方面的信息，多特征信息可以對高光譜圖像進(jìn)行較為全面的表述，局部、非局部空間約束可以對高光譜圖像像元相互之間的關(guān)系進(jìn)行充分的挖掘。最終，相比于傳統(tǒng)的分類方法，本發(fā)明提出的基于局部和非局部多特征語義高光譜圖像分類方法提升了分類結(jié)果的精度、魯棒性和空間一致性。本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：實(shí)施例6：基于局部和非局部多特征語義高光譜圖像分類方法同實(shí)施例1-5。1.仿真條件:仿真實(shí)驗(yàn)采用美國宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見光/紅外成像光譜儀AVIRIS于1992年6月在印第安納西北部獲取的IndianPine圖像，如圖2a所示，圖像大小為145×145，共220個(gè)波段，去除噪聲以及大氣和水域吸收的波段還有200個(gè)波段，參見圖2b，人工標(biāo)記后，共16類地物信息。仿真實(shí)驗(yàn)在CPU為IntelCore(TM)i5-4200H、主頻2.80GHz，內(nèi)存為12G的WINDOWS7系統(tǒng)上用MATLAB2014a軟件進(jìn)行。表1給出了IndianPine圖像中16類數(shù)據(jù)。表1IndianPine圖像中的16類數(shù)據(jù)類別類別名稱樣本個(gè)數(shù)訓(xùn)練樣本個(gè)數(shù)1苜蓿4632玉米-未耕犁1428723玉米-灌溉830424玉米237125牧草483256樹木730377切割的牧草2828干草料堆478249蕎麥20110大豆-未耕犁9724911大豆-灌溉245512312黃豆5933013小麥2051114樹林12656415建筑物-草-樹3862016石頭-鋼筋9352.仿真內(nèi)容及分析：使用本發(fā)明與現(xiàn)有三種方法對高光譜圖像IndianPine進(jìn)行分類，現(xiàn)有三種方法分別是：基于融合核的支持矢量機(jī)(SVM+CK)，支持矢量機(jī)結(jié)合馬爾可夫場(SVM+MRF)，聯(lián)合稀疏表示(SOMP)。本發(fā)明中提出的基于局部和非局部多特征語義高光譜圖像分類方法，利用多特征語義表示及空間約束對高光譜圖像進(jìn)行分類，縮寫為NE-MFAS，為了驗(yàn)證本發(fā)明方法的有效性，仿真實(shí)驗(yàn)中加入了兩種在本發(fā)明框架中的簡化版方法MFAS和MFS，其中使用MFAS方法是在實(shí)施例6的步驟(4)中只構(gòu)造了局部近鄰集合，不利用非局部近鄰集合的信息，來驗(yàn)證非局部近鄰集合信息對分類結(jié)果的影響，分類結(jié)果參見圖3e。使用MFS方法在實(shí)施例6的步驟(4)中不但不利用非局部近鄰集合信息，在構(gòu)造局部近鄰集合時(shí)也不利用超像素的信息，只選擇方形窗口作為其局部近鄰集合，來驗(yàn)證超像素約束對分類結(jié)果的影響，分類結(jié)果參見圖3d。其中支持矢量機(jī)(SVM)方法的懲罰因子核參數(shù)通過5倍交叉驗(yàn)證確定，SOMP方法的稀疏參數(shù)設(shè)置為30，空域尺度參數(shù)設(shè)置為7×7。本發(fā)明所用到的超像素個(gè)數(shù)L設(shè)置為75，局部窗口Wlocal大小為7×7，非局部結(jié)構(gòu)窗口Wnonlocal的大小為21×21，非局部近鄰個(gè)數(shù)K為30，高斯核參數(shù)γ為0.05，最大迭代次數(shù)Tmax設(shè)置為3。訓(xùn)練樣本的選取方式如下，從16類數(shù)據(jù)中隨機(jī)選取5％的像素點(diǎn)作為訓(xùn)練樣本，其余的95％作為測試樣本。如圖3中所示各方法的分類結(jié)果圖，均在訓(xùn)練樣本完全一致的情況下得到，其中圖3a-3c分別是三種現(xiàn)有方法SVM+CK，SVM+MRF，SOMP的分類結(jié)果圖，可以看出這三種分類方法在大部分區(qū)域表現(xiàn)尚可。其中SOMP的分類結(jié)果圖，參見圖3c，離散噪聲點(diǎn)較多，空間一致性較差。而SVM+MRF的分類結(jié)果圖，參見圖3b，相比于圖3c幾乎沒有離散噪聲點(diǎn)，但存在著大量的過平滑現(xiàn)象，且分類結(jié)果圖邊緣腐蝕較為嚴(yán)重。SVM+CK的分類結(jié)果圖，參見圖3a，相比于圖3b和3c，結(jié)果是最優(yōu)的，但還是存在著部分離散噪聲點(diǎn)以及大量的邊緣腐蝕。圖3d-3f分別對應(yīng)著MFS，MFAS，NE-MFAS的分類結(jié)果圖。與圖3a-3c進(jìn)行對比，可以看出本發(fā)明提出的方法在局部區(qū)域連貫性，邊緣保持，以及小樣本區(qū)域的表現(xiàn)都比現(xiàn)有方法更好。其中MFS的分類結(jié)果圖，參見圖3d，相比于傳統(tǒng)的三種方法，MFS已經(jīng)幾乎不存在離散噪聲點(diǎn)且大部分區(qū)域的空間一致性都較好，但有一定的邊緣腐蝕現(xiàn)象。MFAS是比MFS多加入了超像素的約束信息，參見圖3e，相比于圖3d，MFAS的分類結(jié)果圖在邊緣保持方面有了很大的改善，幾乎不存在邊緣腐蝕現(xiàn)象，但在部分小樣本類別區(qū)域，如圖像右側(cè)黃色矩形區(qū)域，幾乎無法正確分類。而對MFAS加入了非局部空間約束后，本發(fā)明NE-MFAS的分類結(jié)果圖，參見圖3f，相比于圖3d和3e，在保持很好的空間一致性的同時(shí)，對小樣本類別區(qū)域，如圖像右側(cè)黃色矩形區(qū)域，幾乎全部正確分類。通過圖3d到3f的變化，可以發(fā)現(xiàn)本發(fā)明中提出的的超像素約束的自適應(yīng)局部空間約束可以很好的保持圖像的邊緣信息，增強(qiáng)空間一致性，而本發(fā)明提出的非局部空間約束可以進(jìn)一步的提高分類精度的上限，尤其在提升樣本相對較少的類別分類精度上，有著很好的表現(xiàn)。實(shí)施例7：基于局部和非局部多特征語義高光譜圖像分類方法同實(shí)施例1-6，仿真的條件和內(nèi)容同實(shí)施例6。實(shí)施例6中所述分類結(jié)果圖之間的區(qū)別只能通過肉眼觀察判斷，在此通過分類精度對比分析，從數(shù)據(jù)上體現(xiàn)本發(fā)明方法相比于其他方法的優(yōu)勢。所有實(shí)驗(yàn)均進(jìn)行10次取平均值，注每次實(shí)驗(yàn)訓(xùn)練樣本都是隨機(jī)選取得到，也就是說一次實(shí)驗(yàn)和另一次實(shí)驗(yàn)的訓(xùn)練樣本不是完全相同的。表2給出現(xiàn)有三種方法、兩種本發(fā)明簡化版方法和本發(fā)明方法的實(shí)驗(yàn)精度對比：表2IndianPine圖像上三種方法與本發(fā)明實(shí)驗(yàn)精度結(jié)果方法分類精度(％)SVM+CK91.59±0.94SVM+MRF84.91±1.43SOMP87.55±1.24本發(fā)明簡化版1(MFS)96.87±0.79本發(fā)明簡化版2(MFAS)97.24±0.64本發(fā)明(NE-MFAS)98.20±0.58從表2可以看出，本發(fā)明的方法在10次重復(fù)實(shí)驗(yàn)所得結(jié)果的均值遠(yuǎn)高于現(xiàn)有的三種方法，而標(biāo)準(zhǔn)差要低于現(xiàn)有的三種方法，可以說明本發(fā)明方法不論在分類精度還是魯棒性上表現(xiàn)都是最優(yōu)，一方面是由于本發(fā)明的方法充分結(jié)合了多特征所包含的大量判別信息，另一方面在挖掘空間信息方面要遠(yuǎn)遠(yuǎn)優(yōu)于其他三種基于空間信息的方法。從MFS到MFAS，分類精度提升了0.5％，說明超像素約束對空間信息的提取起到了積極的作用，相比于傳統(tǒng)的方形窗口，本發(fā)明所設(shè)計(jì)的自適應(yīng)局部近鄰集合可以剔除部分產(chǎn)生負(fù)作用的近鄰點(diǎn)，提取到更加豐富的局部空間信息，包括邊緣和結(jié)構(gòu)信息。從MFAS到NE-MFAS，分類精度提升了1％，說明了非局部近鄰中蘊(yùn)含了大量有價(jià)值的信息，而提取這些信息可以進(jìn)一步的提高分類精度的上限。本發(fā)明的分類精度在5％的少量樣本情況下，分類精度達(dá)到了98.20％，且標(biāo)準(zhǔn)差只有0.58％，優(yōu)于現(xiàn)有的大部分方法。綜上所述，本發(fā)明公開的一種基于局部和非局部多特征語義高光譜圖像分類方法。主要解決現(xiàn)有的高光譜圖像分類方法正確率低，魯棒性差，空間一致性弱的問題。其步驟包括：對原始的高光譜圖像分別利用多種特征提取方法提取不同的特征；將高光譜圖像的每一個(gè)像素點(diǎn)用多個(gè)特征向量表示，選出有標(biāo)記訓(xùn)練集和測試集；將有標(biāo)簽訓(xùn)練集輸入到概率支持矢量機(jī)中，把測試集中每一個(gè)像素點(diǎn)的多個(gè)特征映射到語義空間，得到每一個(gè)測試樣本的多個(gè)語義表示；利用降噪馬爾可夫場模型同時(shí)引入空間信息和多語義信息，最小化該馬爾可夫場的能量，得到每個(gè)測試樣本的降噪語義表示，進(jìn)而得到整個(gè)測試集的類別信息。本發(fā)明利用支持矢量機(jī)得到的語義表示和馬爾可夫場模型的完美契合，充分的結(jié)合了多特征信息以及局部、非局部空域上下文信息，最終能夠?qū)Ω吖庾V圖像進(jìn)行更加準(zhǔn)確地分類。與兩個(gè)本發(fā)明方法簡化版的對比，驗(yàn)證了本發(fā)明方法的有效性。與現(xiàn)有的三種方法對比，說明了本發(fā)明方法在小樣本情況下，具有高精確度，高魯棒性，以及優(yōu)秀的空間一致性?？捎糜谲娛绿綔y、地圖繪制、植被調(diào)查、礦物檢測等方面。本實(shí)施方式中沒有詳細(xì)敘述的部分屬本行業(yè)的公知的常用手段，這里不一一敘述。以上例舉僅僅是對本發(fā)明的舉例說明，并不構(gòu)成對本發(fā)明的保護(hù)范圍的限制，凡是與本發(fā)明相同或相似的設(shè)計(jì)均屬于本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3