本發(fā)明涉及遙感高光譜圖像處理領(lǐng)域，更具體地，涉及一種基于導向濾波和線性空間相關(guān)性信息的高光譜圖像分類方法。

背景技術(shù)：

通過濾波器提取高光譜圖像空間信息，提高光譜圖像的分類性能是目前一個研究熱點。目前空間信息提取方法有：1)形態(tài)濾波特征提??；2)馬爾科夫隨機場特征提??；3)圖像分割特征提??；4)用紋理提取濾波器提取空間信息。

利用濾波方法提取高光譜空間紋理信息開始逐漸增多，shi和shen等人利用多維gabor濾波器來多角度提取圖像的紋理信息，分類精度得到了提升；wang等人采用了gabor濾波獲取較好的空間特征，利用主動學習方法對有標簽訓練樣本的空間鄰域信息進行化簡，提出一種空譜結(jié)合的s2isc半監(jiān)督分類算法；wang等人采用了gabor濾波獲取空間特征，提出一種空譜標簽傳播的ss-lpsvm半監(jiān)督分類算法；li等人用gabor濾波器提取空間信息和最近鄰信息方法(snr)，提出了gabor-snr算法對高光譜圖像進行分類；rajadell等人用gabor濾波器對選取的部分波段提取空間特征，改善分類性能；wang等人結(jié)合導向雙邊濾波和形態(tài)屬性特征獲取高光譜圖像空間文本特征并能有效改善分類精度；xia等人用改進的bilateral邊緣濾波算法提取空間特征，結(jié)合獨立成分分析(ica)提出了e-ica-rgf算法對高光譜圖像進行分類，分類性能提高了不少。不少學者提出了濾波和最大概率結(jié)合的識別方法，kang等人提出了基于邊緣保持濾波的初始概率優(yōu)化方法(epf)，首先通過監(jiān)督分類器svm，利用初始的分類結(jié)果用邊緣濾波對分類進行優(yōu)化,最后并用最大概率方法獲取高光譜分類結(jié)果；soomro等人用彈性網(wǎng)絡(luò)回歸(elasticnetregression)獲取初始分類結(jié)果，并通過雙邊濾波器獲取空間信息，最后并用最大概率方法獲取高光譜分類結(jié)果，都獲得了不錯的研究成果。高光譜圖像空間紋理信息提取用于分類的研究取得了一定成效，但是也存在一些不足：

1)空間紋理信息挖掘不夠充分；

2)忽略了空間相關(guān)性信息對高光譜圖像分類的輔助作用。

3)傳統(tǒng)的紋理提取方法容易去除空間相關(guān)性。

技術(shù)實現(xiàn)要素：

本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷，提供一種基于導向濾波和線性空間相關(guān)性信息的高光譜圖像分類方法。

本發(fā)明旨在至少在一定程度上解決上述技術(shù)問題。

為了達到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：

一種基于導向濾波和線性空間相關(guān)性信息的高光譜圖像分類方法，包括：接收高光譜圖像數(shù)據(jù)集；根據(jù)所述高光譜圖像數(shù)據(jù)集得到空間紋理信息；根據(jù)所述高光譜圖像數(shù)據(jù)集得到線性空間相關(guān)性信息；將所述高光譜圖像數(shù)據(jù)集、空間紋理信息和線性空間相關(guān)性信息線性融合，得到新數(shù)據(jù)集；隨機從所述新數(shù)據(jù)集以預(yù)設(shè)比例挑選出訓練集，所述新數(shù)據(jù)集的其余部分作為測試集；利用徑向基函數(shù)支持的向量機對所述訓練集進行訓練，獲取訓練模型；利用徑向基函數(shù)支持的向量機對所述測試集進行分類，獲取所述高光譜圖像的分類結(jié)果。

優(yōu)選地，所述根據(jù)所述高光譜圖像數(shù)據(jù)集得到空間紋理信息的步驟包括：通過特征降維對高光譜數(shù)據(jù)集進行處理，得到信息量重新分布的高光譜圖像數(shù)據(jù)集，并利用引導濾波對信息量重新分布的高光譜圖像數(shù)據(jù)集前面20個成分進行濾波，得到空間紋理信息。

優(yōu)選地，所述根據(jù)所述高光譜圖像數(shù)據(jù)集得到線性空間相關(guān)性信息的步驟包括：根據(jù)所述高光譜圖像數(shù)據(jù)集定義第一高光譜線性空間相關(guān)性信息矩陣和第二高光譜線性空間相關(guān)性信息矩陣，其中第一高光譜線性空間相關(guān)性信息矩陣為水平方向的線性空間相關(guān)性信息矩陣，第二高光譜線性空間相關(guān)性信息矩陣為豎直方向的線性空間相關(guān)性信息矩陣；將第一高光譜線性空間相關(guān)性信息矩陣和第二高光譜線性空間相關(guān)性信息矩陣相加，得到線性空間相關(guān)性信息。

優(yōu)選地，所述根據(jù)所述高光譜圖像數(shù)據(jù)集定義第一高光譜線性空間相關(guān)性信息矩陣和第二高光譜線性空間相關(guān)性信息矩陣的步驟包括：

所述高光譜圖像的空間分辨率為m×n，則第一高光譜線性空間相關(guān)性信息矩陣dl為：

第二高光譜線性空間相關(guān)性信息矩陣dv為：

其中，(x,y)為像元在高光譜圖像的位置，m/2為高光譜圖像水平方向的中心位置，n/2為豎直方向的中心位置，dl(x,y)為每個像元距離水平方向中心位置的距離大小的歸一化，dv(x,y)為每個像元在橫坐標中距離水平方向中心位置的距離大小的歸一化。

優(yōu)選地，所述隨機從所述新數(shù)據(jù)集以預(yù)設(shè)比例挑選出訓練集，所述新數(shù)據(jù)集的其余部分作為測試集的步驟之后還包括：利用徑向基函數(shù)支持的向量機方法交叉驗證，尋找最優(yōu)的參數(shù)組合。

優(yōu)選地，所述預(yù)設(shè)比例為10％的比例。

優(yōu)選地，所述將所述高光譜圖像數(shù)據(jù)集、空間紋理信息和線性空間相關(guān)性信息線性融合，得到新數(shù)據(jù)集的步驟包括：將所述高光譜圖像數(shù)據(jù)集、空間紋理信息和線性空間相關(guān)性信息三者相加，得到新數(shù)據(jù)集。

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

本發(fā)明通過提取高光譜圖像的空間紋理信息和線性空間相關(guān)性信息對高光譜圖像進行分類，能有效輔助光譜信息提高分類精度，彌補空間紋理信息中丟失的空間相關(guān)性。

附圖說明

圖1為一實施例的一種基于導向濾波和線性空間相關(guān)性信息的高光譜圖像分類方法的示意性流程圖。

具體實施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品的尺寸；

對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。

下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進一步的說明。

實施例1

圖1為一實施例的一種基于導向濾波和線性空間相關(guān)性信息的高光譜圖像分類方法的示意性流程圖。如圖1所示，一種基于導向濾波和線性空間相關(guān)性信息的高光譜圖像分類方法，包括：

s1，接收高光譜圖像數(shù)據(jù)集d；

s2，根據(jù)所述高光譜圖像數(shù)據(jù)集得到空間紋理信息ds；

在本實施例，根據(jù)所述高光譜圖像數(shù)據(jù)集得到空間紋理信息ds的步驟包括：通過pca降維對高光譜數(shù)據(jù)集d進行處理，得到信息量重新分布的高光譜圖像數(shù)據(jù)集dpca；利用引導濾波對dpca前面20個成分進行濾波，得到空間紋理信息ds。

s3，根據(jù)所述高光譜圖像數(shù)據(jù)集得到線性空間相關(guān)性信息dg；

在本實施例，所述根據(jù)所述高光譜圖像數(shù)據(jù)集得到線性空間相關(guān)性信息的步驟包括：

根據(jù)所述高光譜圖像數(shù)據(jù)集定義第一高光譜線性空間相關(guān)性信息矩陣和第二高光譜線性空間相關(guān)性信息矩陣，其中第一高光譜線性空間相關(guān)性信息矩陣為水平方向的線性空間相關(guān)性信息矩陣，第二高光譜線性空間相關(guān)性信息矩陣為豎直方向的線性空間相關(guān)性信息矩陣；將第一高光譜線性空間相關(guān)性信息矩陣和第二高光譜線性空間相關(guān)性信息矩陣相加，得到線性空間相關(guān)性信息，即：

所述高光譜圖像的空間分辨率為m×n，則第一高光譜線性空間相關(guān)性信息矩陣dl為：

第二高光譜線性空間相關(guān)性信息矩陣dv為：

高光譜圖像的線性空間相關(guān)性信息dg為：

dg＝dl+dv

其中，(x,y)為像元在高光譜圖像的位置，m/2為高光譜圖像水平方向的中心位置，n/2為豎直方向的中心位置，dl(x,y)為每個像元距離水平方向中心位置的距離大小的歸一化，dv(x,y)為每個像元在橫坐標中距離水平方向中心位置的距離大小的歸一化。

s4，將所述高光譜圖像數(shù)據(jù)集d、空間紋理信息ds和線性空間相關(guān)性信息dg線性融合，得到新數(shù)據(jù)集r；

在本實施例，所述將所述高光譜圖像數(shù)據(jù)集d、空間紋理信息ds和線性空間相關(guān)性信息dg線性融合，得到新數(shù)據(jù)集的步驟包括：將所述高光譜圖像數(shù)據(jù)集d、空間紋理信息ds和線性空間相關(guān)性信息dg三者相加，得到新數(shù)據(jù)集，即：

r＝d+ds+dg。

s5，隨機從所述新數(shù)據(jù)集r以預(yù)設(shè)比例挑選出訓練集rs，所述新數(shù)據(jù)集的其余部分作為測試集rt；

在本實施例，所述預(yù)設(shè)比例為10％的比例，即隨機從高光譜數(shù)據(jù)集r以10％比例挑選訓練集rs，其余部分作為測試集rt。

s6，利用徑向基函數(shù)支持的向量機(svm)對所述訓練集rs進行訓練，獲取訓練模型；

在s6步驟之前還包括：用徑向基函數(shù)支持的svm方法交叉驗證，尋找最優(yōu)的參數(shù)組合。

s7，利用徑向基函數(shù)支持的向量機對所述測試集rt進行分類，獲取所述高光譜圖像的分類結(jié)果。

本方案通過提取高光譜圖像的空間紋理信息和線性空間相關(guān)性信息對高光譜圖像進行分類，能有效輔助光譜信息提高分類精度，彌補空間紋理信息中丟失的空間相關(guān)性。

實施例2

采用印第安農(nóng)林高光譜數(shù)據(jù)集進行測試。其中，印第安農(nóng)林來自光譜儀(airbornevisibleinfraredimagingspectrometer)，是1992年在印第安納州西北部印第安農(nóng)林收集到的高光譜遙感圖像，具有20米的空間分辨率，其包含144×144個像元，220個波段，由于噪聲和水吸收等因素除去其中的20個波段，剩余200個波段，包含16種植被，選取全部16個類別中，每類隨機選取10％樣本組成有標簽訓練集，其余90％作為測試集,具體地物類別和樣本個數(shù)參見表1；

表1印第安農(nóng)林數(shù)據(jù)集圖像分類數(shù)據(jù)統(tǒng)計

采用整體分類精度(overallaccuracy,oa)、平均分類精度(averageaccuracy,aa)以及kappa統(tǒng)計系數(shù)(kappastatistic,kappa)來衡量分類算法的精度，為了避免隨機偏差的產(chǎn)生，每個實驗重復10次且記錄平均結(jié)果，驗證平臺采用matlabr2012b，e5800，6gbram的實驗平臺。為了驗證sgds-svm算法在高光譜分類的優(yōu)越性，使用了3種方法進行比較。方法1：利用svm，并融合徑向基核函數(shù)形成rsvm；方法2：epf算法對高光譜圖像進行分類，有epf-b-c和epf-g-c；方法3：sgds-svm。

本實施例的高光譜圖像的分類效果：

(1)印第安農(nóng)林數(shù)據(jù)集的oa為96.95％，比rsvm整體分類精度高出12-13個百分點，比epf算法高出2-8個百分點，另外kappa系數(shù)和aa也有大幅度的提高，充分驗證了sgds-svm算法的有效性，發(fā)明方法明顯優(yōu)于其他兩種方法。

(2)為了驗證監(jiān)督數(shù)據(jù)對發(fā)明方法的影響，選擇不同的訓練樣本測試算法的分類精度。印第安林數(shù)據(jù)集總體分類精度oa在訓練樣本為3％時就能達到90％；說明sgds-svm算法在少量監(jiān)督樣本的情況下也可以獲得較好的分類精度。

實施例3

采用薩利納斯山谷高光譜數(shù)據(jù)集進行測試，其中薩利納斯山谷：來自光譜儀(airbornevisibleinfraredimagingspectrometer)，是1992年在美國加利福利亞州薩利納斯山谷收集到的圖像，具有3.7米的空間分辨率，其包含512×217個像元，224個波段，由于噪聲和水吸收等因素除去其中的20個波段，剩余204個波段，包含16種植被，選取全部16個類別中，每類隨機選取1％樣本組成有標簽訓練集，其余99％作為測試集,具體地物類別和樣本個數(shù)參見表2；

表2薩利納斯山谷數(shù)據(jù)集圖像分類數(shù)據(jù)統(tǒng)計

本實施例采用整體分類精度(overallaccuracy,oa)、平均分類精度(averageaccuracy,aa)以及kappa統(tǒng)計系數(shù)(kappastatistic,kappa)來衡量分類算法的精度，為了避免隨機偏差的產(chǎn)生，每個實驗重復10次且記錄平均結(jié)果，驗證平臺采用matlabr2012b，e5800，6gbram的實驗平臺。為了驗證結(jié)合導向濾波和線性空間相關(guān)性信息的高光譜圖像分類算法(sgds-svm算法)在高光譜分類的優(yōu)越性，使用了3種方法進行比較。方法1：利用svm，并融合徑向基核函數(shù)形成rsvm；方法2：epf算法對高光譜圖像進行分類，有epf-b-c和epf-g-c；方法3：sgds-svm。

本實施例的高光譜圖像的分類效果：

(1)薩利納斯山谷數(shù)據(jù)集的oa為98.69％，比rsvm整體分類精度高出12-13個百分點，比epf算法高出2-8個百分點，另外kappa系數(shù)和aa也有大幅度的提高，充分驗證了sgds-svm算法的有效性，發(fā)明方法明顯優(yōu)于其他兩種方法。

(2)為了驗證監(jiān)督數(shù)據(jù)對發(fā)明方法的影響，選擇不同的訓練樣本測試算法的分類精度，薩利納斯山谷數(shù)據(jù)集總體分類精度oa在訓練樣本為2％時就超過了99％，說明sgds-svm算法在少量監(jiān)督樣本的情況下也可以獲得較好的分類精度。

相同或相似的標號對應(yīng)相同或相似的部件；

附圖中描述位置關(guān)系的用于僅用于示例性說明，不能理解為對本專利的限制；

顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護范圍之內(nèi)。