本發(fā)明屬于遙感圖像處理技術領域，涉及一種高光譜圖像分類方法，具體涉及一種基于擴展形態(tài)學和導向濾波的高光譜圖像分類方法，可用于農(nóng)業(yè)、環(huán)境監(jiān)視等諸多領域。

背景技術：

高光譜遙感圖像是由高光譜傳感器捕獲的衛(wèi)星圖像，對于每個像素都有幾十個乃至幾百個光譜波段。因此，它可以提供豐富的信息而且具有很高的光譜分辨率，可廣泛應用于軍事、農(nóng)業(yè)、環(huán)境監(jiān)視等諸多領域。對高光譜圖像進行處理分析在國際遙感領域極其重要，其中高光譜圖像分類是高光譜信息處理的一個重要研究方向。然而，高光譜圖像提供大量信息的同時也會出現(xiàn)信息冗余的現(xiàn)象，大量高度相關的信息給目前的分類方法帶來了挑戰(zhàn)。

現(xiàn)有的高光譜圖像分類方法可分為基于光譜域信息的分類和基于光譜空間域信息的分類。

基于光譜域信息的分類方法是指通過每種地物光譜曲線的特征來進行分類，其中最小距離匹配是較為基礎的基于光譜域信息分類的方法，該方法首先根據(jù)先驗知識從高光譜數(shù)據(jù)中選取光譜信息建立訓練樣本集，然后計算各類別樣本光譜的均值作為該類別的標準光譜，最后通過計算待分類像元光譜與各類別標準光譜的相似程度來實現(xiàn)分類。該方法簡單易實現(xiàn)，但易受噪聲的影響從而容易出現(xiàn)誤分類。之后出現(xiàn)的光譜角匹配法在衡量光譜相似性時，把像元看作一個n維空間的矢量，根據(jù)計算得到的夾角大小去判斷待分類像元的所屬類別，該方法對噪聲具有魯棒性，但是不能有效的解決“同物異譜”等現(xiàn)象，對提高分類精度具有一定的局限性。

基于光譜域信息的分類方法只著重于光譜域信息，忽視了空間域信息，會丟失許多細節(jié)特征，從而在同質區(qū)域存在許多斑點，使得分類精度受到一定的限制。隨著遙感研究的深入，基于光譜空間域信息的分類方法應運而生，該類方法是指在提取光譜特征基礎上加入空間域信息(包括空間鄰域信息、邊緣信息、紋理信息等)來進行分類。其主要方法有benediktsson等人提出的基于擴展形態(tài)學的高光譜分類方法，該方法首先使用主成分分析對高光譜圖像進行光譜信息提取，然后在提取的主成分上進行擴展形態(tài)學變換，最后對融合的空譜特征進行分類。該方法可以很好地從高光譜圖像中提取特征，避免了分類后同質區(qū)域的斑點現(xiàn)象，但是由于腐蝕操作和膨脹操作都是不可逆的，所以在邊緣地區(qū)的分類精度不是很高；kang等人提出一種基于邊緣保持濾波的高光譜圖像分類方法，該方法通過引入邊緣保持濾波器，有效的解決了邊緣區(qū)域錯分的問題，卻依然存在小類別區(qū)域錯分的情況，從而在一定程度上影響了分類精度。因此，關于高光譜圖像的空譜域信息還需要進一步探索和利用。

技術實現(xiàn)要素：

本發(fā)明的目的是克服上述現(xiàn)有技術的不足，提出了一種基于擴展形態(tài)學和導向濾波的高光譜分類方法，通過主成分分析和擴展形態(tài)學方法來提取高光譜圖像的空譜特征，豐富了特征信息，然后利用導向濾波來保護邊緣區(qū)域，用于解決現(xiàn)有技術存在的邊緣區(qū)域以及小類別區(qū)域錯分而導致的分類精度差的技術問題。

為實現(xiàn)上述目的，本發(fā)明的技術方案包括如下步驟：

(1)輸入一幅包含d個波段數(shù)的待分類高光譜圖像x及該圖像x的類別標簽；

(2)采用主成分分析方法，對高光譜圖像x進行降維，得到高光譜圖像x前c個主成分pc；

(3)采用擴展形態(tài)學方法，提取高光譜圖像x前c個主成分pc中每個主成分的特征，得到到c×λ個形態(tài)學開特征圖пγ和c×λ個形態(tài)學閉特征圖πφ，其中，λ為整數(shù)；

(4)對形態(tài)學開特征圖пγ和形態(tài)學閉特征圖пφ分別進行導向濾波，并將濾波后的特征進行組合，得到高光譜圖像x的特征集gemp。

(5)根據(jù)高光譜圖像x的類別標簽，從特征集gemp的每一類樣本中隨機抽取一定比例的樣本作為訓練集，剩余樣本作為測試集；

(6)利用抽取出的訓練集及該訓練集中各樣本對應的類別標簽，對支持向量機進行訓練，并利用訓練好的支持向量機對測試集進行分類，得到分類后的高光譜圖像x”；

(7)輸出分類后的高光譜圖像x”，并計算分類精度。

本發(fā)明與現(xiàn)有的技術相比，具有以下優(yōu)點：

本發(fā)明通過主成分分析和擴展形態(tài)學方法來提取高光譜圖像的空譜特征，然后利用導向濾波來保護邊緣區(qū)域，得到基于導向濾波的擴展形態(tài)學特征集，與現(xiàn)有技術中僅利用擴展形態(tài)學或邊緣保持濾波器提取特征相比，豐富和完善了特征信息，改善了邊緣區(qū)域和小類別區(qū)域錯分的現(xiàn)象，有利于提高圖像分類精度。

附圖說明

圖1是本發(fā)明的實現(xiàn)流程圖；

圖2是本發(fā)明仿真使用的一幅帕維亞大學高光譜圖像；

圖3是本發(fā)明采用基于擴展形態(tài)學方法對圖2進行分類的仿真結果圖；

圖4是本發(fā)明采用基于邊緣保持濾波方法對圖2進行分類的仿真結果圖；

圖5是采用本發(fā)明對圖2分類的仿真結果圖。

具體實施方式

以下結合附圖和具體實施例，對本發(fā)明作進一步詳細說明。

參照圖1，一種基于擴展形態(tài)學和導向濾波的高光譜分類方法，包括如下步驟：

步驟1，輸入一幅包含d個波段數(shù)的待分類高光譜圖像x及該圖像x的類別標簽；

本實施例輸入一幅包含103個波段的帕維爾大學高光譜圖像及該圖像的類別標簽；

步驟2，由于高光譜圖像的高維特性會帶來計算復雜，信息冗余等問題，本發(fā)明采用主成分分析方法，對高光譜圖像x進行降維，得到高光譜圖像x前c個主成分pc，即高光譜圖像x的光譜特征；

(2a)圖像向量化：把高光譜圖像x每個波段的圖像按照先列后行或先行后列的順序排列成一個列向量，得到高光譜圖像x的向量組x'，x'＝[x1,x2,...xp,...,xd]，其中，xp表示高光譜圖像x第p個波段的圖像；

本實施例中把帕維爾大學高光譜圖像每個波段的圖像按照先列后行的的順序排列成一個列向量；

(2b)計算高光譜圖像x的向量組x'＝[x1,x2,...xp,...,xd]的中心化向量組y：

y＝x'-e(x')

其中，e(x')表示高光譜圖像x的向量組x'的均值向量；

(2c)計算中心化向量組y的協(xié)方差矩陣cov：

cov＝y(tǒng)y^t

其中，y^t表示中心化向量組y的轉置；

(2d)對中心化向量組y的協(xié)方差矩陣cov進行特征分解，得到d個特征值ω和對應的d個特征向量u；

(2e)特征值越大，包含的特征信息越多，所以按照d個特征值ω由大到小的順序，對d個特征值ω對應的d個特征向量u進行排列，并對前c個特征向量進行組合，得到變換矩陣u＝[u1,u2,...,uc]；

(2f)計算高光譜圖像x的前c個主成分pc，pc＝{pc¹,pc²,...,pc^s,...,pc^c},其中，pc^s表示任一主成分，計算公式為：

pc＝x'u

步驟3，在得到的光譜特征基礎上，采用擴展形態(tài)學方法，提取高光譜圖像x前c個主成分pc中每個主成分的形態(tài)學特征，得到c×λ個形態(tài)學開特征圖πγ和c×λ個形態(tài)學閉特征圖πφ，即高光譜圖像x的形態(tài)學開特征和形態(tài)學閉特征，其中，λ為整數(shù)；

(3a)對高光譜圖像x前c個主成分pc中的每一個主成分進行λ次開運算，得到c×λ個形態(tài)學開特征圖πγ，即高光譜圖像x的形態(tài)學開特征，其中，任一主成分pc^s的第m個形態(tài)學開特征圖可以表示為：

其中，1≤m≤λ，表示開重構算子，且e表示結構元素的大小，ε^e表示腐蝕操作，表示基于膨脹的重構操作；開特征圖的獲取過程就是對任一主成分pc^s使用結構元素e進行一次開運算。在對高光譜圖像x前c個主成分pc中任一主成分進行λ次開運算時，使用了λ個不同大小的結構元素，每次開運算所選擇的結構元素呈遞增趨勢，本實施例所用的5個結構算子取值分別為3，7，11，15，19。

(3b)對高光譜圖像x前c個主成分pc中的每一個主成分進行λ次閉運算，得到c×λ個形態(tài)學閉特征圖∏φ，即高光譜圖像x的形態(tài)學閉特征，其中，任一主成分pc^s的第m個形態(tài)學閉特征圖可以表示為：

其中，表示閉重構算子，且δ^e表示膨脹操作，表示基于腐蝕的重構操作。閉特征圖的獲取過程就是對任一主成分pc^s使用結構元素e進行一次開運算。在對高光譜圖像x前c個主成分pc中任一主成分進行λ次閉運算時，使用了λ個不同大小的結構元素，每次閉運算所選擇的結構元素同樣呈遞增趨勢，本發(fā)明所用的5個結構算子取值分別為3，7，11，15，19。

步驟4，對形態(tài)學開特征圖πγ和形態(tài)學閉特征圖πφ分別進行導向濾波，并將濾波后的特征進行組合，得到高光譜圖像x的特征集gemp。

(4a)對高光譜圖像x前c個主成分pc中的每一個主成分的λ個形態(tài)學開特征圖πγ分別進行導向濾波，得到λ個形態(tài)學開特征圖πγ的濾波輸出值其中，對高光譜圖像x前c個主成分pc中的任一主成分pc^s的第m個形態(tài)學開特征圖進行導向濾波，得到形態(tài)學開特征圖的濾波輸出值實現(xiàn)過程為：

將高光譜圖像x前c個主成分pc中的任一主成分pc^s的第m個形態(tài)學開特征圖作為導向濾波器的輸入圖像，形態(tài)學開特征圖對應的主成分pc^s作為導向濾波器的導向圖像，對輸入圖像進行導向濾波，得到濾波輸出值其中，對輸入圖像中i處像素進行導向濾波，得到輸入圖像中i處像素的濾波輸出值

其中，表示形態(tài)學開特征圖像中j處像素的特征值，wij表示濾波權值，且wk表示第k個核函數(shù)窗口，k為正整數(shù)，|w|表示窗口wk內(nèi)像素的個數(shù)，和分別表示引導圖像pc^s在窗口wk內(nèi)的均值和方差，ε為平滑因子；

(4b)對高光譜圖像x前c個主成分pc中的每一個主成分的λ個形態(tài)學閉特征圖∏φ分別進行導向濾波，得到λ個形態(tài)學閉特征圖∏φ的濾波輸出值其中，對高光譜圖像x前c個主成分pc中的任一主成分pc^s的第m個形態(tài)學閉特征圖進行導向濾波，得到形態(tài)學閉特征圖的濾波輸出值實現(xiàn)過程為：

將高光譜圖像x前c個主成分pc中的任一主成分pc^s的第m個形態(tài)學閉特征圖作為導向濾波器的輸入圖像，形態(tài)學閉特征圖對應的主成分pc^s作為導向濾波器的導向圖像，對輸入圖像進行導向濾波，得到濾波輸出值其中，對輸入圖像中a處像素進行導向濾波，得到輸入圖像中a處像素的濾波輸出值

其中，表示形態(tài)學閉特征圖像中b處像素的特征值，wab表示濾波權值，且

(4c)將高光譜圖像x前c個主成分pc中每個主成分的λ個形態(tài)學開特征圖∏γ的濾波輸出值和每個主成分的λ個形態(tài)學閉特征圖∏φ的濾波輸出值進行組合，得到每個主成分基于導向濾波的擴展形態(tài)學特征gmp(pc^s)；

(4d)高光譜圖像x前c個主成分pc擴展形態(tài)學特征集gemp是由每個主成分基于導向濾波的擴展形態(tài)學特征gmp(pc^s)組合而成，可以表示為：

gemp＝{gmp(pc¹),gmp(pc²),...,gmp(pc^s),...,gmp(pc^c)}

步驟5，根據(jù)高光譜圖像x的類別標簽，從特征集gemp的每一類樣本中隨機抽取一定比例的樣本作為訓練集，剩余樣本作為測試集；

根據(jù)高光譜圖像x的類別標簽中每一類樣本的位置，從特征集gemp中對應位置抽取一定比例的樣本作為訓練集，每一類中剩余樣本作為測試集。抽取的訓練樣本比例可自由設定，選取訓練樣本的比例相同，分類精度越高說明分類效果越好。本實施例中對于帕維爾大學高光譜圖像抽取了百分之六的樣本作為訓練集；

步驟6，利用抽取出的訓練集及該訓練集中各樣本對應的類別標簽，對支持向量機進行訓練，并利用訓練好的支持向量機對測試集進行分類，得到分類后的高光譜圖像x″；

步驟7，輸出分類后的高光譜圖像x”，并計算分類精度。

(7a)利用不同的顏色，對經(jīng)過支持向量機分類得到的樣本類別上色，得到上色后的高光譜圖像，然后將其輸出。本實施例中的帕維爾大學高光譜圖像，采用9種顏色對9個不同類別的像素進行上色，得到上色后的帕維爾大學高光譜圖像，然后將其輸出；

(7b)計算分類精度中的三個指標：總精度(oa)，平均精度(aa)，卡方系數(shù)(kappa)。

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；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；卡方系數(shù)(kappa)表示混淆矩陣中不同的權值，值越大，說明分類效果越好。

以下結合仿真實驗，對本發(fā)明的技術效果進行說明。

1.仿真條件和內(nèi)容。

(1)仿真條件

硬件平臺為：intercorei5-3210mcpu@2.50ghz、8gbram；

軟件平臺為：matlabr2015a；

本實施例的輸入圖像為帕維爾大學高光譜圖像，圖像共包含103個波段和9類地物，圖像格式為tif。

(2)仿真內(nèi)容

采用本發(fā)明和現(xiàn)有技術基于擴展形態(tài)學分類方法及基于邊緣保持濾波分類方法，對圖2所示的帕維爾大學高光譜圖像分別進行分類仿真，其結果如圖5，圖3，圖4所示。

2.仿真結果分析。

參照圖3可以看出，對于同質區(qū)域能夠正確的分類，但是存在小類別區(qū)域和邊緣區(qū)域錯分的現(xiàn)象。

參照圖4可以看出，改善了邊緣錯分的現(xiàn)象，但是仍然存在小類別區(qū)域錯分的現(xiàn)象。

參照圖5可以看出，在邊緣區(qū)域和小類別區(qū)域都能達到理想的分類效果，有利于提高圖像分類精度。

為了驗證本發(fā)明的技術效果，本發(fā)明和兩種對比方法在仿真實驗中得到的各類分類精度、總精度、平均精度以及卡方系數(shù)，如表1所示：

其中，emp表示基于擴展形態(tài)學的方法，epf表示基于邊緣保持濾波的方法，可以看出總精度、平均精度以及卡方系數(shù)明顯地提高。

表1