本發(fā)明高光譜圖像分類技術(shù)領(lǐng)域,尤其涉及一種基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法。
背景技術(shù):
高光譜圖像分類作為高光譜圖像處理中的一項(xiàng)重要應(yīng)用,其最終的目標(biāo)是對(duì)圖像中的每個(gè)像元進(jìn)行類別的歸屬。高光譜遙感技術(shù)利用更多的光譜波段使其在地物類別分類方面有巨大的優(yōu)勢(shì),但是地物光譜信息的精確性也使得干擾、背景部分在高光譜分類中有一定的影響;另一方面,由于高光譜數(shù)據(jù)具有高維數(shù)據(jù)量大及訓(xùn)練樣本小的特點(diǎn),使分類時(shí)易產(chǎn)生Hughes現(xiàn)象。
近年來高光譜圖像的空譜特征結(jié)合的分類方法受到重視,基于譜間-空間特征的高光譜圖像分類方法已經(jīng)成為當(dāng)前的研究熱點(diǎn),這類方法通過結(jié)合空間信息特征與光譜特征,提高高光譜圖像分類的精度。目前大部分應(yīng)用是利用支持向量機(jī)等方法進(jìn)行一對(duì)一,或者一對(duì)多的分類;這類方法一個(gè)最大的問題在于無法對(duì)高光譜圖像的背景部分進(jìn)行分類,因此在評(píng)價(jià)分類方法時(shí),通常都是采用去掉背景的方式,導(dǎo)致該類方法缺少準(zhǔn)確性;另外,此種方法幾乎都是采用純?cè)M(jìn)行分類,導(dǎo)致分類方法的局限性,缺少通用性。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明提供一種基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法,解決上述技術(shù)問題。
本發(fā)明一種基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法,包括:
根據(jù)已標(biāo)記的樣本地物計(jì)算多目標(biāo)地物的光譜簽名矩陣;
采用基于所述光譜簽名特征矩陣和約束矩陣的多類別分類器將所述目標(biāo)地物進(jìn)行分類;
將所述分類器得到的豐度值融合空間結(jié)構(gòu)特征后再提取近鄰像元;
根據(jù)所述近鄰像元協(xié)同對(duì)未標(biāo)記高光譜的目標(biāo)地物進(jìn)行類別標(biāo)記,采用迭代方法逐步將未標(biāo)記的地物分別進(jìn)行分類。
進(jìn)一步地,所述根據(jù)已標(biāo)記的樣本地物計(jì)算多目標(biāo)地物的光譜簽名矩陣,包括:
根據(jù)公式
計(jì)算目標(biāo)地物的光譜特征向量,其中,dk為第k類目標(biāo)地物的光譜特征向量,dk={dk1,dk2,...dkL},L為波段數(shù)目,{Cset(k)}為已標(biāo)記的第k類樣本地物集合,Nk為{Cset(k)}中的像元數(shù)目,Hk(j)為{Cset(k)}中第j個(gè)像元的光譜簽名;
按照所述光譜特征向量計(jì)算目標(biāo)地物端元的光譜簽名矩陣D,D=[d1,d2,...dp],其中,p為待分類的地物種類數(shù)目,d1為第一類地物的光譜簽名。
進(jìn)一步地,所述采用基于所述光譜簽名特征矩陣和約束矩陣的多類別分類器將所述目標(biāo)地物進(jìn)行分類,包括:
根據(jù)所述目標(biāo)地物的類別數(shù)目p,設(shè)定分類器的約束矩陣為C=[c1…cp],其中,cj為第j個(gè)目標(biāo)地物的約束向量,1≤j≤p,用于對(duì)第j類目標(biāo)地物進(jìn)行約束;
利用所述光譜特征簽名矩陣及所述約束矩陣定義對(duì)p個(gè)所述目標(biāo)地物同時(shí)進(jìn)行分類的多類別分類器T,所述分類器為:
其中,R為高光譜圖像的樣本自相關(guān)矩陣,所述R為:
其中,r=[r1r2...rn]。
進(jìn)一步地,在分類結(jié)果中融合空間結(jié)構(gòu)特征,并提取近鄰像元,包括:
采用公式
對(duì)分類結(jié)果進(jìn)行卷積計(jì)算得到TG(k),其中,所述σ是高斯濾波的標(biāo)準(zhǔn)偏差,r是高斯濾波的過濾半徑;
對(duì)TG(k)中的豐度值數(shù)據(jù)進(jìn)行排序,提取值最大的2*n(k)個(gè)像元組成地物類別的近鄰集合{MCset(k)},其中,n(k)為第k類地物每次新增標(biāo)注的像元數(shù)目。
進(jìn)一步地,所述采用近鄰協(xié)同增強(qiáng)逐步將未標(biāo)記的地物分別進(jìn)行分類標(biāo)注,包括:
定義各種目標(biāo)地物的類間相似性為
dis(Hk(j))=||M(k)-Hk(j)||2 (5)
其中,M(k)為已標(biāo)注類別的第k類目標(biāo)地物的樣本聚類中心,Hk(j)為{MCset(k)}中的第j個(gè)近鄰像元;
根據(jù)類間相似性準(zhǔn)則計(jì)算近鄰集合中樣本與已標(biāo)記集合中地物的類間相似性;
將所述類間相似性最大值的n(k)個(gè)像元進(jìn)行標(biāo)注。
進(jìn)一步地,所述采用迭代方法逐步將未標(biāo)記的地物分別進(jìn)行分類之后,還包括:
利用鄰域算子、形態(tài)學(xué)擴(kuò)充對(duì)分類結(jié)果進(jìn)行局部擴(kuò)充,用于增強(qiáng)數(shù)據(jù)地物的空間區(qū)域性。
本發(fā)明一種基于近鄰協(xié)同增強(qiáng)的高光譜圖像分類方法,通過以標(biāo)記的像元逐步對(duì)未標(biāo)記的像元進(jìn)行標(biāo)記,通過采用部分已標(biāo)簽的樣本地物計(jì)算得到目標(biāo)地物光譜特征,利用設(shè)計(jì)的多類別分類器進(jìn)行初步分類結(jié)果,然后將分類結(jié)果融合空間結(jié)構(gòu)特征,并利用近鄰協(xié)同增強(qiáng)的方式逐步將未標(biāo)記的地物分別進(jìn)行分類標(biāo)注,從而達(dá)到高光譜混合像元分類的目的?;诮弲f(xié)同增強(qiáng)的高光譜混合像元分類方法通過定義一個(gè)基于光譜特征多類別分類器可以對(duì)所有的目標(biāo)類別進(jìn)行分類,有效的消除了傳統(tǒng)分類方法無法對(duì)背景地物進(jìn)行分類的問題,方法中利用近鄰協(xié)同增強(qiáng)的方式,并通過融合空間特征逐步實(shí)現(xiàn)對(duì)未標(biāo)記的地物目標(biāo)進(jìn)行標(biāo)記,分類效果較好。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹,顯而易見地,下面描述中的附圖是本發(fā)明的一些實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動(dòng)性的前提下,還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法流程圖;
圖2為本發(fā)明基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法整體示意圖;
圖3a和圖3b為本發(fā)明中待分類地物的空間結(jié)構(gòu)特征提取示意圖;
圖4a、圖4b和圖4c為本發(fā)明中待分類目標(biāo)的基于近鄰增強(qiáng)的像元標(biāo)記示意圖;
圖5為本發(fā)明中待分類目標(biāo)的鄰域擴(kuò)展示意圖;
圖6a和圖6b為本發(fā)明中Purdue數(shù)據(jù)分類結(jié)果圖;
圖7a和圖7b為本發(fā)明中Salinas數(shù)據(jù)分類結(jié)果圖;
圖8a和圖8b為本發(fā)明中Pavia數(shù)據(jù)分類結(jié)果圖。
具體實(shí)施方式
為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
圖1為本發(fā)明基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法流程圖,本實(shí)施例方法,包括:
步驟101、根據(jù)已標(biāo)記的樣本地物計(jì)算多目標(biāo)地物的光譜簽名矩陣;
具體來說,本實(shí)施例高光譜圖像數(shù)據(jù)r=(r1,r2,...rn)T,其中,n是高光譜圖像的像元數(shù)目,ri(1<=i<=n)表示高光譜圖像的第i個(gè)像元,ri=(ri1,ri2,...riL),L表示高光譜圖像的波段數(shù)目。
已知k為地物類號(hào)1<=k<=p,Numk為k類地物的全部樣本數(shù)目,采用隨機(jī)方式選取高光譜n(k)個(gè)樣本數(shù)據(jù)進(jìn)行像元標(biāo)記,并組成已標(biāo)記集合{Cset(k)}。設(shè)定迭代次數(shù)為U=Numk/n(k),令初始迭代次數(shù)u=1。
根據(jù)已標(biāo)記集合{Cset(k)},Nk為{Cset(k)}中第k類地物的已標(biāo)記像元數(shù)目,按照公式(1)計(jì)算待分類地物目標(biāo)的光譜向量dk:
其中,dk為目標(biāo)地物的光譜向量,{Cset(k)}為已標(biāo)記樣本地物集合,Nk為{Cset(k)}中第k類地物的已標(biāo)記像元數(shù)目,Hk(j)為{Cset(k)}中的標(biāo)記像元的光譜簽名。
步驟102、采用基于所述光譜簽名特征矩陣和約束矩陣的多類別分類器將所述目標(biāo)地物進(jìn)行分類;
具體來說,高光譜的光譜特征是其最重要的信息,本實(shí)施例分類器通過設(shè)計(jì)有效的利用多類別光譜特征的分類器識(shí)別地表物體。具體來說,根據(jù)分類的類別數(shù)目p,生成待分類目標(biāo)端元的光譜簽名矩陣D1=[d1,d2,..dk...dp];.以光譜統(tǒng)計(jì)特征D為基礎(chǔ),通過設(shè)置約束矩陣約束所有目標(biāo)地物,利用FIR濾波器將多種地物同時(shí)分類。設(shè)計(jì)的p個(gè)地物同時(shí)分類的多類別分類器Tk如下:
其中,其中Cp×p=[c1,c2,..cp]是以1為對(duì)角線的對(duì)角陣,其列向量ci用于約束第i個(gè)地物目標(biāo);R為高光譜圖像的光譜自相關(guān)矩陣,其定義為:其中r=[r1r2...rn],多類別分類器一方面利用逆矩陣R-1把高光譜圖像的樣本光譜進(jìn)行壓抑,達(dá)到削弱背景的作用,另一方面通過約束矩陣D可以同時(shí)實(shí)現(xiàn)多個(gè)地物類別的分類;
步驟103、將所述分類器得到的豐度值融合空間結(jié)構(gòu)特征后再提取近鄰像元;
具體來說,將高光譜數(shù)據(jù)經(jīng)過多類別分類器T之后,得到每種地物類別的分類結(jié)果T(k)?;诠庾V信息的分類器T的分類結(jié)果有大量的過分類噪聲,需要在分類結(jié)果中融合空間特征增強(qiáng)分類地物的空間信息,從而消除僅利用光譜特征分類帶來的噪聲問題。具體的做法為利用高斯濾波對(duì)分類結(jié)果進(jìn)行卷積計(jì)算,對(duì)分類結(jié)果的過分類“顆?!边M(jìn)行消除,其公式為:
其中σ是高斯濾波的標(biāo)準(zhǔn)偏差,r是高斯濾波的過濾半徑。
步驟104、根據(jù)所述近鄰像元協(xié)同對(duì)未標(biāo)記高光譜的目標(biāo)地物進(jìn)行類別標(biāo)記,采用迭代方法逐步將未標(biāo)記的地物分別進(jìn)行分類。
具體來說,本實(shí)施例為了提高標(biāo)記效率與精度,利用分類結(jié)果中每類地物的近鄰像元協(xié)同進(jìn)行地物標(biāo)記。提取近鄰像元的具體做法為:對(duì)TG(k)的豐度值數(shù)據(jù)進(jìn)行排序,提取TG(k)中值最大的2*n(k)個(gè)像元組成地物類別的近鄰集合{MCset(k)}。
利用近鄰協(xié)同的方式對(duì)未標(biāo)記的地物目標(biāo)進(jìn)行n(k)個(gè)像元標(biāo)記,具體做法為:首先定義每種地物的類間相似性如下:
dis(Hk(j))=||D(k)-Hk(j)||2 (4)
利用公式(4)計(jì)算{MCset(k)}中樣本與{Cset(k)}中地物目標(biāo)的類間相似性,將dis值最小的n(k)樣本進(jìn)行對(duì)應(yīng)類別標(biāo)注,并將其放入已標(biāo)記集合{Cset(k)}中。
利用已標(biāo)記的樣本對(duì)未標(biāo)記的像元進(jìn)行標(biāo)記時(shí),根據(jù)光譜特征與空間結(jié)構(gòu)特征相融合的方式在分類結(jié)果中選擇近鄰樣本,然后通過在近鄰樣本中選擇類別相似性最大即距離最小的像元進(jìn)行標(biāo)記。通過這種近鄰協(xié)同增強(qiáng)的方式,提高了未標(biāo)記樣本的標(biāo)記精度,有助于高光譜圖像的分類。
令u=u+1,如果u<U,轉(zhuǎn)到步驟B,繼續(xù)采用迭代方式進(jìn)行高光譜混合像元標(biāo)記,從而逐步增強(qiáng)已標(biāo)記的樣本的數(shù)目。
下面舉例說明本發(fā)明基于近鄰協(xié)同增強(qiáng)的高光譜混合像元分類方法,樣本數(shù)據(jù)來源于真實(shí)的高光譜圖像:Indian Pine實(shí)驗(yàn)區(qū)的高光譜數(shù)據(jù),以下簡稱Purdue數(shù)據(jù)。該數(shù)據(jù)是由AVIRIS傳感器在印第安納州西北部獲得的農(nóng)田圖像,圖像大小為145×145,空間分辨率20米,原始波段數(shù)目為220個(gè),包括16類地物類別;其偽彩色圖和真實(shí)地物信息如圖3a和圖3b所示。
首先設(shè)置迭代次數(shù)10次,u的初值為1。從實(shí)驗(yàn)數(shù)據(jù)的真實(shí)地測(cè)數(shù)據(jù)中隨機(jī)抽取10%的已標(biāo)記樣本,并且組成已標(biāo)記集合k{Cset(k)},1<=k<=16,表1至表3為每種地物類別已標(biāo)記的數(shù)目。
表1
按照公式(1)進(jìn)行樣本地物的光譜簽名計(jì)算,并將計(jì)算得到的三幅圖像的類別光譜簽名矩陣D=[d1,d2,...d16];
設(shè)置約束矩陣C:C16×16,其列向量ci用于約束purdue的第i個(gè)地物類別;
利用約束向量矩陣C來同時(shí)約束D,能同時(shí)將purdue數(shù)據(jù)中的16類地物目標(biāo)同時(shí)進(jìn)行分類;
根據(jù)Dk和約束矩陣C,按照公式(2),定義的多類別分類器Tk(i)(1<=i<=16)計(jì)算地物目標(biāo)的分類結(jié)果。
設(shè)置σ=1.5,r=11,按照公式(3)提取Purdue數(shù)據(jù)分類結(jié)果圖的空間結(jié)構(gòu)特征T(iG)(1<=i<=16)。Purdue數(shù)據(jù)的第2類的空間提取示意圖如圖3a和圖3b所示,其中圖3a為corn-notil類別的第二類第一次分類結(jié)果,圖3b為高斯濾波之后的結(jié)果圖,其中的顏色深淺表示像元豐度值的高低??梢钥闯鼋?jīng)過空間特征濾波之后,有效的消除了分類結(jié)果中的“顆粒”噪聲,corn-notil地物的空間特征被融入和光譜分類結(jié)果中了。
對(duì)T(iG)(1<=i<=16)進(jìn)行排序,選出每一類2*n(k)個(gè)近鄰像元,建立近鄰集合MCset。
下面以Purdue數(shù)據(jù)的類別1,alfalfa數(shù)據(jù)為例進(jìn)行說明。近鄰增強(qiáng)的像元標(biāo)記如圖4a、圖4b和圖4c所示。示例圖像的大小為原圖的(90:111,60:81)部分。其中圖4a為已標(biāo)記的alfalfa類地物的像元,具體的隨機(jī)生成的標(biāo)記像元集合為Cset,具體的坐標(biāo)為(96,73)(98,68)(100,73)(100,74)(101,73);已融合空間結(jié)構(gòu)特征之后的豐度值排序的近鄰像元如圖4b圖所示。近鄰像元集合為Mcset,具體坐標(biāo)值為(101,73)、(100,73)、(101,74)、(100,74)、(101,72)、(100,72)、(102,73)、(99,73)、(102,74)、(99,72);
利用公式(4)計(jì)算近鄰集合Mcset與Cset中已標(biāo)記alfalfa地物的類間相似性,其具體的值如表2所示。
表2
然后對(duì)表2的數(shù)據(jù)進(jìn)行排序,選擇5個(gè)像元(像元號(hào)為1,2,3,5,6)進(jìn)行標(biāo)記,并將其放入已標(biāo)記集合以更新Cset。新的標(biāo)記alfalfa數(shù)據(jù)如圖4c所示。
對(duì)三幅圖像均采用以上操作,可以將高光譜地物類別通過近鄰協(xié)同增強(qiáng)的方式逐步擴(kuò)大已標(biāo)記的像元數(shù)目。
令u=u+1,如果u<10,按照公式(1)更新所有類地物目標(biāo)矩陣D;接著轉(zhuǎn)到步驟E繼續(xù)執(zhí)行;當(dāng)達(dá)到u=11的時(shí)候,迭代停止,近鄰協(xié)同增強(qiáng)標(biāo)記完成,Cset集合中的像元即為每類地物的分類結(jié)果。
最后利用鄰域大小為2*2的算子對(duì)Purdue圖像的分類結(jié)果進(jìn)行局部擴(kuò)充,增強(qiáng)數(shù)據(jù)地物的空間區(qū)域性,擴(kuò)展的示意圖如圖5所示。其中圖5左圖為經(jīng)過近鄰協(xié)同之后的地物分類結(jié)果,經(jīng)過大小為2*2的鄰域算子之后的結(jié)果圖為圖5右圖所示,可以看出,經(jīng)過鄰域擴(kuò)展之后,地物的空間特征被表征了出來,代表了地物的形態(tài)與大小。Purdue數(shù)據(jù)的一組最終分類結(jié)果如圖6a和圖6b所示,圖6a為ground truth圖像,圖6b為本發(fā)明的一組分類結(jié)果。
實(shí)驗(yàn)中還利用了另外兩組真實(shí)的高光譜數(shù)據(jù),以下簡稱Salinas數(shù)據(jù)及Pavia數(shù)據(jù)。其中:一組為由采用AVIRIS傳感器在美國加州南部地區(qū)獲取的Salinas山谷的高光譜圖像,以下簡稱Salinas數(shù)據(jù)。該圖像的大小為512×217,空間分辨率為3.7米,含有224個(gè)波段,共包括16類地物,其偽彩色圖和真實(shí)地物信息如圖3a和圖3b所示,初始Cset的數(shù)目如表3所示。
另一組為采用ROSIS-03傳感器在Pavia大學(xué)上空獲取的城市地域圖像Pavia University,以下簡稱pavia數(shù)據(jù),該數(shù)據(jù)圖像大小為610×340,空間分辨率為1.3米,含有103個(gè)波段,共包括9類地物,其偽彩色圖和真實(shí)地物信息如圖3a和圖3b所示,初始Cset的數(shù)目如表4所示。
表3
表4
這兩組組真實(shí)數(shù)據(jù)的grountruth圖像如圖7a和圖8a所示,一組最終分類結(jié)果如圖7b和圖8b所示。通過以上基于近鄰協(xié)同增強(qiáng)的分類方法所得到的三組真實(shí)分類結(jié)果與Groundtruth圖像標(biāo)注的結(jié)果可以明顯的看出,本次發(fā)明提出的分類方法設(shè)計(jì)了以光譜特征為基礎(chǔ)的多類別分類器,可以一次對(duì)所有地物類別進(jìn)行分類,并有效的解決了傳統(tǒng)以SVM為基礎(chǔ)的分類器無法對(duì)圖像背景進(jìn)行分類的問題。
以下利用分類精度與kappa系數(shù)來定量和客觀的評(píng)價(jià)本次發(fā)明所提出的分類方法,分類率OA的定義如下:
其中p為地物類別數(shù),Si為分類結(jié)果中第i類,ground truth也為第i類地物的像元數(shù)目,Ni為Ground truth結(jié)果中第i類地物的樣本數(shù)目。
每種地物目標(biāo)類別的分類精度,計(jì)算公式如下:
Kappa系數(shù)的計(jì)算公式為:
其中:
N1i表示分類結(jié)果把為第i類地物分成是其他地物的像元數(shù)目;N2i表示把其他地物錯(cuò)分為第i類地物的像元數(shù)目。
表5、6、7為三幅高光譜圖像的分類精度和kappa系數(shù)的具體數(shù)值??梢钥闯霰景l(fā)明的分類方法對(duì)于每種地物類別都取得了不錯(cuò)的分類精度,同時(shí)kappa系數(shù)也比較高,表明該分類方法的結(jié)果與真實(shí)的分類結(jié)果一致性較高。
表5
表6
表7
本發(fā)明利用了光譜統(tǒng)計(jì)特征設(shè)計(jì)的多分類器檢測(cè)結(jié)果,將未標(biāo)記的樣本進(jìn)行近鄰自協(xié)同增強(qiáng)標(biāo)注,逐步完成混合像元分類。方法中為了提高分類精度,采用將譜間特征與空間特征一體化的方式進(jìn)行高光譜混合像元類別特征判斷。首先設(shè)計(jì)多類別高光譜分類器,將部分樣本進(jìn)行標(biāo)記后,通過多類別高光譜分類器,檢測(cè)出初步分類結(jié)果,然后將檢測(cè)結(jié)果與已標(biāo)記的地物進(jìn)行比較,選擇距離最小的樣本協(xié)同進(jìn)行標(biāo)注,逐步增強(qiáng)已標(biāo)記的樣本的數(shù)目,再通過更新目標(biāo)地物的光譜簽名,利用迭代的方式完成高光譜圖像的分類。
最后應(yīng)說明的是:以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案,而非對(duì)其限制;盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明,本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改,或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換;而這些修改或者替換,并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。