本發(fā)明涉及圖像處理領(lǐng)域，具體是一種基于聯(lián)合雙邊濾波與極限學(xué)習(xí)機(jī)的高光譜圖像分類(lèi)方法。

背景技術(shù)：

高光譜圖像是相比傳統(tǒng)的彩色圖像具有更豐富的信息，在許多領(lǐng)域都有廣泛的應(yīng)用。例如：地質(zhì)勘探，海洋監(jiān)測(cè)，農(nóng)作物種植等方面。高光譜圖像波段數(shù)量多，光譜分辨率高和具有豐富的空間信息和光譜信息，而諸多研究表明高光譜數(shù)據(jù)在采集時(shí)容易受到噪聲的影響，從而產(chǎn)生同種物質(zhì)的光譜值相差比較大，不同物質(zhì)的光譜值卻比較相近得結(jié)果，這樣對(duì)高光譜的數(shù)據(jù)處理及其分類(lèi)帶來(lái)諸多的影響。

近年來(lái)，高光譜圖像分類(lèi)是高光譜圖像處理中一個(gè)熱門(mén)的領(lǐng)域。傳統(tǒng)的高光譜圖像分類(lèi)單一的用光譜特征進(jìn)行分類(lèi)，忽略了光譜間空間結(jié)構(gòu)的信息關(guān)聯(lián)性，使得分類(lèi)的效果不理想。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述的問(wèn)題，本發(fā)明目的是提供基于聯(lián)合雙邊濾波與極限學(xué)習(xí)機(jī)的高光譜圖像分類(lèi)方法，利用空間信息進(jìn)行光譜濾波處理，在用超限學(xué)習(xí)機(jī)對(duì)處理后的高光譜圖像進(jìn)行分類(lèi)，從而達(dá)到提升分類(lèi)精度的效果。

為實(shí)現(xiàn)上述的目的，本發(fā)明采取以下的技術(shù)方案：基于聯(lián)合雙邊濾波與極限學(xué)習(xí)機(jī)的高光譜圖像分類(lèi)方法，包括步驟如下：

(1)將高光譜圖像進(jìn)行歸一化處理，用主成份分析(principalcomponentanalysis，pca)的方法對(duì)高光譜圖像提取第一主成分；

(2)、用提取完的第一主成分作為引導(dǎo)圖和歸一化后高光譜圖像的每一層光譜進(jìn)行空間上的濾波處理，從而形成修正后的高光譜分類(lèi)圖像；

(3)、將修正后的高光譜圖像隨機(jī)取一定數(shù)量的樣本作為訓(xùn)練數(shù)據(jù)集并將訓(xùn)練數(shù)據(jù)集根據(jù)已知的分類(lèi)信息進(jìn)行類(lèi)別標(biāo)記，剩下樣本的作為測(cè)試數(shù)據(jù)集；

(4)、用標(biāo)記后的訓(xùn)練樣本對(duì)超限學(xué)習(xí)機(jī)(extremelearningmachine，elm)分類(lèi)器進(jìn)行分類(lèi)訓(xùn)練；

(5)、最后用訓(xùn)練完的超限學(xué)習(xí)機(jī)對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類(lèi)預(yù)測(cè)。

具體的所述的步驟(2)按如下的過(guò)程進(jìn)行：

2.1、將單層高光譜圖像用i表示，(i，j)表示圖片坐標(biāo),(p，q)表示(i，j)鄰域?yàn)閣的坐標(biāo)，則i(i，j)，i(p，q)表示某點(diǎn)的光譜值，第一主成份用ifc表示，濾波后的輸出圖像為ijbf則有：

其中:

歸一化參數(shù)

空間高斯核函數(shù)σd為空間域參數(shù)；

光譜高斯核函數(shù)σd為光譜域參數(shù)

2.2、基于2.1的所列的公式原理，經(jīng)驗(yàn)性的分別給w，σd，σr賦予初值，用主成份分析方法所提取的第一主成份作為引導(dǎo)圖，將高光譜圖像逐層進(jìn)行光譜值的濾波修正，得到修正后的高光譜圖像。

具體的，所述的步驟(3)按如下的過(guò)程進(jìn)行：選擇基于核的超限學(xué)習(xí)機(jī)，初始化超限學(xué)習(xí)機(jī)的核函數(shù)為徑向基函數(shù)(rbf)，經(jīng)驗(yàn)性的初始化神經(jīng)元個(gè)數(shù)。再將標(biāo)記好類(lèi)別的訓(xùn)練樣本輸入到超限學(xué)習(xí)機(jī)中進(jìn)行模型訓(xùn)練。再將未標(biāo)記的測(cè)試樣本出入到訓(xùn)練好的模型中進(jìn)行分類(lèi)預(yù)測(cè)。

本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果:利用pca提取第一主成分作為引導(dǎo)圖用聯(lián)合雙邊濾波器對(duì)高光譜圖像空間進(jìn)行聯(lián)合雙邊濾波，并且利用極限學(xué)習(xí)機(jī)對(duì)濾波后的高光譜圖像進(jìn)行分類(lèi)。利用聯(lián)合雙邊濾波對(duì)高光譜圖像的空間信息進(jìn)行修正，用極限學(xué)習(xí)機(jī)(elm)對(duì)修正后的高光譜圖像進(jìn)行分類(lèi)，達(dá)到了更好的分類(lèi)精度。

附圖說(shuō)明

圖1是高光譜圖像分類(lèi)方法的流程框圖；

圖2是真實(shí)地表分類(lèi)圖；

圖3是實(shí)驗(yàn)分類(lèi)圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚、明確，以下參照附圖并舉例實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

一種基于聯(lián)合濾波與超限學(xué)習(xí)機(jī)的高光譜圖像分類(lèi)方法，包括以下步驟：

(1)、將高光譜圖像進(jìn)行歸一化處理，用主成份分析的方法對(duì)高光譜圖像提取第一主成分；

(2)、用提取完的第一主成分作為引導(dǎo)圖和歸一化后高光譜圖像的每一層光譜進(jìn)行空間上的濾波處理，從而形成修正后的高光譜分類(lèi)圖像；

(3)、將修正后的高光譜圖像隨機(jī)取一定數(shù)量的樣本作為訓(xùn)練數(shù)據(jù)集并將訓(xùn)練數(shù)據(jù)集根據(jù)已知的分類(lèi)信息進(jìn)行類(lèi)別標(biāo)記，剩下樣本的作為測(cè)試數(shù)據(jù)集；

(4)、用標(biāo)記后的訓(xùn)練樣本對(duì)超限學(xué)習(xí)機(jī)分類(lèi)器進(jìn)行分類(lèi)訓(xùn)練；

(5)、最后用訓(xùn)練完的超限學(xué)習(xí)機(jī)對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類(lèi)預(yù)測(cè)。

具體的所述的步驟(2)按如下的過(guò)程進(jìn)行：

2.1、將單層高光譜圖像用i表示，(i，j)表示圖片坐標(biāo),(p，q)表示(i，j)鄰域?yàn)閣的坐標(biāo)，則i(i，j)，i(p，q)表示某點(diǎn)的光譜值，第一主成份用ifc表示，濾波后的輸出圖像為ijbf則有：

其中:

歸一化參數(shù)

空間高斯核函數(shù)σd為空間域參數(shù)；

光譜高斯核函數(shù)σd為光譜域參數(shù)

2.2、基于2.1的所列的公式原理，經(jīng)驗(yàn)性的分別給w，σd，σr賦予初值，用主成份分析方法所提取的第一主成份作為引導(dǎo)圖，將高光譜圖像逐層進(jìn)行光譜值的濾波修正，得到修正后的高光譜圖像。

具體的，所述的步驟(3)按如下的過(guò)程進(jìn)行：選擇基于核的超限學(xué)習(xí)機(jī)，初始化超限學(xué)習(xí)機(jī)的核函數(shù)為徑向基函數(shù)(rbf)，經(jīng)驗(yàn)性的初始化神經(jīng)元個(gè)數(shù)。再將標(biāo)記好類(lèi)別的訓(xùn)練樣本輸入到超限學(xué)習(xí)機(jī)中進(jìn)行模型訓(xùn)練。再將未標(biāo)記的測(cè)試樣本出入到訓(xùn)練好的模型中進(jìn)行分類(lèi)預(yù)測(cè)。

實(shí)驗(yàn)結(jié)果

高光譜圖像indianpines實(shí)驗(yàn)分類(lèi)結(jié)果：

從實(shí)驗(yàn)對(duì)照數(shù)據(jù)表明，基于聯(lián)合雙邊濾波與極限學(xué)習(xí)機(jī)的高光譜圖像分類(lèi)方法較傳統(tǒng)的分類(lèi)方法有較大的分類(lèi)精度的提升，各類(lèi)別的地物都可以達(dá)到很好的分類(lèi)效果。

上述實(shí)施例為本發(fā)明的一種實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。