一種基于空間光譜信息的高光譜圖像殘差融合分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感信息處理技術(shù)領(lǐng)域，尤其涉及高光譜圖像分類的，一種基于空間 光譜信息的高光譜圖像殘差融合分類方法。
【背景技術(shù)】
[0002] 高光譜圖像在許多領(lǐng)域都有廣泛的應(yīng)用，包括農(nóng)業(yè)生產(chǎn)，礦物識別與檢測目標(biāo)區(qū) 域，災(zāi)害預(yù)警，軍事偵察與城市規(guī)劃等等。高光譜圖像分類技術(shù)在高光譜圖像處理中占有非 常重要的地位，其目的是將圖像中的像素根據(jù)具有代表性的樣本劃分到其相應(yīng)類別中。傳 統(tǒng)高光譜處理中通常用到的信息為原始的光譜（OriginalSpectral, 0S)信息和主成分分 析（PrincipalComponentsAnalysis,PCA)特征信息，如何有效地利用豐富的數(shù)據(jù)信息，并 同時確保處理精度獲得了越來越廣泛的關(guān)注。在眾多的分類方法中，支持向量機（Support VectorMachine，SVM)是一種公認(rèn)的優(yōu)秀分類算法，在其基礎(chǔ)上2006年，Camps-Valls利 用Mercer核函數(shù)的性質(zhì)，構(gòu)造了組合核函數(shù)（CompositeKernels，CK),從而開辟了容易結(jié) 合的空間信息和光譜信息的廣闊領(lǐng)域，由此產(chǎn)生的分類器被稱為SVM-CK。
[0003] 傳統(tǒng)的高光譜數(shù)據(jù)分類方法中存在以下幾個問題：1、高光譜數(shù)據(jù)不能得到很好的 表達致使分類精度不高。2、沒有充分利用高光譜圖像中的鄰域信息。3、分類過程中產(chǎn)生有 效信息不能充分的利用。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種分類視覺效果好、分類精度高的，一種基于空間光譜信 息的高光譜圖像殘差融合分類方法。
[0005] 本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：
[0006] -種基于空間光譜信息的高光譜圖像殘差融合分類方法，包括以下幾個步驟，
[0007] 步驟一：讀入高光譜圖像數(shù)據(jù)，對高光譜圖像進行維數(shù)轉(zhuǎn)換，將三維數(shù)據(jù)轉(zhuǎn)換成二 維數(shù)據(jù)，對所得的二維數(shù)據(jù)作歸一化處理，確定樣本類別數(shù)為L;
[0008] 步驟二：分別提取高光譜圖像的空間紋理信息匕和光譜信息FN;
[0009] 步驟三：根據(jù)空間紋理信息^和光譜信息FN構(gòu)建相關(guān)矩陣，相關(guān)矩陣包括根據(jù)空 間紋理信息F。構(gòu)建的空間紋理信息聯(lián)合信號矩陣XJ°、空間紋理信息字典和局部自適應(yīng) 空間紋理信息字典Aa，相關(guān)矩陣還包括根據(jù)光譜信息Fjg建的光譜信息聯(lián)合信號矩陣XJN、 光譜信息字典AN和局部自適應(yīng)光譜信息字典A'
[0010] 步驟四：求解高光譜圖像中測試樣本xp與相關(guān)矩陣相對應(yīng)的系數(shù)矩陣；
[0011] 步驟五：將空間紋理信息字典局部自適應(yīng)空間紋理信息字典Aa、光譜信息字 典AN和局部自適應(yīng)光譜信息字典A1分別和其對應(yīng)的系數(shù)矩陣相乘得到重構(gòu)樣本，計算測 試樣本xp的每個類別所對應(yīng)的重構(gòu)殘差；
[0012] 步驟六：計算測試樣本xp的每個類別的融合殘差；
[0013] 步驟七：根據(jù)測試樣本\的每個類別的融合殘差確定測試樣本％的類別。
[0014] 本發(fā)明一種基于空間光譜信息的高光譜圖像殘差融合分類方法，還可以包括：
[0015] 1、高光譜圖像中測試樣本xp與相關(guān)矩陣相對應(yīng)的系數(shù)矩陣為：
【主權(quán)項】
1. 一種基于空間光譜信息的高光譜圖像殘差融合分類方法，其特征在于：包括以下幾 個步驟， 步驟一：讀入高光譜圖像數(shù)據(jù)，對高光譜圖像進行維數(shù)轉(zhuǎn)換，將三維數(shù)據(jù)轉(zhuǎn)換成二維數(shù) 據(jù)，對所得的二維數(shù)據(jù)作歸一化處理，確定樣本類別數(shù)為L; 步驟二：分別提取高光譜圖像的空間紋理信息^和光譜信息Fn; 步驟三：根據(jù)空間紋理信息^和光譜信息Fn構(gòu)建相關(guān)矩陣，相關(guān)矩陣包括根據(jù)空間紋 理信息F。構(gòu)建的空間紋理信息聯(lián)合信號矩陣XJ°、空間紋理信息字典和局部自適應(yīng)空間 紋理信息字典，，相關(guān)矩陣還包括根據(jù)光譜信息建的光譜信息聯(lián)合信號矩陣XJN、光譜 信息字典AN和局部自適應(yīng)光譜信息字典A' 步驟四：求解高光譜圖像中測試樣本xp與相關(guān)矩陣相對應(yīng)的系數(shù)矩陣； 步驟五：將空間紋理信息字典Ae、局部自適應(yīng)空間紋理信息字典Aa、光譜信息字典An 和局部自適應(yīng)光譜信息字典AN^>別和其對應(yīng)的系數(shù)矩陣相乘得到重構(gòu)樣本，計算測試樣 本\的每個類別所對應(yīng)的重構(gòu)殘差； 步驟六：計算測試樣本xp的每個類別的融合殘差； 步驟七：根據(jù)測試樣本\的每個類別的融合殘差確定測試樣本x5的類別。
2. 根據(jù)權(quán)利要求1所述的一種基于空間光譜信息的高光譜圖像殘差融合分類方法，其 特征在于：所述的高光譜圖像中測試樣本xp與相關(guān)矩陣相對應(yīng)的系數(shù)矩陣為：
其中！^為空間紋理信息字典Ae的系數(shù)矩陣，為局部自適應(yīng)空間紋理信息字典Aa 的系數(shù)矩陣，步^為光譜信息字典A1勺系數(shù)矩陣，!D^為局部自適應(yīng)光譜信息字典Am的系 數(shù)矩陣，為空間紋理信息字典Ae的平衡系數(shù)，A^為局部自適應(yīng)空間紋理信息字典Aa 的平衡系數(shù)，ANS為光譜信息字典AN的平衡系數(shù)，X^為局部自適應(yīng)光譜信息字典Am的平 衡系數(shù)。
3. 根據(jù)權(quán)利要求1所述的一種基于空間光譜信息的高光譜圖像殘差融合分類方法，其 特征在于：所述的測試樣本Xp的第i個類別的重構(gòu)殘差為：
4. 根據(jù)權(quán)利要求1所述的一種基于空間光譜信息的高光譜圖像殘差融合分類方法，其 特征在于：所述的測試樣本Xp的第i個類別的融合殘差為：
其中y為方法平衡系數(shù)，滿足〇 <y< 1，n為信息平衡系數(shù)，滿足〇 <n< 1。
5. 根據(jù)權(quán)利要求1所述的一種基于空間光譜信息的高光譜圖像殘差融合分類方法，其 特征在于：所述的樣本Xp的類別被確定為在L類別中具有最小融合殘差的類別
【專利摘要】本發(fā)明公開了一種基于空間光譜信息的高光譜圖像殘差融合分類方法。包括以下步驟，讀入高光譜圖像數(shù)據(jù)，確定樣本類別數(shù)為L；分別提取高光譜圖像的空間紋理信息FG和光譜信息FN；根據(jù)空間紋理信息FG和光譜信息FN構(gòu)建相關(guān)矩陣；求解高光譜圖像中測試樣本xp與相關(guān)矩陣相對應(yīng)的系數(shù)矩陣；重構(gòu)樣本，計算測試樣本xp的每個類別所對應(yīng)的重構(gòu)殘差；計算測試樣本xp的每個類別的融合殘差；根據(jù)測試樣本xp的每個類別的融合殘差確定測試樣本xp的類別。本發(fā)明具有分類精度高，得到的分類圖視覺效果好的優(yōu)點。
【IPC分類】G06K9-62
【公開號】CN104809471
【申請?zhí)枴緾N201510205088
【發(fā)明人】王立國, 楊京輝, 趙春暉
【申請人】哈爾濱工程大學(xué)
【公開日】2015年7月29日
【申請日】2015年4月27日