本發(fā)明專利技術公開了一種高光譜圖像光譜域與空間域聯(lián)合分類方法，包括在光譜域中對高光譜圖像進行預分類：讀取高光譜圖像數(shù)據(jù)，并將高光譜圖像數(shù)據(jù)歸一化，隨機生成訓練樣本集合和測試樣本集合；計算訓練樣本集合中每一類的類中心；計算訓練樣本集合中每一類的類中心；計算訓練樣本集合中每一類別內(nèi)各樣本的特征向量與類中心的向量夾角；按照貝葉斯決策規(guī)則對測試樣本進行預分類；在空間域中對預分類結(jié)果進行優(yōu)化：采用馬爾可夫隨機場對預分類結(jié)果進行優(yōu)化，最后，輸出高光譜圖像的分類結(jié)果。本發(fā)明專利技術采用馬爾可夫隨機場的空間約束對分類結(jié)果進行迭代優(yōu)化，提高了分類精度。
【技術實現(xiàn)步驟摘要】
本專利技術屬于高光譜圖像處理領域，尤其涉及一種高光譜圖像光譜域與空間域聯(lián)合 分類方法。
技術介紹
高光譜成像技術源于遙感技術，是近年來迅速發(fā)展的一種全新成像技術，它結(jié)合 了光譜技術和成像技術，將二維幾何空間信息和一維光譜信息融為一體，利用成像光譜儀 獲取連續(xù)、窄波段的圖像數(shù)據(jù)，實現(xiàn)了對目標空間信息、光譜信息的同步獲取，因而在相關 領域具有巨大的應用價值和廣闊的發(fā)展前景。 高光譜圖像可反映地面上物體的空間信息和光譜信息，其數(shù)量龐大。高光譜圖像 分類利用計算機對圖像進行定量分析，把圖像或圖像中的每個像元或區(qū)域歸為若干個類別 中的某一種，以代替人的視覺判讀，目的在于區(qū)分高光譜圖像中的多種物體。 高光譜圖像分類問題一直備受關注。現(xiàn)有的分類方法多種多樣，如光譜角匹配 (SAM)，支持向量機（SVM)，最大期望算法（EM)，k近鄰算法（k-NN)，AdaBoost，神經(jīng)網(wǎng)絡 (NN)，分類回歸樹（CART)等算法，雖然這些方法在高光譜圖像中展現(xiàn)了很大潛力，但是這 些方法都是基于光譜域特征實現(xiàn)高光譜圖像的目標分類。而高光譜圖像包含豐富的圖譜信 息，除了相應的光譜域特征以外，還包含了豐富的空間域特征。傳統(tǒng)的分類方法往往僅采用 光譜域特征來解決高光譜圖像分類問題，忽略了空間信息，從而造成了大量的有用信息的 丟失，進而導致高光譜圖像分類精度低和可靠性差的問題。
技術實現(xiàn)思路
為了彌補現(xiàn)有技術存在的缺陷和不足，本專利技術提出了一種高光譜圖像光譜域與空 間域聯(lián)合分類方法，該方法首先由SAM算法得到光譜向量之間的夾角，其次進行角度高斯 化，采用貝葉斯法則進行預分類，最后采用馬爾可夫隨機場描述空間紋理特征，不斷優(yōu)化分 類結(jié)果，直到收斂，達到提高分類精度的目的。 為了達到以上目的，本專利技術的技術方案如下： -種高光譜圖像光譜域與空間域聯(lián)合分類方法，包括以下步驟： 步驟（1):在光譜域中對高光譜圖像進行預分類， 步驟（1. 1):讀取高光譜圖像數(shù)據(jù)，并將高光譜圖像數(shù)據(jù)歸一化，隨機生成訓練樣 本集合和測試樣本集合； 步驟（1. 2):計算訓練樣本集合中每一類的類中心； 步驟（1. 3):采用SAM方法計算訓練樣本集合中每一類別內(nèi)各樣本的特征向量與 類中心的向量夾角； 步驟（1.4):將獲取的向量夾角的高斯化，并計算高斯分布的每一類內(nèi)的向量夾 角的均值和方差； 步驟（1. 5):按照貝葉斯決策規(guī)則對測試樣本進行預分類； 步驟（2):在空間域中對預分類結(jié)果進行優(yōu)化，得到優(yōu)化后的高光譜圖像預分類 結(jié)果； 采用馬爾可夫隨機場對預分類結(jié)果進行優(yōu)化，構(gòu)建馬爾可夫優(yōu)化目標函數(shù)，計算 測試樣本集合中的每個測試樣本在所有類別條件下的能量，將測試樣本歸入最小能量的類 另IJ，反復對分類結(jié)果進行迭代，直到收斂； 步驟（3):輸出優(yōu)化后的高光譜圖像預分類結(jié)果，作為高光譜圖像的最終分類結(jié) 果。 所述步驟（1. 1)中高光譜圖像數(shù)據(jù)歸一化的具體過程為： 將高光譜圖像數(shù)據(jù)訓練樣本集合{x d各樣本的特征向量投影到單位半 徑的超球面上： 其中，乂1表示類別i訓練樣本集合，C表示類別數(shù)，Ni表示第i類內(nèi)的樣本數(shù)，N是 測試樣本個數(shù)；R 1代表一個樣本，是一個特征向量，1是特征個數(shù)；|卜| |表示特征向 量Xij的模。 所述步驟（1. 2)中訓練樣本集合Xi中每一類的類中心q的計算公式為：其中，Xi= {x ^}，乂1表示類別i訓練樣本集合，C表示類別數(shù)，N i表示第i類內(nèi)的 樣本數(shù)，N是測試樣本個數(shù)；R1代表一個樣本，是一個特征向量，1是特征個數(shù)。 所述步驟（1. 3)中向量夾角0 u的表達式為： 其中，乂1表示類別i訓練樣本集合，C表示類別數(shù)，Ni表示第i類內(nèi)的樣本數(shù)，N是 測試樣本個數(shù)；R1代表一個樣本，是一個特征向量，1是特征個數(shù)；|卜| |表示特征向 量Xij的模。 所述步驟（1. 4)中向量夾角0 u的高斯化后的模型為： 其中，向量夾角0 ^服從正態(tài)分布，p i ( 0 y表示樣本&屬于類別i的條件概率， 躉是類別i內(nèi)的均值，< 是類別i內(nèi)的方差，j = 1，2,...，隊。 所述步驟（1. 4)中均值瓦的表達式為：〇 所述步驟（1. 4)中方差4的表達式為：o 所述步驟（1.5)中按照貝葉斯決策規(guī)則對測試樣本X= {xk}，k= 1，2，...^進 行預分類的過程為： 步驟（1. 5. 1):按步驟（1. 3)計算xk到各類中心c,.的向量夾角0 ki，i = 1，2, . . .，C，C是類別數(shù)； 步驟（1. 5. 2):計算樣本xk屬于類別i的條件概率， 其中，pki(0ki)表示樣本xk屬于類別i的條件概率，瓦是類別i內(nèi)的向量夾角的 均值，< 是類別i內(nèi)向量夾角的方差； 步驟（1. 5. 3):按照貝葉斯決策規(guī)則，當樣本xk屬于類別i的條件概率pki ( 0 ki)取 最大值時，將xk劃入類i ;對所有測試樣本x k按照貝葉斯決策規(guī)則進行分類，得到所有測試 樣本的預分類結(jié)果。 所述步驟（2)中采用馬爾可夫隨機場對預分類結(jié)果進行優(yōu)化的過程，包括： 步驟（2. 1):建立馬爾可夫隨機場的空間約束條件， 其中，p(Y)表示分類結(jié)果解空間可行解的概率；Y表示隨機場；Z是一個常數(shù)；0 是表示空間重要性的參數(shù)，是一個大于零的常數(shù)；c為子團，是x k本身及其空間鄰域內(nèi)樣本 的集合；l(Xk)是能量函數(shù)； 步驟（2.2):結(jié)合馬爾可夫隨機場的空間約束條件和步驟（1.4)中構(gòu)建的向量夾 角的高斯模型，得到馬爾可夫優(yōu)化目標函數(shù)： 其中，化表示樣本xk屬于類別i時的能量，0 ki表示xk與類別i的類中心$的向 量夾角"別是類別i內(nèi)的向量夾角的均值，< 是類別i內(nèi)向量夾角的方差； 步驟（2.3):計算測試樣本xk屬于類別i時的能量Uki，i = 1，2，...，C，并將樣本 xk劃入能量最小的Uki所屬的類別，完成對測試樣本的類別更新； 步驟（2.4):重復步驟（2. 3)，若前后兩次類別不再發(fā)生變化，則說明已收斂，停止 迭代。 所述步驟（2. 1)和步驟（2. 2)中的能量函數(shù)火〇〇的表達式為：〇 本專利技術的有益效果是： (1)本專利技術將光譜域特征與空間域特征相結(jié)合，充分利用光譜信息和空間信息，解 決高光譜圖像分類問題； (2)本專利技術基于傳統(tǒng)SAM算法和貝葉斯分類模型，具有算法簡單、可靠性高等優(yōu) 占. (3)本專利技術采用馬爾可夫隨機場的空間約束對分類結(jié)果進行迭代優(yōu)化，收斂到最 優(yōu)的分類結(jié)果，能有效提高分類精度。【附圖說明】 圖1表示本專利技術流程圖； 圖2 (a)表示馬爾可夫一階鄰域系統(tǒng)； 圖2(b)表不馬爾可夫一階子團。【具體實施方式】 下面結(jié)合附圖與實例對本專利技術作進一步說明： 在獲取某一地區(qū)的高光譜圖像的前提下，所選擇的高光譜圖像中包括屋頂、大街、 小路、草坪、樹、水和陰影：采用光譜域和空間域聯(lián)合的方法對高光譜圖像進行處理，用于區(qū) 分出高光譜圖像中的屋頂、大街、小路、草坪、樹、水和陰影這些不同類別的物體。 如圖1所示，本實施例中的高光譜圖像光譜域與空間域聯(lián)合分類方法，包括： 步驟（1):在光譜域中對高光譜圖像進行預分類， 步驟（1. 1):讀取高光譜圖像數(shù)據(jù)，并將高光譜圖像數(shù)據(jù)歸一化，隨機生成訓練樣 本集合Xi= {x d和測試樣本本文檔來自技高網(wǎng)...
【技術保護點】
一種高光譜圖像光譜域與空間域聯(lián)合分類方法，其特征在于，包括：步驟(1)：在光譜域中對高光譜圖像進行預分類，步驟(1.1)：讀取高光譜圖像數(shù)據(jù)，并將高光譜圖像數(shù)據(jù)歸一化，隨機生成訓練樣本集合和測試樣本集合；步驟(1.2)：計算訓練樣本集合中每一類的類中心；步驟(1.3)：采用SAM方法計算訓練樣本集合中每一類別內(nèi)各樣本的特征向量與類中心的向量夾角；步驟(1.4)：將獲取的向量夾角的高斯化，并計算高斯分布的每一類內(nèi)的向量夾角的均值和方差；步驟(1.5)：按照貝葉斯決策規(guī)則對測試樣本進行預分類；步驟(2)：在空間域中對預分類結(jié)果進行優(yōu)化，得到優(yōu)化后的高光譜圖像預分類結(jié)果；采用馬爾可夫隨機場對預分類結(jié)果進行優(yōu)化，構(gòu)建馬爾可夫優(yōu)化目標函數(shù)，計算測試樣本集合中的每個測試樣本在所有類別條件下的能量，將測試樣本歸入最小能量的類別，反復對分類結(jié)果進行迭代，直到收斂；步驟(3)：輸出優(yōu)化后的高光譜圖像預分類結(jié)果，作為高光譜圖像的最終分類結(jié)果。
【技術特征摘要】
【專利技術屬性】
技術研發(fā)人員：劉治，唐波，肖曉燕，聶明鈺，常軍，
申請(專利權)人：山東大學，
類型：發(fā)明
國別省市：山東;37
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。