基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法技術

基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，本發明專利技術涉及多時相高光譜遙感圖像分類方法。本發明專利技術的目的是為了解決高光譜多時相數據標簽獲取不易，圖像存在明顯光譜漂移的情況下，直接利用源時相的高光譜數據分類目標時相數據不可靠的問題。具體過程為：一、輸入Xs與Xt和它們的空間坐標Z1、Z2，以及Xs各行相應類別標簽向量Y；二、計算Xs,Xt的空譜距離選擇最近的點作為需要匹配的數據對；三、計算Ds,s，Dt,t以及Ds,t，調整數據集的尺度，構建距離矩陣D；四、獲得Xs、的在對準空間的映射矩陣α和β,從而得到投影fs和ft；五、利用fs和ft以及fs對應的標簽Y，通過KNN分類模型分類，獲得目標時相的分類標簽。本發明專利技術用于圖像分類領域。

【技術實現步驟摘要】

本專利技術涉及多時相高光譜圖像分類方法。
技術介紹
隨著光學傳感器和分光技術的發展，在多光譜遙感成像技術的基礎上高光譜遙感成像技術得到快速的發展。高光譜成像技術綜合了成像技術和光譜技術，能夠同時記錄待探測區域的空間結構信息和豐富的光譜信息，并且隨著遙感技術的發展，如今可以提供大面積區域，具有空間上和時間上序列性，用于地物感知和監測的高光譜多時相圖像數據。多時相高光譜圖像使得多時相分析，多角度研究，精準的地物改變探測成為可能。然而為每一幅時相圖都提供充足標簽信息實現精確的分類是不現實的，尤其是這些圖像的類別在空間上不一致的時候。因此我們常常只能依賴單個時相的地物真值圖來處理多個時相的數據。多時相的高光譜數據分類主要面臨三個主要問題：1、波段數不斷增多，導致信息的冗余和數據處理復雜度的增加；2、高光譜圖像有標簽樣本獲取十分不易，需要消耗大量的人力、物力而且耗時；3、多時相高光譜圖像中可能會有光譜漂移的現象，導致來自不同時相的圖像數據有不可靠的光譜相似性。現有的基于流形學習的多時相分類方法主要采取保持局部幾何結構的流形對準框架，如典型的半監督的流形對準方法，基于流形學習的多時相分類方法。這些都是保持數據局部幾何結構的方法，但這種方法有時是不適用的，例如對高度折疊的數據，可能會帶來錯誤的光譜近鄰，影響分類效果。
技術實現思路
本專利技術的目的是為了解決高光譜多時相數據標簽獲取不易，圖像存在明顯光譜漂移的情況下，直接利用源時相的高光譜數據分類目標時相數據不可靠的問題，提出了基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法。基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法具體過程為：步驟一、輸入源時相和目標時相中樣本的光譜矩陣Xs與Xt和它們的空間坐標Z1、Z2，以及Xs各行相應類別標簽向量Y；步驟二、計算Xs,Xt的空譜距離選擇最近的點作為需要匹配的數據對。步驟三、計算Xs,Xt的測地距離矩陣Ds,s，Dt,t以及利用數據對計算兩個圖像的距離矩陣Ds,t，調整數據集的尺度，構建距離矩陣D。步驟四、將Xs,D輸入到保持全局幾何結構的流形對準模型中，獲得Xs、的在對準空間的映射矩陣α和β,從而得到投影fs和ft。步驟五、利用fs和ft以及fs對應的標簽Y，通過KNN分類模型分類，獲得目標時相的分類標簽。本專利技術的有益效果為：本專利技術利用一個有標簽的時相高光譜圖像來分類另一個無標簽的時相高光譜圖像，實現了對兩幅明顯存在光譜漂移的時相高光譜圖像的分類。算法主要針對現在時相圖像的獲取越來越容易，對時相數據進行分析時，想要獲得每一個時相圖的標簽需要耗費許多的人力，物力并且十分的耗時，并且在時相圖存在明顯光譜漂移的情況下，直接用一個實現時相上的標簽來訓練分類另一個時相的數據是不可靠的問題，本專利技術利用保持全局幾何結構的對準框架，結合圖像的空間和光譜信息來實現多時相高光譜的分類。為了驗證本專利技術所提出的方法的性能，針對一組EO-1衛星Hyperion高光譜數據進行了驗證。Hyperion傳感器能夠獲取400到2500nm寬10nm的224個波段，空間分辨率30m的圖像，研究中去掉了噪聲較多的波段，利用了剩余的198個波段，每幅圖像一共包含7個相同的類。源圖像取自2011年美國南達科他州布魯金斯市的3月份的數據，目標圖像為同一地理區域6月份的高光譜圖像。實驗結果驗證了本專利技術提出的基于空譜特征的保持全局幾何結構的流形對準算法的有效性。在如附表1所示的數據樣本上，本專利技術的分類Kappa系數達到0.912，總體分類精度達到左右93.1。附圖說明圖1是本專利技術的實現流程示意圖；圖2a是EO-1衛星的Hyperion傳感器獲得的美國南達科他州布魯金斯市3月份時相數據假彩色合成圖，大小為126x82；圖2b是EO-1衛星的Hyperion傳感器獲得的美國南達科他州布魯金斯市3月份時相數據地物真實圖，大小為126x82；圖3a是EO-1衛星的Hyperion傳感器獲得的美國南達科他州布魯金斯市6月份時相數據假彩色合成圖，大小為126x82；圖3b是EO-1衛星的Hyperion傳感器獲得的美國南達科他州布魯金斯市6月份時相數據假地物真實圖，大小為126x82；圖4a是是取樣的6月份高光譜圖像的真實標簽圖；圖4b是直接用3月份的數據標簽來分類無標簽的6月份目標圖像的結果標簽圖；圖4c是用局部的對準方法，通過使用表1中的3月份有標簽樣本經過與表1中的6月份無標簽的樣本對準后分類6月份的數據的結果標簽圖；圖4d是利用本專利技術的方法，通過使用表1中的3月份有標簽樣本經過與表1中的6月份無標簽的樣本對準后分類6月份的數據的結果標簽圖；圖5是三種分類方法，分別是直接在原始空間中，經過保持局部幾何結構的流形對準方法，本專利技術的基于空譜特征保持全局幾何結構的流形對準方法，利用表1中的3月份有標簽樣本來分類表1中的6月份無標簽的樣本的kappa系數示意圖。具體實施方式具體實施方式一：結合圖1說明本實施方式，本實施方式的基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，具體過程為：步驟一、輸入源圖像和目標圖像中樣本的光譜矩陣Xs、Xt和Xs、Xt的空間坐標Z1、Z2，以及Xs各行相應類別標簽向量Y；步驟二、計算Xs、Xt的空譜距離d，源圖像中的每一類樣本在目標圖像中選擇空譜距離最小的k個樣本，作為需要匹配的數據對；步驟三、計算Xs,Xt的測地距離矩陣Ds,s，Dt,t，以及利用數據對計算源圖像和目標圖像的距離矩陣Ds,t，調整Xs,Xt的尺度，用Ds,s、Dt,t、Ds,t構建距離矩陣D；步驟四、將Xs、D輸入到保持全局幾何結構的流形對準模型中，獲得Xs、在對準空間的線性映射矩陣α和β,從而得到投影fs和ft；步驟五、利用fs和ft以及Xs各行相應類別標簽向量Y，通過KNN分類模型對ft分類，獲得目標時相的分類標簽。具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟二中計算Xs、Xt的空譜距離d，源圖像中的每一類樣本在目標圖像中選擇空譜距離最小的k個樣本，作為需要匹配的數據對；具體過程為：d＝dspectral·dspatial其中dspectral和dspatial分別表示源圖像和目標圖像在光譜上和空間上的高斯相似性度量,xsi表示源圖像第i個樣本，zsi表示源圖像第i個樣本的空間坐標，xtj表示目標圖像第j個樣本，ztj表示目標圖像第j個樣本的空間坐標，σspectral,σspatial分別表示光譜上和空間上的高斯權重參數；i、j取值范圍正整數；源圖像的每一類樣本在目標圖像中選擇與源圖像空譜距離較小的k個樣本作為匹配的數據對數據對共l個，l＝C×k，源圖像和目標圖像中類別數是C個。其它步驟及參數與具體實施方式一相同。具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述類別數C為7，k取值為1-20。其它步驟及參數與具體實施方式一或二相同。具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述步驟三中計算Xs,Xt的測地距離矩陣Ds,s，Dt,t，以及利用數據對計算源圖像和目標圖像的距離矩陣Ds,t，調整Xs，Xt的尺度，用Ds,s、Dt,t、Ds,t構建距離矩陣D；具體過程為：步驟三一、計算源圖像和目標圖像各自的測地距離本文檔來自技高網...

【技術保護點】
基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，其特征在于：基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法具體過程為：步驟一、輸入源圖像和目標圖像中樣本的光譜矩陣Xs、Xt和Xs、Xt的空間坐標Z1、Z2，以及Xs各行相應類別標簽向量Y；步驟二、計算Xs、Xt的空譜距離d，源圖像中的每一類樣本在目標圖像中選擇空譜距離最小的k個樣本，作為需要匹配的數據對；步驟三、計算Xs,Xt的測地距離矩陣Ds,s，Dt,t，以及利用數據對計算源圖像和目標圖像的距離矩陣Ds,t，調整Xs,Xt的尺度，用Ds,s、Dt,t、Ds,t構建距離矩陣D；步驟四、將Xs、D輸入到保持全局幾何結構的流形對準模型中，獲得Xs、在對準空間的線性映射矩陣α和β,從而得到投影fs和ft；步驟五、利用fs和ft以及Xs各行相應類別標簽向量Y，通過KNN分類模型對ft分類，獲得目標時相的分類標簽。

【技術特征摘要】
1.基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，其特征在于：基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法具體過程為：步驟一、輸入源圖像和目標圖像中樣本的光譜矩陣Xs、Xt和Xs、Xt的空間坐標Z1、Z2，以及Xs各行相應類別標簽向量Y；步驟二、計算Xs、Xt的空譜距離d，源圖像中的每一類樣本在目標圖像中選擇空譜距離最小的k個樣本，作為需要匹配的數據對；步驟三、計算Xs,Xt的測地距離矩陣Ds,s，Dt,t，以及利用數據對計算源圖像和目標圖像的距離矩陣Ds,t，調整Xs,Xt的尺度，用Ds,s、Dt,t、Ds,t構建距離矩陣D；步驟四、將Xs、D輸入到保持全局幾何結構的流形對準模型中，獲得Xs、在對準空間的線性映射矩陣α和β,從而得到投影fs和ft；步驟五、利用fs和ft以及Xs各行相應類別標簽向量Y，通過KNN分類模型對ft分類，獲得目標時相的分類標簽。2.根據權利要求1所述基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，其特征在于：所述步驟二中計算Xs、Xt的空譜距離d，源圖像中的每一類樣本在目標圖像中選擇空譜距離最小的k個樣本，作為需要匹配的數據對；具體過程為：dspectral=1-exp(-||xsi-xtj||222σspectral2)]]>dspatial=1-exp(-||zsi-ztj||222σspatial2)]]>d＝dspectral·dspatial其中dspectral和dspatial分別表示源圖像和目標圖像在光譜上和空間上的高斯相似性度量,xsi表示源圖像第i個樣本，zsi表示源圖像第i個樣本的空間坐標，xtj表示目標圖像第j個樣本，ztj表示目標圖像第j個樣本的空間坐標，σspectral,σspatial分別表示光譜上和空間上的高斯權重參數；i、j取值范圍正整數；源圖像的每一類樣本在目標圖像中選擇與源圖像空譜距離較小的k個樣本作為匹配的數據對數據對共l個，l＝C×k，源圖像和目標圖像中類別數是C個，xsai為Xs中選擇的匹配的數據，共計源圖像中類別數×k個；xtbj為Xt中選擇的匹配的數據，共計源圖像中類別數×k個。3.根據權利要求2所述基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，其特征在于：所述類別數C為7，k取值為1-20。4.根據權利要求3所述基于空譜特征保持全局幾何結構的多時相高光譜圖像分類方法，其特征在于：所述步驟三中計算Xs,Xt的測地距離矩陣Ds,s，Dt,t，以及利用數據對計算源圖像和目標圖像的距離矩陣Ds,t，調整Xs，Xt的尺度，用Ds,s、Dt,t、Ds,t構建距離矩陣D；具體過程為：步驟三一、計算源圖像和目標圖像各自的測地距離Ds,s...

【專利技術屬性】
技術研發人員：谷延鋒，張美玲，
申請(專利權)人：哈爾濱工業大學，
類型：發明
國別省市：黑龍江;23