基于多流形的多時相高光譜圖像分類方法技術

基于多流形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如何利用多個時相的互補信息來解決多時相高光譜數據標簽獲取困難，時相圖之間存在明顯光譜漂移的問題。具體過程為：一、輸入X

Multi temporal hyperspectral image classification method based on manifold

The invention relates to a multi temporal hyperspectral image classification method based on manifold, and relates to a multitemporal hyperspectral remote sensing image classification method. The object of the invention is to solve the problem that there is obvious spectral drift between phase diagrams when multiple time phase complementary data is used to solve the difficulty of acquiring labels of multi temporal hyperspectral data. The specific process is as follows: 1. Input X

【技術實現步驟摘要】
基于多流形的多時相高光譜圖像分類方法
本專利技術涉及多時相高光譜遙感圖像分類方法。
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。現有的利用流形對準框架的多時相分類方法大多只考慮了兩個時相圖，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而忽略了多個時相之間可能存在的信息互補。
技術實現思路
本專利技術的目的是為了解決如何利用多個時相的互補信息來解決多時相高光譜數據標簽獲取困難，時相圖之間存在明顯光譜漂移的問題，而提出基于多流形的多時相高光譜圖像分類方法。基于多流形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1、源圖像2和目標圖像中樣本的光譜矩陣Xs1,Xs2,Xt和它們的空間坐標L1,L2,L3，以及Xs1,Xs2各行相應類別標簽向量Y1，Y2；步驟二、計算Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數據對；步驟三、計算Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數據對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；步驟四、調整Xs2,Xt的數據尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t構建多流形的距離矩陣D；步驟五、將Xs1,D輸入到保持全局幾何結構的流形對準模型中，獲得Xs1,在對準空間的線性映射矩陣α1,α2,β,從而得到投影fs1,fs2,ft；步驟六、利用fs1,fs2和Xs1各行相應類別標簽向量Y1，以及各行相應類別標簽向量Y2通過KNN分類模型對ft進行分類，獲得目標時相的分類標簽。本專利技術的有益效果為：本專利技術結合多個有標簽的時相高光譜圖像來分類一個無標簽的時相高光譜圖像，實現了對明顯存在光譜漂移的目標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，直接用一個時相上的標簽來訓練分類另一個時相數據的分類結果不可靠的問題，本專利技術利用多個時相圖間存在的信息互補，基于保持全局幾何結構的對準框架，在兩個以上的時相圖情況下，將多個圖像投影到共同的低維空間，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，針對在不同時間獲得的三幅EO-1衛星Hyperion高光譜圖像進行了驗證。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1取自2011年美國南達科他州布魯金斯市的3月份的數據，源圖像2為同一地理區域5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多流形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，本專利技術方法的解法一Kappa系數達到0.924，總體分類精度達到左右93.9。附圖說明圖1是在三幅時相高光譜圖像下，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5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5月份時相數據地物真實圖，大小為126x82；圖4a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4b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月份時相數據地物真實圖，大小為126x82；圖5是四種分類方法，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，兩個時相上的基于空譜特征保持全局幾何結構的流形對準方法，以及本專利技術基于多流形的保持全局幾何結構的流形對準算法的兩種解法，利用表1中的3月份有標簽樣本和5月份的標簽樣本來分類表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，本實施方式的基于多流形的保持全局幾何結構的流形對準算法，具體過程為：步驟一、輸入源圖像1、源圖像2和目標圖像中樣本的光譜矩陣Xs1,Xs2,Xt和它們的空間坐標L1,L2,L3，以及Xs1,Xs2各行相應類別標簽向量Y1，Y2；步驟二、計算Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數據對；步驟三、計算Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數據對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；步驟四、調整Xs2,Xt的數據尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t構建多流形的距離矩陣D；步驟五、將Xs1,D輸入到保持全局幾何結構的流形對準模型中，獲得Xs1,在對準空間的線性映射矩陣α1,α2,β,從而得到投影fs1,fs2,ft；步驟六、利用fs1,fs2和Xs1各行相應類別標簽向量Y1，以及各行相應類別標簽向量Y2通過KNN分類模型對ft進行分類，獲得目標時相的分類標簽。所述光譜分辨率在10l數量級范圍內的光譜圖像稱為高光譜圖像。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Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數據對具體過程為：d12＝d12spectral·d12spatiald13＝本文檔來自技高網...

【技術保護點】
基于多流形的多時相高光譜圖像分類方法，其特征在于：基于多流形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1、源圖像2和目標圖像中樣本的光譜矩陣X

【技術特征摘要】
1.基于多流形的多時相高光譜圖像分類方法，其特征在于：基于多流形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1、源圖像2和目標圖像中樣本的光譜矩陣Xs1,Xs2,Xt和Xs1,Xs2,Xt的空間坐標L1,L2,L3，以及Xs1,Xs2各行相應類別標簽向量Y1，Y2；步驟二、計算Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數據對；步驟三、計算Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數據對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；步驟四、調整Xs2,Xt的數據尺度，用Ds1,s1、Ds2,s2、Dt,t、Ds1,s2、Ds1,t、Ds2,t構建多流形的距離矩陣D；步驟五、將Xs1,D輸入到保持全局幾何結構的流形對準模型中，獲得Xs1,在對準空間的線性映射矩陣α1,α2,β,從而得到投影fs1,fs2,ft；步驟六、利用fs1,fs2和Xs1各行相應類別標簽向量Y1，以及各行相應類別標簽向量Y2通過KNN分類模型對ft進行分類，獲得目標時相的分類標簽。2.根據權利要求1所述基于多流形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Xs1、Xt的空譜距離矩陣d13，Xs2、Xt的空譜距離矩陣d23，Xs1、Xs2的空譜距離矩陣d12,源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數據對具體過程為：d12＝d12spectral·d12spatiald13＝d13spectral·d13spatiald23＝d23spectral·d23spatial其中s1為源圖像1，s2為源圖像2，t表示目標圖像，xs1i表示源圖像1的第i個樣本，xs2i表示源圖像2的第i個樣本，xs2j表示源圖像2的第j個樣本，xtj為目標圖像第j個樣本，zs1i表示源圖像1第i個樣本的空間坐標，zs2j表示源圖像2第j個樣本的空間坐標，zs2i表示源圖像2第i個樣本的空間坐標，ztj為目標圖像第j個樣本的空間坐標，i、j取值范圍正整數；和分別表示源圖像1和源圖像2在光譜上和空間上的高斯相似性度量；d13spectral為源圖像1和目標圖像在光譜上的相似性度量，d13spatial為源圖像1和目標圖像在空間上的相似性度量，d23spectral為源圖像2和目標圖像在光譜上的相似性度量，d23spatial為源圖像2和目標圖像在空間上的相似性度量，σspectral,σspatial分別表示光譜上和空間上的高斯權重參數；源圖像中的每一類樣本都在目標圖像中選擇空譜距離最小的k個樣本，得到三組需要匹配的數據對為Xs1中選擇的匹配的數據，共計源圖像中類別數×k個；ai為匹配數據中第ai個，為Xt中選擇的匹配的數據，共計源圖像中類別數×k個；bi為匹配數據中第bi個，為Xs2中選擇的匹配的數據，共計源圖像中類別數×k個；為Xs2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所述基于多流形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Xs1、Xs2、Xt的測地距離矩陣Ds1,s1、Ds2,s2、Dt,t，以及利用三組需要匹配的數據對得到不同時相圖的光譜的距離矩陣Ds1,s2、Ds1,t、Ds2,t；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Ds1,s1,Ds2,s2,Dt,t；步驟三二、利用三組需要...

【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