[发明专利]一种光谱和空间信息结合的高光谱数据分类方法

说明书

(一)技术领域

本发明涉及一种同时利用光谱和空间信息的高光谱数据分类方法，属于高光谱数据处理方法与应用技术领域，适用于高光谱数据无监督分类的理论方法和应用技术研究。

(二)背景技术

高光谱成像仪是一种新型的遥感载荷，其光谱具有紧密、连续的特点，可以同时记录被测同一地物的光谱和空间信息特征，使本来在宽波段遥感中不可能探测的物质在高光谱遥感中能被探测到。目标检测与地物分类是高光谱遥感数据应用的主要方向之一，该类技术的发展能够大大推动高光谱数据的应用，并不断扩展高光谱数据的应用深度和广度。

数学形态学作为一种经典的非线性空间信息处理技术，目的在于分析像元之间的空间关系。数学形态学是一门基于集合理论和拓扑、几何概念的形状和结构的科学，目前，数学形态学已经成为图像处理领域一个高效的方法，并成为一个强有力的数学理论，其已经成功地应用到各种学科，如矿物学、医学诊断、计算机视觉、数字图像处理和模式识别。数学形态学中两个基本的操作是腐蚀和膨胀，这两个操作最初均是定义于二值图像，但是目前已经扩展到了灰度图像中。在灰度数学形态学中，图像被作为连续值集合处理。设f(x，y)是输入图像，b(x，y)是结构元素，且是子图像函数。用结构元素b对图像f进行的灰度膨胀和腐蚀分别定义如下：

d(x，y)＝(fb)(x，y)＝Max{f(x-s，y-t)+b(s，t)|(x-s)，(y-t)∈D_f；(s，t)∈D_b}

e(x，y)＝(fb)(x，y)＝Min{f(x+s，y+t)-b(s，t)|(x+s)，(y+t)∈D_f；(s，t)∈D_b}

其中，D_f和D_b分别是f和b的定义域，(x-s)，(x+s)，(y-t)和(y+t)必须在f的定义域内，而且s和t必须在b的定义域内。灰度形态学运算中最主要的任务是如何在图像中每个像素的邻域内计算出最大或最小值，这与定义的结构元素的大小和形状密切相关。为了算法简便，易实现，一般只考虑符合凸函数的结构元素，通常设b为正方形且b(s，t)＝0，(s，t)∈D_b。

在灰度数学形态学中，将像素的数值大小作为排序关系进行最大或最小灰度值的计算，而在高光谱图像中，每个像素都是多维的，不能简单直观的比较它们的大小。因此，将数学形态学扩展到高光谱图像中最大的挑战就是定义一个合适的排序关系对N维向量空间中的元素进行排序，确定最大/最小元素。目前，扩展数学形态学方法已经受到高光谱数据端元提取、数据降维与分类等研究领域的关注。

(三)发明内容

本发明的目的是提出一种光谱和空间信息结合的高光谱数据分类方法，它克服了现有地物无监督分类从数据光谱或空间或特征信息的单一方面出发进行地物分类等的不足，有效地抑制了背景影响，它是一种稳定性强、可靠性高、精确度高的高光谱地物无监督分类方法。

本发明的技术解决方案是：一种在目标与背景未知的情况下，同时利用光谱和空间信息实现高光谱数据分类的方法。该方法主要是基于数学形态学的理论，利用扩展膨胀和腐蚀操作，并通过计算形态离心率指数进行高光谱数据的特征提取，最后利用最小距离方法实现高光谱数据的分类。形态偏心率指数是利用扩展膨胀和腐蚀的结果计算数据的正交投影散度，从而将地物类型特征提取出来，并且在本发明中为了避免由于形态学中结构元素的大小对算法性能的限制，采用迭代的方法，改变结构元素的尺寸来实现。

本发明一种光谱和空间信息结合的高光谱数据分类方法，其步骤如下：

(1)高光谱数据的读入；

(2)确定结构元素的最小尺寸；

(3)由扩展数学形态学膨胀和腐蚀操作计算每一个结构元素邻域内的像元间差异性；

(4)由步骤(3)扩展膨胀和腐蚀结果计算得到形态离心率指数(Morphological Eccentricity Index，MEI)值；

(5)上述步骤随结构元素的尺寸增加不断重复，直到达到结构元素的最大尺寸；

(6)形态离心率指数MEI值在迭代过程中通过获得的新的值不断更新，最终的形态离心率指数MEI在迭代过程结束后产生；

(7)由形态离心率指数MEI图像实现数据的特征提取，即产生地物类型信息，并通过最小距离分类器实现地物的精细分类。

其中，步骤(2)中所述的结构元素最小尺寸为3×3；