[发明专利]联合解混及自适应端元提取的高光谱图像分类方法

说明书

技术领域

本发明涉及一种高光谱图像分类方法，特别涉及一种联合解混及自适应端元提取的高光谱图像分类方法。

背景技术

高光谱图像分类技术对于实现地表精细探测，环境监测，灾害预警等具有非常重要的意义。现有的高光谱图像分类方法主要有：基于纯像元理论的硬分类方法和面向混合像元的概率软分类方法。在高光谱图像中，低的空间分辨率会使像素包含多类地物类型，因而面向对象的概率软分类方法是近年的研究热点。其通过估计混合像元属于某一地物的概率，从而实现分类。

文献“Spectral unmixing for the classification of hyperspectral images at a finer spatial resolution,IEEE journal of selected topics in signal processing,vol.5,no.3,2011,p521-533”公开了一种基于光谱解混的高光谱图像分类方法。该方法首先采用概率支持向量机方法对原始图像进行粗分类，选取概率值大于设定阈值的像元分配到所属类别，获得的纯净像元作为相应类的端元。之后基于线性光谱解混模型对未分类的像元进行解混，获得其丰度值，将丰度值最大的类别作为像元的所属类别。最后，通过空间正则化获取分辨率高的分类图。该方法核心是利用光谱解混获得的丰度值信息判断混合像元类别。但是，在粗分类阶段，少量纯净像元对高光谱图像复杂的地物类型的代表性不足，基于此的解混误差较大。另外，通过设定阈值辨识混合像元，具有局限性。在解混阶段，利用全部类别对混合像元进行解混，具有较大误差。

发明内容

为了解决高光谱图像混合像元问题，克服现有基于光谱解混的高光谱图像分类方法误差大的不足，本发明提供一种联合解混及自适应端元提取的高光谱图像分类方法。该方法通过对图像进行粗分类，继而利用混淆矩阵实现各类别的端元集提取。考虑到高光谱图像相对低的空间分辨率所带来的混合像元问题，通过获得的端元集对各类别中的训练样本进行线性光谱解混，利用其丰度值优化基于多元逻辑回归的概率分类器，从而获得较优分类结果。进而，根据分类结果实现类别的端元集更新。迭代此过程，不断优化分类器，可以提高分类精度。

本发明解决其技术问题所采用的技术方案是：一种联合解混及自适应端元提取的高光谱图像分类方法，其特点是包括以下步骤：

步骤一、采用基于统计理论的最大似然分类算法对原始高光谱图像进行粗分类。当样本数量N满足N>1000，每类随机选择5‰的像元作为训练样本，100<N<1000则每类随机选择5%像元作为训练样本，否则随机选择5个像元作为训练样本。对原始高光谱图像数据采用主成分分析方法实现数据降维。

步骤二、采用混淆矩阵作为筛选类别端元集的依据，通过迭代不断更新端元集。将GIS数据计算类别平均光谱作为端元光谱。设图像共有N个像元，像元集合为X=[x₁,x₂,...,x_N]，图像有K个波段像元的类标签集合为Y=[y₁,y₂,...,y_N]，共有M个类别，因此像元x_i的类标签y_i满足图像中任意一个类别m_i的端元集提取过程如下：

（1）计算各个类别的平均光谱作为端元光谱e_i，获得图像的端元集Ε=[e₁,e₂,...,e_M]。其中，N_i表示第i类的像元个数，表示第i类的第j个像元。