[发明专利]高光谱遥感图像分类与识别方法

说明书

技术领域

本发明涉及一种遥感图像分类与识别方法，特别是涉及一种高光谱遥感图像分类与识别方法。

背景技术

近年来，国内外高分辨率遥感传感器得到飞速发展，高分辨率对地观测系统成为世界高科技发展的前沿领域，高分辨遥感图像分析也为军事和民用事业的发展具有重要的意义。高光谱遥感图像是由几十乃至数百个连续波段图像组成的三维数据立方体，具有很高的光谱分辨率，实现了地物空间信息和光谱信息的同步获取，为精确的地物分类提供了可能。高光谱遥感图像分类与识别技术是高分辨率对地观测系统的重要部分，它为我们开展地物理化特性的深层探索，进行地物间微小差异的精细识别，以及发现自然界的知识，都提供了丰富的信息和可靠的保障。

现有的高光谱遥感图像分类与识别方法多依照传统的图像识别流程，也出现了基于稀疏表示的分类方法，文献“基于稀疏表示及光谱信息的高光谱遥感图像分类，电子与信息学报，2012，Vol.34(2),p268-272”公开了一种结合稀疏表示及光谱信息的高光谱图像分类方法。此方法首先提出利用高光谱遥感图像数据集构造学习字典，然后根据学习字典计算每个像元的稀疏系数，从而获得像元的稀疏表示特征，最后根据稀疏表示特征和光谱信息分别构造随机森林，通过投票机制得到最终的分类结果。该方法在分类精度上较传统方法有了明显提高，但仅利用了光谱信息和稀疏表示系数信息，并没有考虑空间结构的约束。并且，由于高光谱数据维数高、数据量大，字典学习过程往往比较慢，影响了高光谱图像的地物分类的效率。由于以上不足，导致系统对高光谱图像识别的总体精度不高，在AVIRIS数据上，选择10%的样本点作为训练样本集，其余样本点作为测试样本集时，总体分类精度只有82.58%、且实时性差、效率低，需要97.469秒的运算时间。

发明内容

为了克服现有基于稀疏表示及光谱信息的高光谱遥感图像分类方法分类精度低的不足，本发明提供一种高光谱遥感图像分类与识别方法。该方法利用词袋模型结合高光谱遥感图像数据集生成各类别专业字典，进而构造稀疏表示字典，然后根据字典计算每个像元的稀疏表示特征，并在空间维上，利用空间连续性约束像元的稀疏表示系数，最后通过求解最优化问题实现高光谱图像分类。由于生成的字典表征能力较强，并且充分考虑了高光谱图像的空间结构信息，因此可以提高分类精度。

本发明解决其技术问题所采用的技术方案是：一种高光谱遥感图像分类与识别方法，其特点是包括以下步骤：

步骤一、设高光谱图像中地物类别数为C，类别标号为c的地物对应的样本数为n_c，分别针对每类地物生成一个样本集合，设D_c代表第c类地物对应的样本集合，则D_c表示为

Dc=[d1c,d2c,...dic,...,dncc],c=1,2,..,C---(1)]]>

其中，i代表第c类地物的第i个样本，表示第c类的第i个样本的光谱向量。

根据词袋模型，利用K-means聚类为每类地物分别生成相应的专业字典，对应第c类地物的专业字典表示为再由专业字典合并得到最终用于高光谱遥感图像地物分类的稀疏表示字典