[发明专利]一种空谱一体化的高光谱遥感图像分类方法

说明书

技术领域

本发明属于信息技术领域，涉及到模式识别、图像处理技术，具体是一种空谱一体化的高光谱遥感图像分类方法。

背景技术

随着对地观测技术的发展，光谱遥感技术成为人们获取地表信息的重要手段。高光谱遥感作为一种新型的遥感方式，在军用和民用领域都发挥着极其重要的作用。高光谱图像分类是高光谱信息处理的重要方向，其中高精度的分类算法是实现各种应用的一个重要前提。

高光谱图像以其高分辨率、多波段数、大数据量的特点给传统图像分类技术带来了巨大的挑战。传统的分类方法不管是最大似然分类法、决策树分类法还是人工神经网络方法、支持向量机方法都仅仅从光谱域层面对地物特征进行分类识别。但是高光谱遥感数据不仅包含有丰富的地物光谱信息，其在图像空间维、光谱维两个不同的维度都会对地物特征有具体的描述和表达。传统的高光谱分类方法，往往只着重于数据光谱维上的特性，而忽视了空间维的信息。作为光谱维分析的补充，通过对图像空间维的分析，可以获得大量隐含的、丰富的对地物识别与处理有用的信息。

空谱一体化的技术就是将空间信息引入到高光谱分类中，在光谱域分类结果的基础上，对图像像素邻域进行决策，以期对分类结果进行修正。本发明采用了通过区域生长法、二值形态学法两种策略对谱域分类结果进行修正，仿真实验证明了本发明能够提高地物分类的精度。

发明内容

本发明的目的就是针对现有技术的不足，提供了一种高光谱空谱一体化图像分类方法。该方法弥补了传统模式分类方法在高光谱分类问题上忽视了空间维的信息的不足。为了对谱域分类的结果进行优化，本发明引入空间域信息，可用区域生长法或二值形态学法来现。

本发明方法包括以下步骤：

1）高光谱谱域分类。

首先对数据做归一化处理，并依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本构成训练样本集；然后进行分类器的训练，采用的分类器为支持向量机；最后用训练好的分类器进行数据的测试，即能得到谱域分类的结果。

2）目标边缘检测。

在进行谱域分类结果优化前，我们先要得到目标的边缘信息。

目标边缘检测具体实现步骤如下：

第一步：选择2个清晰波段的图像。

第二步：用Canny算子对第一个波段进行边缘检测。首先对图像                                               采用高斯滤波函数进行滤波操作；然后，对梯度幅值进行非极大值抑制，确定候选边缘点，其具体做法为寻找图像梯度中的局部极大值点，并且设置非局部极大值点为零，从而使得图像边缘得到细化；最后，采用双阈值处理，首先设定高阈值和低阈值(一般取)，然后扫描图像。若图像中的点的梯度幅值大于高阈值，则该点为边缘点。若图像中的点的梯度幅值小于低阈值，则该点为一定不为边缘点。若点的梯度幅值在两阈值之间，则要视其邻接像素中是否有边缘点，若有则将其划归为边缘点。

第三步：用LoG算子对第二个波段进行边缘检测。首先对图像采用高斯滤波函数进行滤波操作，然后采用Laplacian算子依据二阶导数过零点来检测边缘。所述LoG算子即高斯型的Laplacian算子，卷积模板形式为：

第四步：为了提高边缘检测的有效性，可采用这两种边缘检测方法效果叠加以增强边缘检测的效果，所以对2幅图像的边缘检测结果进行叠加即能得到较清晰的目标轮廓。

3）空间域信息优化。

    在得到目标边缘信息后，就可以用区域生长法或二值形态学法进行谱域分类结果优化。

3.1）区域生长法。

区域生长法就是一种基于某个确定的准则将像素或者种子连接成区域的方法。首先，在待分割的区域中选定一个种子点或种子区域作为此区域生长的起点，之后对种子周围符合事先设计好的某个生长准则的点划归到此区域中。继而将新生长出来的点作为种子点，重新在其邻域探索符合生长规则的点，直到没有新的邻点满足生长规则时区域生长停止。

具体实现步骤如下：

第一步：选择能够代表区域特性的一个种子点或一组种子区域。在空谱一体化应用中，首先有对基于谱域信息的分类结果，故而可以选取每种目标的分类结果的像素点作为种子集。

第二步：确定相应的区域生长准则。由于基于先验知识，知道目标点具有聚集特性。对种子点周围的四邻域内，进行搜索，检测是否有未分类的像素点（即非目标像素点）。若有则对该点做生长操作，判定其为种子点的模式类别。