[发明专利]一种基于空间光谱信息的高光谱图像残差融合分类方法

说明书

本发明公开了一种基于空间光谱信息的高光谱图像残差融合分类方法。包括以下步骤，读入高光谱图像数据，确定样本类别数为L；分别提取高光谱图像的空间纹理信息F_G和光谱信息F_N；根据空间纹理信息F_G和光谱信息F_N构建相关矩阵；求解高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵；重构样本，计算测试样本x_p的每个类别所对应的重构残差；计算测试样本x_p的每个类别的融合残差；根据测试样本x_p的每个类别的融合残差确定测试样本x_p的类别。本发明具有分类精度高，得到的分类图视觉效果好的优点。

技术领域

本发明属于遥感信息处理技术领域，尤其涉及高光谱图像分类的，一种基于空间光谱信息的高光谱图像残差融合分类方法。

背景技术

高光谱图像在许多领域都有广泛的应用，包括农业生产，矿物识别与检测目标区域，灾害预警，军事侦察与城市规划等等。高光谱图像分类技术在高光谱图像处理中占有非常重要的地位，其目的是将图像中的像素根据具有代表性的样本划分到其相应类别中。传统高光谱处理中通常用到的信息为原始的光谱(Original Spectral,OS)信息和主成分分析(Principal Components Analysis,PCA)特征信息，如何有效地利用丰富的数据信息，并同时确保处理精度获得了越来越广泛的关注。在众多的分类方法中，支持向量机(SupportVector Machine，SVM)是一种公认的优秀分类算法，在其基础上2006年,Camps-Valls利用Mercer核函数的性质，构造了组合核函数(Composite Kernels，CK),从而开辟了容易结合的空间信息和光谱信息的广阔领域，由此产生的分类器被称为SVM-CK。

传统的高光谱数据分类方法中存在以下几个问题：1、高光谱数据不能得到很好的表达致使分类精度不高。2、没有充分利用高光谱图像中的邻域信息。3、分类过程中产生有效信息不能充分的利用。

发明内容

本发明的目的是提供一种分类视觉效果好、分类精度高的，一种基于空间光谱信息的高光谱图像残差融合分类方法。

本发明是通过以下技术方案实现的：

一种基于空间光谱信息的高光谱图像残差融合分类方法，包括以下几个步骤，

步骤一：读入高光谱图像数据，对高光谱图像进行维数转换，将三维数据转换成二维数据，对所得的二维数据作归一化处理，确定样本类别数为L；

步骤二：分别提取高光谱图像的空间纹理信息F_G和光谱信息F_N；

步骤三：根据空间纹理信息F_G和光谱信息F_N构建相关矩阵，相关矩阵包括根据空间纹理信息F_G构建的空间纹理信息联合信号矩阵XJ^G、空间纹理信息字典A^G和局部自适应空间纹理信息字典A^GL，相关矩阵还包括根据光谱信息F_N构建的光谱信息联合信号矩阵XJ^N、光谱信息字典A^N和局部自适应光谱信息字典A^NL；

步骤四：求解高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵；

步骤五：将空间纹理信息字典A^G、局部自适应空间纹理信息字典A^GL、光谱信息字典A^N和局部自适应光谱信息字典A^NL分别和其对应的系数矩阵相乘得到重构样本，计算测试样本x_p的每个类别所对应的重构残差；

步骤六：计算测试样本x_p的每个类别的融合残差；