[发明专利]基于联合双边滤波与极限学习机的高光谱图像分类方法

说明书

技术领域

本发明涉及图像处理领域，具体是一种基于联合双边滤波与极限学习机的高光谱图像分类方法。

背景技术

高光谱图像是相比传统的彩色图像具有更丰富的信息，在许多领域都有广泛的应用。例如：地质勘探，海洋监测，农作物种植等方面。高光谱图像波段数量多，光谱分辨率高和具有丰富的空间信息和光谱信息，而诸多研究表明高光谱数据在采集时容易受到噪声的影响，从而产生同种物质的光谱值相差比较大，不同物质的光谱值却比较相近得结果，这样对高光谱的数据处理及其分类带来诸多的影响。

近年来，高光谱图像分类是高光谱图像处理中一个热门的领域。传统的高光谱图像分类单一的用光谱特征进行分类，忽略了光谱间空间结构的信息关联性，使得分类的效果不理想。

发明内容

针对上述的问题，本发明目的是提供基于联合双边滤波与极限学习机的高光谱图像分类方法，利用空间信息进行光谱滤波处理，在用超限学习机对处理后的高光谱图像进行分类，从而达到提升分类精度的效果。

为实现上述的目的，本发明采取以下的技术方案：基于联合双边滤波与极限学习机的高光谱图像分类方法，包括步骤如下：

(1)将高光谱图像进行归一化处理，用主成份分析(Principal Component Analysis，PCA)的方法对高光谱图像提取第一主成分；

(2)、用提取完的第一主成分作为引导图和归一化后高光谱图像的每一层光谱进行空间上的滤波处理，从而形成修正后的高光谱分类图像；

(3)、将修正后的高光谱图像随机取一定数量的样本作为训练数据集并将训练数据集根据已知的分类信息进行类别标记，剩下样本的作为测试数据集；

(4)、用标记后的训练样本对超限学习机(Extreme Learning Machine，ELM)分类器进行分类训练；

(5)、最后用训练完的超限学习机对测试数据集进行分类预测。

具体的所述的步骤(2)按如下的过程进行：

2.1、将单层高光谱图像用I表示，(i，j)表示图片坐标,(p，q)表示(i，j)邻域为w的坐标，则I(i，j)，I(p，q)表示某点的光谱值，第一主成份用I_FC表示，滤波后的输出图像为I_JBF则有：

其中:

归一化参数

空间高斯核函数σ_d为空间域参数；

光谱高斯核函数σ_d为光谱域参数

2.2、基于2.1的所列的公式原理，经验性的分别给w，σ_d，σ_r赋予初值，用主成份分析方法所提取的第一主成份作为引导图，将高光谱图像逐层进行光谱值的滤波修正，得到修正后的高光谱图像。

具体的，所述的步骤(3)按如下的过程进行：选择基于核的超限学习机，初始化超限学习机的核函数为径向基函数(RBF)，经验性的初始化神经元个数。再将标记好类别的训练样本输入到超限学习机中进行模型训练。再将未标记的测试样本出入到训练好的模型中进行分类预测。

本发明相对于现有技术具有如下的优点及效果:利用PCA提取第一主成分作为引导图用联合双边滤波器对高光谱图像空间进行联合双边滤波，并且利用极限学习机对滤波后的高光谱图像进行分类。利用联合双边滤波对高光谱图像的空间信息进行修正，用极限学习机(ELM)对修正后的高光谱图像进行分类，达到了更好的分类精度。

附图说明

图1是高光谱图像分类方法的流程框图；

图2是真实地表分类图；

图3是实验分类图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举例实施例对本发明作进一步说明。

一种基于联合滤波与超限学习机的高光谱图像分类方法，包括以下步骤：

(1)、将高光谱图像进行归一化处理，用主成份分析的方法对高光谱图像提取第一主成分；

(2)、用提取完的第一主成分作为引导图和归一化后高光谱图像的每一层光谱进行空间上的滤波处理，从而形成修正后的高光谱分类图像；

(3)、将修正后的高光谱图像随机取一定数量的样本作为训练数据集并将训练数据集根据已知的分类信息进行类别标记，剩下样本的作为测试数据集；

(4)、用标记后的训练样本对超限学习机分类器进行分类训练；

(5)、最后用训练完的超限学习机对测试数据集进行分类预测。