[发明专利]基于标记样本位置的高光谱图像进化分类方法

说明书

本发明公开了一种基于标记样本位置的高光谱图像进化分类方法，解决了高光谱图像分类中空间信息的利用问题。具体步骤有：输入数据，用PCA降维后的基图像；提取差分形态学特征；差分形态学与光谱特征结合编码，分割数据集、记录部分标记样本的位置；初始化代表样本点；开始迭代，确定最大迭代次数；判断停止条件，若满足，则直接对无标签样本分类；不满足则设计交叉模版、精英保留策略进行进化后选择代表点集合再次迭代，直至满足条件；在无标签样本分类后，对分类结果分割，参考标记样本点位置，进一步优化。本发明用空间信息、进化算法完成了对高光谱图像的分类，搜索更有依据；提高了分类精度，应用于高光谱图像分类。

技术领域

本发明属于图像处理技术领域，主要涉及高光谱图像分类，具体是一种基于标记样本位置的高光谱图像进化分类方法。应用领域为高光谱图像分类。

背景技术

高光谱图像分类问题在遥感图像处理中，由于高光谱图像存在波段数大，而标记样本难以获取以及光谱混杂等问题，许多学者针对此问题进行了很多研究。

在论文“Semisupervised Subspace-Based DNA Encoding and MatchingClassifier for Hyperspectral Remote Sensing Imagery”(IEEE Transactions onGeoscience and Remote Sensing,2016,54(8):4402-4418.)中，MaA,Zhong Y,Zhao B等人提出了一种基于子空间的DNA编码匹配分类算法。

该方法首先将高光谱图像的各个像素点进行编码表示，并将像素点集合分为三份——标记样本集DT1，无标记样本集DT2以及测试样本集DT3。原算法中DT1集合的样本数较少，DT2作为候选集合用来扩充样本量，在进化的步骤中使用虚拟类标作为真实类标。

进入进化算法步骤后，初始化每一类的代表样本，其创新点在于考虑到每一大类中有子类的存在，所以将每一类的代表个体初始化为多个。而在进化操作时，该文根据标记样本的类标以及为无标记样本分配的类标来选择局部子空间以及全局子空间，目的是去掉无用的信息。再通过适应度计算与随机算子完成一次迭代。随着迭代的进行，保留的代表集合就能越来越好地解决分类问题。

但是该方法也存在一些缺点，比如它没有利用空间信息，过多地依赖光谱特征；进化算法中缺少精英保留策略等。

发明内容

为了克服上述技术的不足，本发明提出了一种提高分类精度的基于标记样本点位置信息的进化高光谱图像分类方法。

本发明是一种基于标记样本位置的高光谱图像进化分类方法，其特征在于，包括有如下步骤：

(1)输入数据：输入高光谱图像数据，即原始数据，高光谱图像数据中包含光谱特征；并用主成份分析(PCA)对图像数据降维后得到数个基图像；

(2)在各个基图像上提取差分形态学特征DMP，即一种空间特征；

(3)编码光谱和空间特征，分割数据集，记录位置信息：将差分形态学特征与完整的光谱特征结合，共同编码，并将高光谱图像数据集分割为有标记样本集DT1，无标记样本集DT2以及测试样本集DT3，对于每一类地物，随机选择部分有标记样本点并记录保存其位置信息；

(4)初始化代表点集合DNAC：在有标记样本集DT1中随机选择部分样本组成代表点集合DNAC，完成初始化；

(5)进入迭代：设置当前迭代为第1代，并限制最大迭代次数为500；对各类地物的代表样本点进行优化；

(6)判断停止条件：判断当前迭代是否达到最大次数或进化算法是否收敛，若未达到最大次数或未收敛则继续，否则跳至步骤9；

(7)构建遗传算子：在进化算法中设计复制、交叉遗传算子，并加入精英保留策略；