[发明专利]一种高光谱遥感影像分类方法

说明书

技术领域

本发明涉及图像分类技术领域，特别是涉及一种高光谱遥感影像分类方法。

背景技术

高光谱遥感影像数据具有维度高、数据量巨大的特点，在进行高光谱分析时，随着计算的波段数目变多，影像分类精度会出现先增加到一定程度再降低的情况，这就是“Hughes”现象。在分析多维数据时，如果采取统计模式的方法进行识别，一般认为在特征空间内，每一种模式都服从正态分布，先对已有的样本进行训练，获得统计模型分布的大概参数值，然后建立分类器进行分类。在数据维数较低时，训练样本与空间维数相比较，训练样本占较大比重，所以能够得到比较精确的参数估计。然而，对包含有数百个波段的高光谱影像进行处理时，训练样本的数目不能满足特征空间维数增加的要求，从而无法准确估算出参数。比如有些重点地面目标，由于在影像中占有的面积较小而没有足够的训练样本，导致相应的分类结果无法达到预期要求。因此，通过传统的统计模式识别方法进行高光谱数据的处理时，会面临极大的困难。

当下解决上述难题的途径之一是，发掘能够快速地对高光谱影像进行降维处理以及特征提取的算法，通过改进算法来提高分类的准确率。现在根据不同情况的使用需求，己经研制出各种各样的神经元网络模型和反映该模型动态过程的算法，例如反向传播(BP)算法、Hopfield算法、多层感知器、深信度网、卷积神经网络等及其优化版本。在高光谱影像分类应用中，神经网络主要有以下三个优点：a.作为一种无参数的分类器，对于原始类别，神经网络没有作概率分布假设的需要，亦无需确定概率分布参数；b.神经网络的隐含层在输入和输出节点之间，通过权重联结各个节点，通过这种方法，纹理、地势等多源数据能够高效地被应用分类中去，提升分类能力；c.神经网络因非线性的驱动函数输出，其系统同样为非线性，能够在特征空间之中构建分类界面较为复杂的子空间，其效果对非线性可分的特征子空间尤为显著。

发明内容

发明目的：本发明的目的是针对高光谱遥感影像的特性，克服传统分类方法的不足，提出一种高光谱遥感影像分类方法。

技术方案：本发明所述的高光谱遥感影像分类方法，包括以下步骤：

S1：选取高光谱遥感图像；

S2：根据实际情况对所选图像进行预处理操作；

S3：确定感兴趣的地物类别数，构建训练样本集和测试集；

S4：进行特征选择和特征变换；

S5：构建合适的网络模型；

S6：对分类结果进行分析与评价。

进一步，所述步骤S2中预处理操作包括几何变化、直方图均衡化、滤波去噪等常规操作，根据不同的数据集选择不同预处理操作方式。

进一步，所述步骤S5中，通过确定神经网络的层数、每一层神经元的数量、传输函数和学习方法等来构建能尽可能高效训练样本的网络模型，并在训练网络的过程中逐步调整网络参数，从而优化网络模型，最终得到训练速度快、分类效果好的网络模型。

进一步，所述步骤S6中，采用平均分类精度、整体分类精度、Kappa系数对分类结果进行综合分析。

有益效果：本发明公开了一种高光谱遥感影像分类方法，与传统高光谱影像分类方法比，具有训练速度快、分类精度高的特点。

附图说明

图1为本发明具体实施方式中高光谱遥感影像分类方法流程图；

图2为本发明具体实施方式中选取的第170波段高光谱影像图；

图3为本发明具体实施方式中第170波段影像对应的实际地物标记图；

图4为本发明具体实施方式中数据重组和分批过程图；

图5为本发明具体实施方式中原始高光谱影像；

图6为本发明具体实施方式中取90％样本的分类结果图、训练集合图、测试集合图。

具体实施方式

本具体实施方式公开了一种高光谱遥感影像分类方法，如图1所示，具体操作步骤如下：

S1：选取高光谱遥感图像。本实施例选取AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)于1992年6月在美国印第安纳州西北部拍摄的一幅高光谱遥感影像，影像是一块有农田与树林混合的遥感实验区，即Indian Pines测试区。影像尺寸为145×145，有220个波段，波长范围400～2500nm，其中噪声影响较低的第170波段高光谱影像如图1所示，图2为相应的实际地面目标标记。