[发明专利]一种高光谱图像的分类方法及系统

说明书

本发明适用于图像分类，提供了高光谱图像的分类方法，包括：将高光谱图像分为训练集和测试集，并提取局部特征点，通过K‑means算法对训练集的局部特征点进行计算形成词典，采用KNN算法在词典中为测试集的待分类局部特征点形成最近邻单词，并为测试集图像的待分类特征点查找最近邻特征点，在最近邻单词中查找出光谱维距离最短的近邻单词，引入近邻特征点、近邻单词和光谱维距离三重约束，通过求解约束最小乘拟合问题，得到编码系数，通过最大池化算法池化编码系数，并将得到的编码系数作为高光谱图像的特征描述符对测试集进行分类。本发明解决了高光谱图像特征点和词典单词建立映射关系时存在的不确定性的问题，提高了相似图像的识别力。

技术领域

本发明属于图像处理技术领域，尤其涉及一种高光谱图像的分类方法及系统。

背景技术

高光谱图像相比于灰度图、RGB彩色图，包含了空间和光谱的信息，数据量大，在检测伪装和隐蔽的军事目标，以及在民用搜救探测目标等方面都有重要的应用。随着高光谱技术的发展，目前的高光谱图像呈现出高空间分辨率的特点，地物目标在高光谱图像上具有丰富的纹理和结构信息，其包含的光谱信息也非常复杂和丰富。

高光谱图像作为遥感领域的一项重大突破，利用很多很窄的电磁波波段从感兴趣的物体获得有用信息，在保留较高空间分辨率同时，其光谱分辨率有极大的提高，达到了纳米的数量级，可以用来探测和识别传统全色和多光谱遥感中不可探测的地物类别。与传统的多光谱遥感图像相比，高光谱遥感图像有着信息量大、光谱分辨率高等特点，这使得在描述与区分地物类别方面的能力有了大幅提高，它使原本在多光谱遥感中无法有效探测的地物得以探测。但是由于高光谱图像具有较高的数据维数，常规的图像分类方法在处理高光谱图像时有较大的限制，如何从大量的高光谱数据中快速而准确地挖掘出所需要的信息，实现高精度的分类，仍是一个亟待解决的问题。

传统的高光谱图像分类主要采用像素级分类方法。传统的遥感监测手段主要由中低分辨率组成。在高光谱图像中，图像上物体的尺寸与像素一样大小。像素级分类方法适合此种高光谱图像分类。然而，随着高光谱传感器技术的发展，高光谱图像中空间和光谱的分辨率都有很大的提高。此时传统的像素级分类方法已经不能很好的适应高光谱分类。

词袋模型由于其对高光谱图像的简化表示和图像特征与视觉单词的有效编码而被广泛应用。一般来说，词袋模型分类方法如图1所示，主要分以下几个步骤：①从图像中抽取特征点，并进行描述(如SIFT特征，Scale-invariant feature transform，尺度不变特征变换特性)；②采取K‐means等方法把生成的特征点训练成视觉词典；③通过图像特征编码方法，把待分类的图像特征映射到视觉词典中的视觉单词；④通过池化算法构成图像描述符；⑤通过支持向量机等分类算法，把图像描述符进行图像分类。高光谱特征编码是将待分类图像特征点量化到视觉单词的过程，编码误差是影响图像分类正确率的主要因素。

传统高光谱遥感图像分辨率低，不仅光学影像分辨率低，光谱分辨率也低。大多数光学影像分辨率低的是基于像素级的光谱曲线去分析数据，大多情况需要像元解混，而光谱分辨率低则获得的信息量少，容易产生“异物同谱”和“同谱异物”的现象，同时高光谱图像特征点和高光谱单词建立映射关系时存在的不确定性，相似图像的识别力较差。大尺度高分辨率的高光谱是一个高维的精细的大数据特征空间。随着遥感技术和光谱仪成像系统的发展，对目标探测也提出了新的要求。

发明内容

本发明所要解决的技术问题在于提供一种高光谱图像的分类方法及系统，旨在解决现有技术中高光谱图像特征点和高光谱单词建立映射关系时存在的不确定性，相似图像识别力差的问题。

本发明是这样实现的，一种高光谱图像的分类方法，包括：

将高光谱图像分为训练集和测试集，分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点，根据所述训练集的局部特征点和所述测试集的待分类局部特征点构成训练集特征点集和测试集待分类特征点集；