[发明专利]联合光谱、空间和层次结构信息的高光谱影像分类方法

说明书

本发明公开了联合光谱、空间和层次结构信息的高光谱遥感影像分类技术，包括输入待分类的高光谱影像，提取参考数据样本集；选取监督分类的训练样本集；对原始影像采用主成分分析提取影像前三个主成分波段，使用拓展形态学方法提取空间特征向量；对原始影像采用马尔科夫特征选择进行降维，采用代数多重网格方法构建影像金字塔，使用层次分割方法得到多层分割结果；将原始光谱特征向量、空间特征向量和层次结构特征向量组合构建多核矩阵；利用支持向量机方法计算核矩阵差异获取最终的类别属性标签；输出最终的影像分类图。本发明提供了一种有效的分类方法，能充分提取挖掘影像信息，能有效提高高光谱影像分类精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种联合光谱、空间和层次结构信息的高光谱影像分类方法。

背景技术

与多光谱遥感图像相比，高光谱遥感影像具有更加丰富的信息，这些信息能够准确反映不同地物类别之间的属性差异，实现地物准确提取和识别，为更精确的高光谱遥感影像分析与行业应用奠定良好基础。然而，高光谱影像维数高、波段相关性大；包含噪声与混合像元；有限的地面真实数据参考等问题，给高光谱遥感信息分析与处理带来了巨大挑战。基于光谱特征的单核影像分类方法仅依据地物光谱特征来判定像元的类别归属，并未利用影像的空间信息，因此这类方法获得的分类精度难以更进一步地改善。基于光谱和空间信息的复合核影像分类方法在联合高光谱影像空间信息(主要包括纹理信息、空间结构信息、地物尺寸信息、地物轮廓信息、空间分布信息等)和地物光谱特征的基础上，能够获得更精确的分类结果，但往往空间特征只用一种提取方法，很难完全获取所以的结构信息。

传统的复合核方法提取空间信息往往是不够的，为了解决这一问题，多尺度相关方法近年来引起研究者的关注。这是由于地物目标的各种特征通常存在于多个尺度范围内，同时单一尺度的图像分割难以获得满足要求的同质区域，所以将层次结构作为空间信息的一种补充，代入传统复合核框架，不仅将原始的复合核拓展成多核，而且能够有效的提高影像分类精度。在对比方法的形式与精度，都是突破。

发明内容

有鉴于此，本发明的实施例提供了一种能避免信息冗余，改进了传统复合核框架，提高了分类精度的联合光谱、空间和层次结构信息的高光谱遥感影像分类方法。

本发明的实施例提供联合光谱、空间和层次结构信息的高光谱影像分类方法，包括以下步骤：

S1、输入光学传感器获取的待分类的高光谱影像；并输入与待分类的高光谱影像对应的地面调查数据样本集；

S2、根据地面调查数据样本集中所有样本的坐标位置，提取原始的高光谱影像中对应坐标位置的像元构成参考数据样本集；

S3、得到的高光谱影像的参考数据样本集中包括多个信息类别，依次为各信息类别随机选取一定数量的样本作为监督分类的训练样本集；将各信息类别中剩余的参考数据样本作为精度评价的测试样本集；

S4、对原始高光谱影像采用主成分分析提取影像的前三个主成分波段；

S5、对步骤S4得到的前三个主成分波段使用拓展形态学方法提取空间特征向量；

S6、对原始高光谱影像采用马尔科夫特征选择进行降维；

S7、对步骤S6降维的影像采用代数多重网格方法构建影像金字塔；

S8、对步骤S7构建的影像金字塔使用层次分割方法得到多层分割结果的层次结构特征向量；

S9、根据步骤S3选好的训练样本集，将对应位置处的原始光谱特征向量、步骤S5得到的空间特征向量和步骤S8得到的层次结构特征向量组合构造光谱空间层次结构复合核；

S10、利用支持向量机方法计算核矩阵差异获取最终的类别属性标签；

S11、根据步骤S10的最终类别属性标签输出最终的影像分类图。