[发明专利]基于相关熵原则的高光谱图像分类方法和系统

说明书

本发明提供一种基于相关熵原则的高光谱图像分类方法和系统，首先，对输入图像进行预处理，使得所有光谱向量的元素值在0到1之间；其次，选取少量的样本作为训练样本，利用设计的融合维数约简方法与相关熵原则的层次模型，提取高光谱图像的空谱特征；然后，利用训练好的层次结构学习测试样本的空谱特征；最后，将测试样本的特征输入到KNN分类器中得到类标签。本发明利用相关熵原则充分结合了高光谱数据的光谱和空间特征；利用本发明的层次模型，可以获得更加抽象的空谱特征；由于LDA的特性，本发明具有较小的样本复杂度，仅需要少量的训练样本就可以得到比较好的分类结果，因此其更利于实际应用。

技术领域

本发明属于图像处理技术领域，特别涉及一种高光谱图像分类方法和系统，可用于气象监测、环境监测、土地利用、城市规划以及防灾减灾。

背景技术

随着光谱成像技术的发展，高光谱遥感技术在全球众多国家的对地观测系统中占据越来越重要的地位。高光谱图像可提供丰富的光谱信息，已在地质调查、资源勘查、环境监测以及精准农业等领域得到了广泛应用。在众多应用中，高光谱图像分类作为一种常用技术而备受关注。然而由于高光谱图像具有数据维数高、训练样本少以及光谱特征空间变化大等特点，传统的图像分类方法在处理高光谱图像时往往并不奏效。如何从冗余的非线性高光谱数据中提取有效特征，实现高精度的分类，是一个亟待解决的问题。

现有研究表明，从数量有限的高维非线性光谱数据中获取有效的特征是实现正确分类的关键。因此，为了处理数据维数高的问题，许多维数约简方法被相继应用于高光谱图像分类。这些方法在降低数据维数的同时还可以得到反映光谱低维流形结构的特征。例如，局部线性嵌入(Locally Linear Embedding,LLE)和局部Fisher判别分析(Local Fisher’sDiscriminant Analysis,LFDA)等流形学习方法被应用于高光谱图像分类，有效地提升了分类系统的性能。这些方法本质上均是对输入进行了某种特征变换。但是在过去很长一段时间内，人们仅仅考虑了图像的光谱特征，而忽略了重要的空间信息。

为了充分利用高光谱图像的空间信息，空谱特征提取算法逐渐兴起。基于空谱特征的分类方法均基于一种前提，即局部区域中的像素属于同一类别的可能性较大。首先，马尔科夫随机场(Markov Random Field)、Gabor小波以及数学形态学等众多经典技术被用来获取图像的空间信息。近年来，Quesada-Barriuso等人从小波特征中创建扩展形态剖面(Extended Morphological Profile,EMP)得到一种新的空谱特征；有学者提出了基于循环置信传播的最大后验边缘概率(Maximizer of the Posterior Marginal by LoopyBelief Propagation，MPM-LBP)方法来获取空谱特征，该方法从光谱和空间两方面获取边缘概率分布。边缘保持滤波(Edge-preserving Filtering，EPF)方法也被应用于空谱特征提取。空间感知字典学习(Spatial Aware Dictionary Learning，SADL)方法通过融合了光谱与上下文信息进行特征提取。另一方面，支持向量机(Support Vector Machine，SVM)、相关向量机(Relevance Vector Machine,RVM)以及核极限学习机(Kernel ExtremeLearning Machine，KELM)等多种分类器都被用来处理高维高光谱数据，并得到了较好的结果。然而上述方法大多是单层的算法，不能提取图像的多层次特征。

最近深度学习作为一种新的有效的特征获取手段引起了高光谱图像分类研究者们的关注。然而现有基于深度学习的高光谱图像分类算法未能很好地利用“图谱合一”这一特点来设计深度结构，大都是通过预处理的方式融入空间信息。如何通过深度结构揭示高光谱图像的非线性流形结构、如何在深度框架下获取不变特征从而减小样本复杂度以及如何在深度结构中充分利用高光谱图像的空间信息等均是该领域的开放性问题。

综上，本发明在深入分析高光谱图像“图谱合一”特性基础之上，设计一种空谱特征学习方法，具有广阔的应用前景和重要的理论价值。

发明内容