[发明专利]基于主成分分析网络和空间坐标的高光谱图像分类方法

说明书

本发明公开了一种基于主成分分析网络与空间坐标的高光谱图像分类方法，主要解决了现有技术空间与光谱信息融合复杂或不充分以及利用主成分分析网络进行高光谱分类时计算复杂度大等问题。其实现的方案为：先读取高光谱图像的数据集；再将数据集按空间分块随机选取训练集与测试集；然后对光谱信息进行降维、归一化及边缘保留滤波处理；接着将空间坐标扩充并与光谱特征融合；然后训练主成分分析网络，得训练好的主成分分析网络；将测试集数据输入训练好的主成分分析网络，得到测试集中每个像素点的特征向量；最后利用支持向量机SVM得到分类结果。本发明降低了计算复杂度，提高了分类效果，可应用于资源勘探、森林覆盖、灾害监测中的目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及高光谱图像分类方法，可应用于资源勘探、森林覆盖、灾害监测中的目标识别。

背景技术

高光谱图像分类技术的关键在于，利用小数量的训练样本获得较高的分类精度。初期，高光谱图像主要是利用光谱信息进行分类，而近几年研究者发现，高光谱图像的空间信息也十分重要，因此，如何同时并且充分地利用光谱信息与空间信息成为提高高光谱图像分类精度的关键。

Pan Bin等人在其发表的论文“R-VCANet:A New Deep-Learning-BasedHyperspectral Image Classification Method”(IEEE Journal of Selected Topics inApplied Earth ObservationsRemote Sensing,2017,10(5):1975-1986)中提出一种改进的主成分分析网络VCANet用于高光谱图像分类的方法。该方法对高光谱图像的每一个光谱波段进行滤波后，将像素点的光谱信息输入改进的VCANet进行特征提取，然后利用支持向量机SVM进行分类。该方法存在的不足之处是，对空间信息的利用不够充分，即仅在滤波时利用了高光谱图像的空间信息；此外，该方法将全部维度的光谱信息都输入到改进的VCANet网络进行训练，计算复杂度较大。

西安电子科技大学在其申请的专利文献“基于空间坐标与空谱特征融合的高光谱分类方法”(专利申请号：201710644479.6，申请公布号：CN 107451614 A)提出了一种基于空间坐标与空谱特征融合的高光谱图像分类方法，该方法先对高光谱图像进行空间邻域划分采样，随后将空间坐标作为空间特征，接着将空间特征与光谱特征分别利用支持向量机SVM进行分类，将分类所得像素点属于每类的概率作为概率特征，最后将空间特征分类得到的概率特征与光谱特征所得概率特征融合，再次利用支持向量机SVM进行分类，得出最终分类结果。该方法的缺点在于，高光谱图像的空间信息利用不足，仅利用了空间坐标，而空间坐标对于样本分布不集中或样本量很少的地物类别分类效果不够好。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于主成分分析网络和空间坐标的高光谱图像分类方法，以提高对光谱信息与空间信息的利用率，降低计算复杂度。

为实现上述目的，本发明的技术方案包括如下：

(1)输入待分类高光谱图像对应的数据集；

(2)将输入的高光谱图像数据集，按照图像中像素点的空间位置，均匀分割成100份的小数据集，在每一个小数据集中，对每一个地物类别按照固定的比例随机选取训练样本，并将选出的训练样本合并到一起进行随机打乱，作为训练集，其余像素点组成测试集；

(3)对输入的待分类高光谱图像依次进行降维、归一化和滤波处理，得到预处理后的光谱特征；

(4)获取待分类高光谱图像中每一个像素点所在的空间坐标值，并对这些空间坐标进行扩充；

(5)将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合，得到每个像素点的融合特征；

(6)对高光谱图像的每个像素点选取3*3邻域块后，将该邻域块内所有像素点的融合特征按列排列，得到每个像素点对应的二维特征矩阵；