[发明专利]一种高光谱影像小样本分类方法及装置

说明书

本发明提供一种高光谱影像小样本分类方法及装置，属于遥感图像处理与应用技术领域。该分类方法包括：输入高光谱影像；利用形态学属性剖面算法构造高光谱影像的形态学属性剖面；在高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到高光谱影像的形态学属性剖面立方体；根据高光谱影像的形态学属性剖面立方体得到高光谱影像的特征向量；将高光谱影像的特征向量输入预先训练好的分类模型完成高光谱影像分类。本发明通过构建高光谱影像的形态学属性剖面立方体能充分利用高光谱影像中的空谱联合信息，为后续分类过程提供丰富的特征信息源，从而能在小样本条件下获得较高的分类精度。

技术领域

本发明涉及一种高光谱影像小样本分类方法及装置，属于遥感图像处理与应用技术领域。

背景技术

高光谱影像(也称高光谱图像)分类是高光谱影像处理和分析中的关键环节，是实现遥感影像对地观测的重要步骤之一，其基本任务是为每个像素确定唯一的类别标识。

传统的高光谱影像分类器包括支持向量机、随机森林、逻辑回归分类器等等，通过结合高光谱影像中的空间特征、纹理特征和光谱特征等，传统分类器能够取得一定的分类效果。但传统分类方法往往需要复杂的特征设计工作，并很大程度上依赖于专家经验进行参数调整，在应用中具有很大的局限性。

近年来，随着深度学习的兴起和不断发展，深度学习方法被广泛应用在高光谱影像分类中，主要有以下几种：

(1)基于三维卷积神经网络(3DCNN)的高光谱影像分类方法。例如：公告号为CN106022355B的发明专利文件中，公开了一种基于3DCNN的高光谱图像空谱联合分类方法，该方法首先从归一化处理后的原始高光谱图像中，提取以待分类像元为中心的n×n×L邻域范围内的数据块P_n×n×L作为该像元的原始空谱特征，n表示邻域块的大小，L表示谱段总数；然后利用经过训练的3DCNN网络完成高光谱图像空谱联合分类。这种方法虽然无需进行谱空间降维，能够自动提取高光谱图像的空谱特征，无需人工预设特征，但是需要依赖于大量的训练样本，而在实际应用中高光谱影像标记样本的获取费时费力，通过寻找大量标记样本训练深度模型十分低效，如果没有足够数量的带有标记的训练样本作支撑，这种方法很难取得较高的分类精度。

(2)基于深度森林的高光谱影像分类方法。例如：公布号为CN108614992A的发明专利申请文件中，公开了一种高光谱遥感图像的分类方法，该方法针对高光谱遥感图像中的光谱信息、空间信息和空谱结合信息分别进行降维处理，得到相应的光谱数据、空间数据和空谱结合数据；然后通过训练好的深度森林分类模型对高光谱遥感图像进行分类。虽然该方法使用深度森林算法对高光谱遥感图像进行分类具有参数少，易调节的优点，也能取得较好的分类效果和实用性，但是该方法的数据预处理过程太过复杂，耗费时间过多，且分类精度还有待进一步提高。

综上，目前已有的高光谱图像分类方法中，传统分类方法不仅需要依靠专家经验进行复杂的特征设计工作，分类精度也较低；基于3DCNN网络的分类方法需要依赖于大量的训练样本，在标记样本非常少的条件下分类精度较低；基于深度森林的分类方法，数据预处理过程太过复杂，耗费时间过多，且分类精度还有待进一步提高。

发明内容

本发明的目的是提供一种高光谱影像小样本分类方法及装置，用以解决现有高光谱影像分类方法在标记样本非常少的条件下分类精度不高的问题。

为实现上述目的，本发明提供了一种高光谱影像小样本分类方法，该方法包括以下步骤：

(1)输入高光谱影像；

(2)利用形态学属性剖面算法构造所述高光谱影像的形态学属性剖面；

(3)在所述高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到所述高光谱影像的形态学属性剖面立方体；