[发明专利]一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法

说明书

本发明的目的在于提供一种基于波段聚类和改进递归滤波的高光谱图像分类算法，利用基于相对熵的波段聚类算法迭代的找出各个波段子集中的中心波段，保留了原始光谱波段的信息，相比于原始域变换递归滤波算法，本发明将聚类得到的中心波段集合进行高斯滤波作为域变换递归滤波的引导图像，同时每一个集合的中心波段都执行改进的域变换递归滤波算法，最后得到了所有中心波段的特征图像集合充分获取了高光谱图像的空谱联合信息，提升了后续的分类精度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法。

背景技术

高光谱遥感是指利用很多窄的电磁波波段获取物体有关数据的技术，该技术通过光谱空间、特征空间等多个空间对目标进行探测和鉴别，近年来，高光谱图像广泛应用于航空航天、农业科学、地理监测与环境保护等多学科交叉领域，其中提升高光谱图像的分类精度是目前的研究热点之一。然而，现有的高光谱图像地物识别与分类算法远不能满足高光谱遥感技术的快速发展和需求。首先，高光谱图像不可避免地受到噪声干扰。其次，高光谱图像波段数多、维度过高等特点给高光谱图像的识别和分类带来了很大的困难。因此，如何从高维的高光谱影像中挖掘低冗余的有效信息，提高影像的空间质量和分辨率，是对高光谱数据后续分类的关键。

目前，针对高光谱图像维度过高的问题，现有的降维技术分为两大类：特征提取和波段选择。特征提取的相关技术有主成分分析、局部线性嵌入和线性判别信息等，特征提取技术虽然可以实现更高的分类精度，但特征提取出的低维表达不具有物理意义，难以解释。波段选择技术通过选择最重要的光谱波段生成对应的低维表达，可以保留光谱波段的原始信息，但对分类精度的提高有限。因此，如何在保留高光谱图像的原始信息的同时提高高光谱图像的分类精度，是本领域技术人员需要迫切解决的问题。

发明内容

本发明的目的是提供一种基于波段聚类和改进递归滤波的高光谱图像分类算法，用于提升后续的分类精度。

本发明解决其技术问题的技术方案为：一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法，其特征在于，包括以下步骤：

S1：输入原始高光谱图像X^Q×D，Q为每个波段上的像素个数，D为波段数目，将高光谱图像的所有的D个波段划分为K个高光谱子波段集合；计算第k个子波段集合P^{k∈(1,...,K)}，计算方法为：其中，X＝(X₁,...,X_D)∈R^Q×D表示原始的拥有D个波段数目和每个波段上有Q个像素的高光谱图像X，表示不超过D/K的最大整数步长；

S2：对S1求得的波段集合中的每一个子集P^{k∈(1,...,K)}确定聚类中心波段集M_i，i∈(1,2,...,K)；

S3：对聚类中心波段集M_i，i∈(1,2,...,K)进行高斯滤波，具体公式为式中，M_i为输入图像，a和b为输入图像像素的索引坐标，是正则化参数，N(a)是关于a的邻域像素集合，σ_s是空间标准差，G_i是高斯滤波的结果；

S4：初始化引导图像，即将高斯滤波后的图像设为初始引导图像，F_i[0]＝G_i；

S5：将聚类得到的中心波段集M_i i∈(1,2,...,K)作为输入图像集和引导图像F_i[0]执行域变换递归滤波；域变换递归滤波的原理是对给定的变换域D_t将输入图像M_i变换到D_t中，递归滤波的公式为

F_i[N]＝(1-d^c)M_i[N]+d^cF_i[N-1]