[发明专利]基于多显著性特征融合的高光谱遥感图像分类方法及系统

权利要求书

1.一种基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于,其实现内容包括：

步骤S1、对获取的原始高光谱遥感图像进行降维；

步骤S2、针对降维后的高光谱遥感图像，首先利用扩展形态学方法EMP得到多幅形态学特征图，随后利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征，再随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，融合显著性特征Ⅰ和显著性特征Ⅱ，得到融合特征A；

步骤S3、针对降维后的高光谱遥感图像，首先利用局部二值模式LBP和梯度直方图HOG提取纹理特征和梯度特征，随后利用基于布尔映射的显著性BMS，得到基于纹理特征的显著性特征Ⅲ和基于梯度特征的显著性特征IV，融合显著性特征Ⅲ和显著性特征IV，得到融合特征B；

步骤S4、对融合特征A和融合特征B进一步融合，得到融合特征C，随机森林分类算法根据融合特征C进行像素点的分类。

2.根据权利要求1所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，执行步骤S1时，利用主成分分析法PCA对原始高光谱遥感图像进行降维。

3.根据权利要求2所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，执行步骤S2时，针对降维后的高光谱遥感图像，利用扩展形态学方法EMP得到多幅形态学特征图，具体过程为：

步骤S2.1.1、针对降维后的高光谱遥感图像的像素x，执行“开运算”操作，此时，像素x处的“开运算”是先进行腐蚀后进行膨胀的过程，操作定义如下：

Open_i(x)＝γ⁽ⁱ⁾(x),i∈[0,n]

其中，γ⁽ⁱ⁾表示结构元素大小为i的“开运算”，n为开运算的次数；

步骤S2.1.2、针对降维后的高光谱遥感图像的像素x，执行“闭运算”操作，此时，像素x处的“闭运算”是先膨胀后腐蚀的过程，操作定义如下：

Close_i(x)＝φ⁽ⁱ⁾(x),i∈[0,n]

其中，φ⁽ⁱ⁾(x)表示结构元素大小为i的“闭运算”，n为闭运算的次数；

步骤S2.1.3、对于降维后高光谱遥感图像中的单个像素，形态学轮廓是长度为2n+1的矢量，具体定义如下：

MP(x)＝{Close_n(x),...,I(x),...,Open_n(x)}

其中，I(x)表示原始像素；

步骤S2.1.4、基于“开运算”和“闭运算”后的形态特征，选定主成分构建形态学轮廓，此时，像素x的形态学轮廓是m×(2n+1)维的矢量，其中m为主成分的个数，扩展形态学方法EMP的操作表示为如下公式：

EMP(x)＝{MP_PC1(x),...,MP_PCm(x)}

利用扩展形态学方法EMP的操作表示公式对多个主成分波段进行形态学特征的提取，得到形态学特征图。

4.根据权利要求1所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，利用局部二值模式LBP和梯度直方图HOG提取形态学特征图的纹理特征和梯度特征后，利用基于布尔映射的显著性BMS，构建布尔图像，利用阈值分割的方法对构建的布尔图像进行区域连通与噪点消除，完成注意力图的构建，将构建的注意力图叠加后进行均值化处理，随后针对均值化处理后的注意力图，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ。

5.根据权利要求4所述的基于多显著性特征融合的高光谱遥感图像分类方法，其特征在于，得到基于纹理特征的显著性特征Ⅰ和基于梯度特征的显著性特征Ⅱ，具体过程为：

首先，利用二值图像处理技术计算均值化处理后的注意力图，以激活给定布尔图像上具有封闭的外部轮廓所对应的像素区域，

随后根据给定的随机采样布尔映射集，将显著性建模为期望目标，最后根据多个布尔子图像获得最终的显著性特征Ⅰ/显著性特征Ⅱ。