[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

说明书

本发明公开一种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，涉及图像分类技术领域，采用技术方案包括：对原始高光谱遥感图像进行降维；利用扩展形态学方法EMP得到降维图像的形态学特征图；针对降维图像和形态学特征图，分别利用局部二值模式LBP和梯度直方图HOG提取纹理特征和梯度特征，再分别利用基于布尔映射的显著性BMS得到基于纹理和梯度的显著性特征，并执行先融合基于纹理和梯度的显著性特征、再整体融合所有显著性特征的操作，针对融合的最后结果，利用随机森林分类算法进行像素点的分类。本发明可以提高分类过程中的特征利用率，解决当前基于深度神经网络的高光谱遥感图像分类方法中模型调参困难、容易过拟合、训练代价高等问题。

技术领域

本发明涉及图像分类技术领域，具体的说是一种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。

背景技术

高光谱遥感技术其可以同时利用数十甚至数百个极窄的光谱波段采集数据，捕获更多的数据并提供更有价值的信息。通过高光谱遥感技术采集得到的高光谱遥感图像通常简称为高光谱遥感图像，其分类任务对于国防、农业、气候以及海洋监测等领域具有重要意义，随着设备的更新换代，所采集的高光谱遥感图像质量越来越高，对于高光谱遥感图像的利用、处理及分类是实现该产业落地及价值作用发挥的关键步骤。

特征提取是高光谱遥感图像分类关键步骤，如果不进行特征的有效提取，直接将原始的高光谱数据用于模型的训练，那么模型的分类性能将受到影响。传统的特征提取方法，一般将原始高光谱数据进行降维，然后进行光谱向量的分类。但仅仅通过降维所起到的作用是不够的，降维后的数据仍具有极大的挖掘空间。近年来，随着深度学习的火热发展，以卷积神经网络为代表的深度神经网络模型在高光谱遥感图像分类中得到广泛应用。然而，利用深度神经网络进行特征提取不但需要花费大量的精力调参，而且有监督的特征提取速度较慢，特征提取的方式也没有明确的物理意义。

发明内容

本发明针对当前流行的基于深度神经网络的高光谱遥感图像分类方法中存在调参困难、训练时间长的问题，提供一种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，来提高分类过程中的特征利用率。

首先，本发明提供一种基于多显著性特征融合的高光谱遥感图像分类方法，解决上述技术问题采用的技术方案如下：

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。

进一步的，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。

进一步的，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]