[发明专利]一种基于多约束条件下函数化表示的高光谱图像分类方法

说明书

本发明提出一种基于多约束条件下函数化表示的高光谱图像分类方法，针对现有基于函数型数据分析的高光谱图像分类方法未充分利用图像的空间特征的问题，提出在多约束条件下采用B‑样条函数拟合高光谱图像中像素光谱曲线，即将简单最小二乘拟合误差模型扩展为涵盖加权平方误差项、粗糙惩罚项以及超像素邻域约束空间相干项的拟合误差模型，以得到顾及空间关系的像素光谱曲线精准拟合；通过对拟合光谱曲线的函数主成分分析，获取分类特征；利用支持向量机实现高光谱图像分类；为了验证提出算法的有效性，采用Indian Pines、University of Pavia和Salinas高光谱图像进行分类实验；本发明提出的算法可以有效表征光谱信息，且能够在有限数量训练样本的情况下取得良好的分类精度。

技术领域

本发明涉及遥感图像信息识别与提取领域，尤其涉及一种基于多约束条件下函数化表示的高光谱图像分类方法。

背景技术

近年来，传感器的发展使得用高光谱成像系统获得了丰富的地物光谱信息，高光谱数据集为研究土地利用和土地覆盖提供了有价值的信息，因此被广泛应于植被和水资源研究、食品安全和农业、军事等方面。然而，高光谱图像的高维度、冗余性以及非线性数据空间等内在特性给高光谱图像处理带来了极大的挑战。

为解决高光谱图像分类中的Hughes现象，科研人员引入许多谱段降维方法用于去除冗余信息，根据高光谱数据的处理方式主要分为两种：1)将光谱数据转化成向量形式进行降维，主成分分析(principal component analysis,PCA)及其扩展核主成分分析(kernel principal component analysis,KPCA)为最有代表性的方法，此外，流形学习和基于表示的降维方法也被应用到高光谱图像中。2)张量型降维法，高光谱数据结构符合张量形式，因此产生了许多基于张量表示的方法。然而，光谱曲线反映了土地覆盖的固有规律，以上两种方法都将光谱数据视为离散向量，未能充分挖掘其连续性与相关性特征。函数型数据分析(functional data analysis,FDA)将导致“维数灾难”的海量特征作为函数拟合的信息来源，同时通过函数型数据特有的特征提取方法，如函数型主成分分析(functional principal component analysis,FPCA)，获得数据更直观的解释，为处理高维复杂的数据提供了一条新的思路。高光谱遥感采用多达几十甚至数百个以上连续且狭窄的光谱通道对地物持续成像，为拟合像素光谱曲线提供了必要的数据条件。由于光谱曲线通常不是解析函数，无法利用基于函数分析的方法对其作进一步处理和分析。可将成像光谱仪在光谱范围内间隔采样收集到的光谱矢量看作像素对应地物光谱曲线的高密度采样，用其建立光谱曲线的解析函数模型。Li等首次将光谱向量表示为函数，并利用FPCA提取拟合光谱曲线的函数特征，最后以提取的各阶主成分分量为特征利用支持向量机(supportvector machine,SVM)实现高光谱图像的分类，提高了高光谱图像的分类精度。Wei等利用核极限学习机(kernel extreme learning machine,KELM)以FPCA提取的主成分分量为特征对高光谱图像进行分类，分类精度进一步提升。以上方法不再将高光谱数据视为离散向量，转而利用波长-光谱测度信息，但考虑到高光谱图像存在的“同物异谱”与“同谱异物”现象，仅利用光谱信息分类具有一定的局限性。空间和光谱信息的结合大大提高了分类器对复杂场景的识别能力，有效降低了仅利用光谱信息分类得到的分类图中的错误分类像素点。Majdar等利用分水岭超像素分割图对FPCA+SVM算法生成的分类图做正则化处理，在高光谱图像FDA中首次考虑了空间信息。Lv等将空间规则邻域作为空间先验信息整合到函数型数据分析中，图像分类精度大大提升。Ye等将线性判别分析(linear discriminantanalysis，LDA)推广到函数领域的同时利用了空间规则邻域信息，提出了一种函数型数据判别分析(functional data discriminant analysis，FDDA)方法。在上述研究中，虽然在高光谱图像FDA中纳入了空间信息，但均采用局部规则邻域窗口提取像素空间信息，忽略了像素点所在局部同质区域特性，不能充分利用地物丰富的形状和纹理信息，无法有效提取边缘特征。

发明内容