[发明专利]一种基于协方差表示的高光谱图像分类方法及设备

说明书

本发明涉及一种基于协方差表示的高光谱图像分类方法及设备，属于遥感图像技术领域。方法包括步骤：S1.对图像预处理并进行MNF降维降噪；S2.进行双空间尺度图像块的裁剪；S3.裁剪完后将数据集拆分为训练集和测试集；S4.对两种空间邻域尺度图像块进行协方差表示；S5.对两种空间邻域尺度的协方差表示进行处理与融合，得到光谱‑空间协方差表示向量；S6.基于训练集将光谱‑空间协方差表示向量送入支持向量机进行训练；S7.对训练好的支持向量机模型进行测试集预测；S8.利用最终训练好的模型获得高光谱图像分类映射结果。本发明提高了在高光谱图像分类任务上的模型性能和泛化能力，可实现更优的地物判别性能。

技术领域

本发明涉及一种高光谱图像分类方法，特别涉及一种基于协方差表示的高光谱图像分类方法及设备，属于遥感图像技术领域。

背景技术

近年来，航空观测任务的发展使得搭载在航空平台上的光谱成像仪捕获的高光谱图像的获取更加便捷。高光谱图像在光谱域包含上百道反映地物判别信息的光谱信息，在空间域也记录了充足的空间邻域信息，因此受到广泛关注与应用，例如在矿业勘探，精准农业、城市规划和国防军事等领域。高光谱分类任务作为众多高级光谱任务的基石，旨在对高光谱图像的每一个像元指派唯一的地物语义标签，对后续的应用具有重要作用。

在高光谱图像分类任务中，充分地挖掘光谱-空间关系是提取光谱-空间特征的关键，进而实现更优的地物判别性能。当前，以非线性层叠范式为特征的深度学习方法以强大的特征提取能力在高光谱分类任务上取得了较大进展，但是其不可解释的黑盒性质是阻碍其进一步应用的一个障碍。另一方面，高光谱图像分类任务中目标像元周围的邻域信息是有益的，因为地物信息总是聚簇地记录在高光谱图像中，光谱像元周围的邻域像元有很大概率与该像元属于同一地物类别，而不同空间尺度的邻域信息反映了目标像元不同粒度的空间邻域分布。然而，当前的高光谱图像分类领域中，针对多尺度空间邻域信息的利用还有待进一步发展，特别是联合不同尺度的空间邻域信息来获得更具有表示性的光谱-空间表示。除此之外，高光谱图像众多光谱通道记录的地物信息往往与有限标记的地物样本是难以平衡的，具体而言，实际应用中往往只有十分有限的地物标记样本来利用上百道光谱通道信息。并且，由于客观的大气和光散射机制，高光谱成像过程中容易引入光谱噪音，这对实现良好的地物判别性能提出了新的挑战。

发明内容

本发明的目的是克服上述不足，而提供一种基于协方差表示的高光谱图像分类方法，可实现在高光谱图像分类任务中充分地挖掘光谱-空间关系，提高在高光谱图像分类任务上的模型性能和泛化能力，一定程度上弥补基于机器学习方法在高光谱图像分类任务上的判别性特征提取能力的欠缺。

本发明采取的技术方案为：

一种基于协方差表示的高光谱图像分类方法，包括步骤如下：

S1.对图像标准化预处理并进行MNF（最小噪声分离变换）降维降噪；

S2. 进行双空间尺度图像块的裁剪，对每个图像像元进行空间窗大小不同的两种空间邻域尺度的图像块的裁剪；

S3. 裁剪完后将数据集拆分为训练集和测试集；

S4.对两种空间邻域尺度图像块进行协方差表示；

S5. 对两种空间邻域尺度的协方差表示进行处理与融合，得到光谱-空间协方差表示向量；

S6.基于训练集将光谱-空间协方差表示向量送入支持向量机进行训练；

S7. 对训练好的支持向量机模型进行测试集预测；

S8. 利用最终训练好的模型获得高光谱图像分类映射结果。