[发明专利]基于三维非局部均值滤波的高光谱图像分类方法

摘要

本发明公开了一种基于三维非局部均值滤波的高光谱图像分类方法，主要解决了现有技术不能有效的利用高光谱图像的邻域信息、无法将高光谱图像的空‑谱域特征进行有效结合的问题。其实现步骤：1)读入有标签的高光谱图像数据；2)设置邻域的大小；3)对输入的高光谱图像数据进行三维非局部均值滤波得到空‑谱域特征；4)对滤波后的特征进行归一化；5)利用归一化后的特征确定训练样本集和测试样本集；6)利用测试样本集及其对应的标签对SVM分类器进行训练；7)利用训练好的SVM分类器对测试样本集进行分类给出分类结果。本发明具有分类精度高、花费代价小以及简单易操作的优点，可用于对三维高光谱图像数据的地物分类。

主权项

1.一种基于三维非局部均值滤波的高光谱图像分类方法，包括：(1)输入包含k种类别的待分类三维高光谱图像数据及其类别标签，图像大小为m×n×d，将该高光谱图像的像素集表示为X＝[x1,x2,...,xs,...,xN]，其中，d的取值为高光谱图像的光谱波段总数，xs＝[xs1,xs2,......xsd]表示第s点的像素，1≤s≤N，N＝m×n表示像素总数；(2)设置邻域的大小ω，则邻域内像素的个数为M＝ω×ω，邻域中心的像素为xi，对应的邻域内的像素表示为xj，1≤i≤N，1≤j≤M；(3)对输入的高光谱图像数据X进行三维非局部均值滤波，得到空‑谱域特征向量集C：(3a)计算邻域中心的像素xi与邻域内像素xj之间的皮尔逊相关系数rij：其中，x_ik和x_jk分别表示邻域中心的像素x_i和邻域内像素x_j的第k类光谱波段对应的光谱值，和分别为邻域中心的像素x_i和邻域内像素x_j的光谱均值，1≤i≤N，1≤j≤M；(3b)计算三维非局部均值的滤波权值：其中w(i,j)表示以像素xi为中心的邻域内像素xj处对应的滤波权值，σ是限定系数，范围：1＜σ＜2，用于限定分母不为零，W(i)是归一化系数，由下式得出：(3c)根据三维非局部均值滤波器的滤波权值，得到高光谱图像的空‑谱域特征集：C＝[c1,c2,...,ci,...,cN]，其中ci＝[ci1,ci2,...,cik,...,cid]表示邻域中心像素xi处的空‑谱域特征向量，1≤i≤N，由下式得出：(4)对滤波后的特征向量集C进行归一化，得到归一化后的特征向量集C'：其中表示空‑谱域特征向量c_i归一化后的空‑谱域特征向量，表示特征向量中第k个特征值，c_ik表示空‑谱域特征向量c_i中第k个特征值，1≤i≤N，1≤k≤d，c_min和c_max分别表示空‑谱域特征向量集C中的最小值和最大值；(5)确定训练样本集和测试样本集，即随机的从特征向量集C'中提取10％作为训练样本集，将剩下的样本作为测试样本集；(6)利用步骤(5)中的测试样本集及其对应的类别标签，对支持向量机SVM分类器进行训练，使其能对高光谱图像数据进行正确的分类；(7)利用训练好的支持向量机SVM分类器对步骤(5)中的测试样本集进行分类，并给出最后的分类结果。