[发明专利]基于主成分分析网络和空间坐标的高光谱图像分类方法

摘要

本发明公开了一种基于主成分分析网络与空间坐标的高光谱图像分类方法，主要解决了现有技术空间与光谱信息融合复杂或不充分以及利用主成分分析网络进行高光谱分类时计算复杂度大等问题。其实现的方案为：先读取高光谱图像的数据集；再将数据集按空间分块随机选取训练集与测试集；然后对光谱信息进行降维、归一化及边缘保留滤波处理；接着将空间坐标扩充并与光谱特征融合；然后训练主成分分析网络，得训练好的主成分分析网络；将测试集数据输入训练好的主成分分析网络，得到测试集中每个像素点的特征向量；最后利用支持向量机SVM得到分类结果。本发明降低了计算复杂度，提高了分类效果，可应用于资源勘探、森林覆盖、灾害监测中的目标识别。

主权项

1.一种基于主成分分析网络和空间坐标的高光谱图像分类方法，其特征在于，包括如下：(1)输入待分类高光谱图像对应的数据集；(2)将输入的高光谱图像数据集，按照图像中像素点的空间位置，均匀分割成100份的小数据集，在每一个小数据集中，对每一个地物类别按照固定的比例随机选取训练样本，并将选出的训练样本合并到一起进行随机打乱，作为训练集，其余像素点组成测试集；(3)对输入的待分类高光谱图像依次进行降维、归一化和滤波处理，得到预处理后的光谱特征；(4)获取待分类高光谱图像中每一个像素点所在的空间坐标值，并对这些空间坐标进行扩充；(5)将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合，得到每个像素点的融合特征；(6)对高光谱图像的每个像素点选取3*3邻域块后，将该邻域块内所有像素点的融合特征按列排列，得到每个像素点对应的二维特征矩阵；(7)利用训练集中每个像素点对应的二维特征矩阵训练主成分分析网络，得到训练好的主成分分析网络；(8)将测试集中每个像素点对应的二维特征矩阵输入到训练好的主成分分析网络中，得到测试集中每个像素点对应的特征向量；(9)将测试集中每个像素点对应的特征向量输入支持向量机SVM进行分类，得到测试集中每个像素点的分类结果。