CN102592134A - 一种高光谱与红外数据多级决策融合分类方法 - Google Patents

Abstract

一种高光谱与红外数据多级决策融合分类方法，其步骤如下：(1)对高光谱与红外数据进行抑噪处理与空间配准；(2)根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；(3)根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；(4)根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2)建立的联合特征空间进行小目标加强决策提取；(5)对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策；(6)设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。

Description

一种高光谱与红外数据多级决策融合分类方法

技术领域

本发明涉及一种高光谱与红外数据多级决策融合分类方法，属于多源遥感数据处理方法与应用技术领域，适用于高光谱与红外数据高精度分类的理论方法和应用技术研究。

背景技术

随着航天遥感技术发展和应用，多层次、多角度、全方位和全天候的地球信息获取***逐渐建立起来，并由此带来了地球观测数据量的迅猛增长，如何将这些信息有效的综合起来应用，使多源遥感数据互相补充，是当前遥感研究的热点问题之一。

高光谱遥感技术克服了传统单波段、多光谱遥感在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供遥感信息，能够对地物予以细分和鉴别，在资源、环境、城市、生态等领域得到了广泛应用。红外成像技术能够获取到物体表面热辐射及其内部热耗散的信息，具有抗干扰能力强、气候环境适应性强、全天候连续、非接触探测、高精度角度测量等优点，在民用与军事应用中发挥了重大的作用。融合高光谱与红外数据，能够在利用高光谱的图谱信息的同时，又补充以红外图像的空间热分布信息，使多源遥感信息相互补充，进而更好的服务于目标探测与地物精细划分等应用，解决高光谱遥感与红外遥感中存在的问题。

受仪器本身以及环境等因素的影响，真实遥感数据普遍存在噪声，影响遥感数据的真实性和可靠性，因此去噪处理对遥感数据非常重要。最小噪声分离(Minimum Noise Fraction，MNF)变换是一种很好的高光谱数据抑噪方法，在实际应用中简单有效。然而作为MNF变换中的核心输入参量--高光谱数据波段噪声协方差估计方法仍然存在问题。光谱-空间去相关法(Spectral and Spatial Decorrelation Method，SSDC)是现阶段公认的适应性强、精度稳定的噪声提取算法，然而由于该算法理论的限制，它对均匀地物图像的噪声提取有效，而对图像上地物混杂的情况提取的噪声精度下降。实际上，“同质”假设在噪声估计中至关重要，准确的同质区域提取将很大程度上提高噪声估计的结果。而在高光谱数据中，同质区域和非同质区域一般会同时存在，需要充分利用同质区域求取噪声，并降低非同质区域对求取噪声的影响。

决策级融合非常适合于多源遥感数据处理，它可以对每个数据源进行变换以获得独立的目标属性估计，然后将其作为决策进行决策融合，是一种灵活高效的处理多源数据的融合方法。决策层融合的主要优点在于：融合中心处理代价低；对信息传输带宽要求很低；当一个或几个决策输出出现错误时，通过适当的融合，***还能获得正确的结果；适用面广，对原始的传感数据没有特殊的要求，提供原始数据的各传感器可以是异类传感器，其中甚至可以包括由非图像传感器获取的信息。

发明内容

本发明的目的是提出一种高光谱与红外数据多级决策融合分类方法，它降低了单一数据源与单一分类方法的不足所造成的分类误判，通过一种多级决策融合的方式实现高光谱与红外数据的高精度、高稳定性地物分类。

本发明的技术解决方案是：本发明以决策融合的方式实现高光谱与红外数据的高精度地物融合分类，充分考虑了噪声对数据真实性的影响，对于高光谱数据采用一种针对高光谱数据同质区域探测的多维梯度的方法实现高光谱图像同质区域的探测，求解出精确的高光谱波段噪声估计结果，进而得到精确的抑噪高光谱数据；在决策的提取中采用多级决策提取的方式：高光谱与红外数据联合特征级分类、小目标加强决策提取、基于可变端元优化搜索的高光谱数据丰度估计方法，其中对于小目标加强决策提取，设计了地物类型的选择标准，对于丰度决策提取设计了一种充分考虑了混合不确定性与端元不确定性的高效的可变端元丰度估计方法；此外，为更好的实现决策的融合，设计了一种结合了模糊思想的融合规则。本发明以一种多级决策融合的方式实现了高光谱与红外数据的高精度分类。

本发明一种高光谱与红外数据多级决策融合分类方法，其步骤如下：

(1)、对高光谱与红外数据进行抑噪处理与空间配准；

(2)、根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；

(3)、根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；

(4)、根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2)建立的联合特征空间进行小目标加强决策提取；

(5)、对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策；

(6)、设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。

其中，步骤(1)中所采用的抑噪方法：采用小波方法对红外图像抑噪，采用改进最小噪声分离变换对高光谱数据抑噪，在改进最小噪声分离变换中采用一种基于高光谱多维梯度分块甄选的循环光谱-空间去相关噪声估计方法估计高光谱数据波段噪声协方差矩阵Cov，其具体步骤如下：

a)令循环标号T＝1，K^(T)为完整的高光谱数据空间，将K^(T)空间维分成Len×Len大小的相接且不重叠的方块，Len∈[5，15]，并在K^(T)标记分块情况，将无法划分成块的图像部分剔除K^(T)；

b)基于K^(T)，利用SSDC法求解波段噪声

为波段i的噪声方差，1≤i≤L，L为高光谱数据的光谱维数，若T＞1且|E^(T)-E^(T-1)|＜ε，ε＝10^-4，根据当前K^(T)利用SSDC法计算波段噪声协方差矩阵Cov，结束循环；否则进行下一步骤c)；

c)根据波段噪声E^(T)计算高光谱多维权重梯度的权重因子 $w^{\left(T\right)}=\{w_1^{\left(T\right)},w_2^{\left(T\right)},\·\·\·,w_L^{\left(T\right)}\},$ 计算公式如下：

$w_i^{\left(T\right)}=\left(\frac{1}{{\mathrm{\σ}}_i^2}\right)/\left(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}\right);$

d)利用w^(T)求解高光谱数据每个像元(x，y)的梯度G_x，y，计算公式如下：

$G_{x,y}=\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^{\left(T\right)}{\mathrm{\ρ}}_{\mathrm{\δ}}\left(z_k\right),$

其中ρ_δ(z_k)为第k波段的形态学梯度，1≤k≤L，δ为结构元，z_k为第k波

段像元(x，y)处的灰度值，ρ_δ(z_k)计算公式如下：

ρ_δ(z_k)＝d_δ(z_k)-e_δ(z_k)，

其中d_δ和e_δ为膨胀与腐蚀算子；

e)重新将原始高光谱数据空间维分成Len×Len大小的相接且不重叠的方块，剔除无法划分成块的图像部分，得到Q^(T)，并在Q^(T)标记分块情况，计算每块高光谱数据的平均梯度，公式如下：

$\stackrel{\‾}{G^q}=\frac{1}{{\mathrm{Len}}^2}\underset{(x.y)\∈B^q}{\mathrm{\Σ}}{G}_{x,y},$

其中B^q为块q在原高光谱数据的坐标集合；

f)设定平均梯度阈值参数γ，γ∈[0.1，0.8]，根据下式计算平均梯度阈值：

${\mathrm{TH}}_G=G_{\min }^q+\mathrm{\γ}(G_{\max }^q-G_{\min }^q),$ $\left\{\begin{array}{c}{G}_{\min }^q=\underset{q}{\min }\left\{\stackrel{\‾}{G^q}\right\}\\ G_{\max }^q=\underset{q}{\max }\left\{\stackrel{\‾}{G^q}\right\}\end{array}\right.,$

若

块q是同质区域，否则为非同质区域，从Q^(T)上剔除非同

质区域，更新Q^(T)，T＝T+1，令K^(T)＝Q^(T-1)，返回步骤(b)。

其中，步骤(2)建立高光谱与红外数据联合特征空间，包括抑噪后的高光谱数据中信息量大并且相关性小的波段、高光谱主成分分析、最小噪声分离变换、独立成分分析与纹理特征波段、以及抑噪后的红外图像；

其中，步骤(3)根据待分地物类别与训练样本，具体是利用支持向量机算法对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；

其中，步骤(4)中选择需要进行小目标加强决策提取的地物种类的方法，具体过程如下：若目标实际面积为A，图像空间分辨率为l，当目标所占像元个数

满足

时，该目标类型需要进行小目标加强决策提取，其中C为待分类别总数、W与H分别为高光谱数据的行数与列数，经过上述选择，亚像元目标、占图像百分比少的目标被选择出来进行基于正交子空间投影算子的小目标加强决策提取。

其中，步骤(5)中所述的“对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策”，其具体步骤如下：

a)利用顶点成分分析、纯像元指数、序列最大角凸锥方法提取图像端元，构成初始端元库Θ；

b)基于对地面实际情况的了解，将标准光谱库光谱信息引入到Θ中作为对图像端元的补充；

c)采用聚类分析与光谱角准则相结合的方式去除冗余端元，简化后续处理的运算量，具体方法如下：首先采用聚类分析方法将端元集Θ分为C类，C为地物类别数目，将各类中与该类聚类中心光谱角大于α(α＞0.1)的端元光谱剔除该类，同时将与他类聚类中心光谱角小于β(β＜0.1)的端元光谱剔除本类，得到去冗余的端元光谱库Θ，Θ＝{ψ₁，...，ψ_i，...，ψ_C}，ψ_i为第i类端元集合，1≤i≤C；

d)利用交叉相关光谱匹配方法(Cross Correlogram Spectral Matching，CCSM)、基于Θ为高光谱数据每一像元寻找一个参与该像元混合的端元子集，在寻找端元子集的过程中，若第i类端元被CCSM选入某像元对应的端元子集，则在该像元随后的选择中第i类端元不再参与选择，最终确定每一像元对应的端元子集；

e)利用步骤d)确定的端元子集对对应像元进行非负限制最小二乘解混，计算每一像元对应端元子集的解混误差(RMSE，θ)，其中RMSE为均方根误差、θ为光谱角，RMSE与θ计算公式如下：

$\mathrm{RMSE}=\sqrt{\frac{{(R-R^{\′})}^T(R-R^{\′})}{L}},$ $\mathrm{\θ}=\arccos \left(\frac{R^T{R}^{\′}}{\sqrt{R^{T}R}\sqrt{R^{\′T}{R}^{\′}}}\right),$

其中R为像元光谱，R′为R的建模光谱，；

f)设定解混误差阈值如下：

$\left\{\begin{array}{c}{\mathrm{TH}}_{\mathrm{RMSE}}=0.001\\ {\mathrm{TH}}_{\mathrm{\θ}}=0.01\end{array}\right.,$

其中TH_RMSE为均方根误差上限、TH_θ为光谱角上限，验证步骤e)计算得到的每一像元对应的端元子集的解混误差是否满足同时小于TH_RMSE和TH_θ，若满足则对应端元子集为该像元的最优端元子集，若不满足则将该像元标记为需要进行端元优化搜索的像元，直至对高光谱数据中所有像元判断完毕，得到需要进行端元优化搜索的像元集合Ω；

g)采用二进制编码对Θ进行编码，码字长度为N，N为Θ中端元总数，编码方式如下：若参与像元混合的端元子集选择了某一端元，则该端元对应位置码字值为“1”，反之为“0”，编码集合中所有有意义的模型编码向量中最多有C个“1”，并且同类端元集合中最多有一个“1”，其他的编码形式为无意义的解；

h)利用二进制粒子群优化算法求解步骤f)得到的集合Ω中每一个像元对应的最优端元子集，其中使用非负限制最小二乘解混误差平方倒数1/RMSE²作为适应度，将步骤g)中提到的无意义的解的适应度设置为0；

i)利用每一像元的最优端元子集进行丰度估计，得到丰度决策。

其中，步骤(6)中所述的“设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果”，具体过程如下：设计融合规则，融合步骤(3)得到的分类决策Cla、步骤(4)得到的小目标加强决策Objs，与步骤(5)得到的丰度决策Fras，得到最终的融合分类结果，具体方法如下：

$D(x_0,y_0,i)=D_1(x_0,y_0,i)+\underset{t=1}{\overset{3}{\mathrm{\Σ}}}{D}_2^t(x_0,y_0,i)+D_3(x_0,y_0,i),$

其中

表示寻找使函数f(i)最大的参量i，

意味着i^*使f(i)最大，(x₀，y₀)为图像上任意像元的位置坐标，Lable(x₀，y₀)为(x₀，y₀)坐标位置处的像元类标号，根据分类决策Cla、小目标加强决策Objs、丰度别求解D₁、

D₃，具体计算方法如下：

a)利用分类决策Cla计算D₁，D₁尺寸为W×H×C，将D₁中所有元素初始化为0，若在Cla中(x，y)处的像元被分为第i类，则D₁(x，y，m)＝a_m，m＝1，2，...，C，a_m满足：

$a_m=\left\{\begin{array}{c}{\mathrm{Pr}}_1^i,m=i\\ (1-{\mathrm{pr}}_1^i)/(C-1),m\≠i\end{array}\right.,$

其中参数

代表了分类决策Cla中类i的准确性与稳定性，

b)利用小目标加强决策Objs计算

尺寸为W×H×C，t＝1，2，...，n，n为小目标加强决策的数目，将所有元素初始化为0，若在第t个Objs中(x，y)处的像元被识别为第i类地物，则m＝1，2，...，C，a_m满足：

$a_m=\left\{\begin{array}{c}{\mathrm{Pr}}_2^i,m=i\\ (1-{\mathrm{pr}}_2^i)/(C-1),m\≠i\end{array}\right.,$

其中参数

代表了小目标加强决策Objs中类i的准确性与稳定性，

${\mathrm{Pr}}_2^i\∈\left[\mathrm{0.7,1}\right);$

c)利用丰度决策Fras计算D₃，将Fras每一像元丰度向量都除以该向量之和，得到D₃。

本发明与现有技术相比的优点在于：使用一种更加有效的方法实现高光谱数据的噪声抑制，使得数据更加真实、有效；采用了一种充分考虑了混合不确定性以及端元不确定性的高效、高精度的丰度估计方法；并利用分类结果、有选择性的小目标加强决策提取结果与高精度的丰度估计结果作为决策，以决策融合的方式实现高精度的高光谱与红外数据多级决策融合分类。它具有以下的优点：(1)引入高光谱多维权重梯度作为评价数据同质区域的标准，提高了SSDC噪声协方差估计精度，进而提高高光谱数据去噪的准确性；(2)将高光谱与红外数据联合分类结果、有选择性的小目标加强决策提取结果，以及高精度高光谱数据丰度估计结果作为决策，以决策融合的方式实现了高精度的决策融合分类，避免了单一算法、单一数据源的缺陷与不足造成的分类误差，提高分类结果的准确性和稳定性。

附图说明

图1为本发明的流程图。

具体实施方式

为了更好的说明本发明涉及的一种高光谱与红外数据多级决策融合分类方法，利用一块实际数据(高光谱数据大小300×300，波段数为273；热红外数据为8～13微米的宽波段热红外图像，其对应的地面范围覆盖了高光谱数据对应的地面范围)进行高精度地物分类(8类：植被、水泥地、池水、池沿、白色定标布、黑色定标布、金属井盖、阴影)。如图1所示，本发明一种高光谱与红外数据多级决策融合分类方法，具体实现步骤如下：

(1)从高光谱与红外数据上读取控制点，以高光谱数据为参考图像、红外图像为待配准图像，利用多项式方法实现高光谱与红外数据空间配准；对于红外图像采用小波抑噪方式，对于高光谱数据采用改进MNF变换方法进行抑噪，其中高光谱数据波段噪声协方差矩阵Cov采用基于高光谱多维梯度分块甄选的循环SSDC噪声估计方法，其具体步骤如下：

a)令循环标号T＝1，K^(T)为完整的高光谱数据空间，其空间维尺寸为300×300，将K^(T)空间维分成8×8大小的相接且不重叠的方块，将无法划分成块的图像部分剔除，则分块高光谱数据空间K^(T)尺寸为296×296；

b)基于K^(T)，利用SSDC求解波段噪声

为波段i的噪声方差，1≤i≤273，若T＞1且|E^(T)-E^(T-1)|＜10^-4，根据当前K^(T)利用SSDC计算波段噪声协方差矩阵Cov，结束循环；否则进行下一步骤c)；

c)根据波段噪声E^(T)计算高光谱多维权重梯度的权重因子 $w^{\left(T\right)}=\{w_1^{\left(T\right)},w_2^{\left(T\right)},\·\·\·,w_{273}^{\left(T\right)}\},$ 计算公式如下：

$w_i^{\left(T\right)}=\left(\frac{1}{{\mathrm{\σ}}_i^2}\right)/\left(\underset{i=1}{\overset{273}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}\right);$

d)利用w^(T)求解高光谱数据每个像元(x，y)的梯度G_x，y，计算公式如下：

$G_{x,y}=\underset{k=1}{\overset{273}{\mathrm{\Σ}}}{w}_k^{\left(T\right)}{\mathrm{\ρ}}_{\mathrm{\δ}}\left(z_k\right),$

其中ρ_δ(z_k)为第k波段的形态学梯度，1≤k≤273，δ为空间尺寸为3×3的方形结构元，z_k为第k波段像元(x，y)处的灰度值，ρ_δ(z_k)计算公式如下：

ρ_δ(z_k)＝d_δ(z_k)-e_δ(z_k)，

其中d_δ算子为取结构元内的最大值，e_δ算子为取结构元内的最小值；

e)重新将原始高光谱数据空间的空间维分成8×8大小的相接且不重叠的方块，剔除无法划分成块的图像部分，得到Q^(T)，空间尺寸为296×296，并在Q^(T)上标记分块情况，计算每块高光谱数据的平均梯度，公式如下：

$\stackrel{\‾}{G^q}=\frac{1}{8\×8}\underset{(x.y)\∈B^q}{\mathrm{\Σ}}{G}_{x,y},$

其中B^q为块q在原高光谱数据的坐标集合。

f)设定平均梯度阈值参数γ＝0.5，根据下式计算平均梯度阈值：

${\mathrm{TH}}_G=G_{\min }^q+\mathrm{\γ}(G_{\max }^q-G_{\min }^q),$ $\left\{\begin{array}{c}{G}_{\min }^q=\underset{q}{\min }\left\{\stackrel{\‾}{G^q}\right\}\\ G_{\max }^q=\underset{q}{\max }\left\{\stackrel{\‾}{G^q}\right\}\end{array}\right.,$

若块q是同质区域，否则为非同质区域，从Q^(T)上剔除非同

质区域，更新Q^(T)，T＝T+1，令K^(T)＝Q^(T-1)，返回步骤b)。

从图像上读取控制点，以高光谱数据为参考图像、红外图像为待配准图像，利用多项式方法实现高光谱与红外数据空间配准；

(2)建立高光谱与红外数据联合特征空间，包括抑噪后的高光谱数据中信息量大、相关性小的40个波段、高光谱主成分分析、最小噪声分离变换、独立成分分析与纹理特征共20个波段，以及抑噪后的红外图像，特征空间维数为61；

(3)根据已有的先验知识确定地物类别为8类：植被、水泥地、池水、池沿、白色定标布、黑色定标布、金属井盖、阴影，获取地物训练样本，利用步骤(2)建立的联合特征空间，利用支持向量机算法实现地物分类，得到地物分类决策；

(4)选择需要进行小目标加强决策提取的地物种类，经过计算，黑布、白布与金属井盖三种地物被选择出来，利用正交子空间投影算子进行小目标加强决策提取，得到三幅小目标加强决策提取结果；

(5)对步骤(1)得到的抑噪后的高光谱数据进行端元提取，采用端元提取方法获取图像端元，对抑噪高光谱数据进行丰度估计，得到丰度决策，其具体步骤如下：

a)利用顶点成分分析、纯像元指数、序列最大角凸锥方法进行图像端元提取，构成初始端元库Θ；

b)基于对地面实际情况的了解，将标准光谱库光谱信息引入到Θ中作为对图像端元的补充；

c)采用聚类分析与光谱角准则相结合的方式去除冗余端元，简化后续处理的运算量，具体方法如下：首先采用聚类分析方法将端元集Θ分为8类，将各类中与该类聚类中心光谱角大于0.15的端元光谱剔除该类，同时将与他类聚类中心光谱角小于0.09的端元光谱剔除本类，得到去冗余的端元光谱库Θ，Θ＝{ψ₁，...，ψ_i，...，ψ₈}，ψ_i为第i类端元集合，1≤i≤8；

d)利用CCSM、基于Θ为高光谱数据每一像元寻找一个参与该像元混合的端元子集，在寻找端元子集的过程中，若第i类端元被CCSM选入某像元对应的端元子集，则在该像元随后的选择中第i类端元不再参与选择，具体实现方法如下：计算像元光谱和端元之间的响应值，判断两光谱之间的相似程度，选择与像元光谱相似程度最高的端元，作为该像元中最可能包含的端元类别，定义响应系数

如下：

$r_e^j=\frac{\mathrm{L\Σ}{R}_e{R}_j-\mathrm{\Σ}{R}_e\mathrm{\Σ}{R}_j}{\sqrt{[\mathrm{L\Σ}{R_e}^2-{\left(\mathrm{\Σ}{R}_e\right)}^2][\mathrm{L\Σ}{R_j}^2-{\left(\mathrm{\Σ}{R}_j\right)}^2]}},$

其中R_e和R_j分别为端元光谱与像元光谱，L为高光谱数据光谱维数，通过最大响应系数

确定与像元R_j相似性最高的端元光谱R′_e，定义剩余像元光谱R′_j如下：

$R_j^{\′}=R_j-\mathrm{\η}{r}_{\max }^j{R}_e^{\′},$

其中调整系数η＝0.6，用R′_j代替R_j带入响应系数公式，继续比较剩余像元光谱与剩余的非同类端元，依次进行迭代，直至R′_j的某分量是非正值，通过顺序执行上述方法确定每一像元

中所包含的端元子集{R′_e}；

e)利用每一像元对应的端元子集对该像元进行非负限制最小二乘解混，计算解混误差(RMSE，θ)，其中RMSE为均方根误差、θ为光谱角，RMSE与θ计算公式如下：

$\mathrm{RMSE}=\sqrt{\frac{{(R-R^{\′})}^T(R-R^{\′})}{L}},$ $\mathrm{\θ}=\arccos \left(\frac{R^T{R}^{\′}}{\sqrt{R^{T}R}\sqrt{R^{\′T}{R}^{\′}}}\right),$

其中R为像元光谱，R′为R建模光谱，；

f)设定解混误差阈值如下：

$\left\{\begin{array}{c}{\mathrm{TH}}_{\mathrm{RMSE}}=0.001\\ {\mathrm{TH}}_{\mathrm{\θ}}=0.01\end{array}\right.,$

其中TH_RMSE为均方根误差上限、TH_θ为光谱角上限，验证步骤e)计算得到的每一像元对应的端元子集的解混误差是否满足同时小于TH_RMSE和TH_θ，若满足则对应端元子集为该像元的最优端元子集，若不满足则将该像元标记为需要进行端元优化搜索的像元，直至对高光谱数据中所有像元判断完毕，得到需要进行端元优化搜索的像元集合Ω；

g)采用二进制编码对Θ进行编码，码字长度为N，N＝6136，编码方式如下：若参与像元混合的端元子集选择了某一端元，则该端元对应位置码字值为“1”，反之为“0”，编码集合中所有有意义的模型编码向量中最多有8个“1”，并且同类端元集合中最多有一个“1”，其他的编码形式为无意义的解；

h)利用二进制粒子群优化算法求解步骤f)得到的集合Ω中每一个像元对应的最优端元子集，其中使用非负限制最小二乘解混误差平方倒数1/RMSE²作为适应度，将步骤g)中提到的无意义的解的适应度设置为0；

i)利用每一像元的最佳端元子集进行丰度估计，得到丰度决策。

(6)设计融合规则，融合步骤(3)获取的一个分类决策Cla、步骤(4)获取的3个小目标加强决策Objs，与步骤(5)获取的8个丰度决策Fras，得到最终的融合分类结果，具体方法如下：

$D(x_0,y_0,i)=D_1(x_0,y_0,i)+\underset{t=1}{\overset{3}{\mathrm{\Σ}}}{D}_2^t(x_0,y_0,i)+D_3(x_0,y_0,i),$

其中

表示寻找使函数f(i)最大的参量i，意味着i^*使f(i)最大，(x₀，y₀)为图像上任意像元的位置坐标，Lable(x₀，y₀)为(x₀，y₀)坐标位置处的像元类标号，根据分类决策Cla、小目标加强决策Objs、丰度决策Fras求解D₁、

D₃，具体计算方法如下：

a)利用分类决策Cla计算D₁，建立一个尺寸为300×300×8的立方体D₁，将D₁中所有元素初始化为0，若在Cla中(x，y)位置处的像元被分为第i类，则D₁(x，y，m)＝a_m，m＝1，2，...，8，a_m满足：

$a_m=\left\{\begin{array}{c}0.8,m=i\\ 0.2/7,m\≠i\end{array}\right.;$

b)利用小目标加强决策Objs计算

建立尺寸为300×300×8的立方体

t＝1，2，3，将

所有元素初始化为0，若在第t个Objs中(x，y)处的像元被识别为第i类地物，则

m＝1，2，...，8，a_m满足：

$a_m=\left\{\begin{array}{c}0.8,m=i\\ 0.2/7,m\≠i\end{array}\right.;$

c)利用丰度决策Fras计算D₃，将每一像元丰度向量的元素都除以该向量之和，得到D₃。

Claims (5)

1.一种高光谱与红外数据多级决策融合分类方法，其特征在于：它包含以下步骤：

(1)、对高光谱与红外数据进行抑噪处理与空间配准；

(2)、根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；

(3)、根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；

(4)、根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2)建立的联合特征空间进行小目标加强决策提取；

(5)、对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策；

(6)、设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。

2.根据权利要求1所述的一种高光谱与红外数据多级决策融合分类方法，其特征在于：步骤(1)中所采用的抑噪方法：采用小波方法对红外图像抑噪，采用改进最小噪声分离变换对高光谱数据抑噪，在改进最小噪声分离变换中采用一种基于高光谱多维梯度分块甄选的循环光谱-空间去相关噪声估计方法估计高光谱数据波段噪声协方差矩阵Cov，其具体步骤如下：

a)令循环标号T＝1，K^(T)为完整的高光谱数据空间，将K^(T)空间维分成Len×Len大小的相接且不重叠的方块，Len∈[5，15]，并在K^(T)标记分块情况，将无法划分成块的图像部分剔除K^(T)；

b)基于K^(T)，利用光谱-空间去相关法求解波段噪声

为波段i的噪声方差，1≤i≤L，L为高光谱数据的光谱维数，若T＞1且|E^(T)-E^(T-1)|＜ε，ε＝10^-4，根据当前K^(T)利用光谱-空间去相关法计算波段噪声协方差矩阵Cov，结束循环；否则进行下一步骤c)；

c)根据波段噪声E^(T)计算高光谱多维权重梯度的权重因子 $w^{\left(T\right)}=\{w_1^{\left(T\right)},w_2^{\left(T\right)},\·\·\·,w_L^{\left(T\right)}\},$ 计算公式如下：

$w_i^{\left(T\right)}=\left(\frac{1}{{\mathrm{\σ}}_i^2}\right)/\left(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}\right);$

d)利用w^(T)求解高光谱数据每个像元(x，y)的梯度G_x，y，计算公式如下：

$G_{x,y}=\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{w}_k^{\left(T\right)}{\mathrm{\ρ}}_{\mathrm{\δ}}\left(z_k\right),$

其中ρ_δ(z_k)为第k波段的形态学梯度，1≤k≤L，δ为结构元，z_k为第k波段像元(x，y)处的灰度值，ρ_δ(z_k)计算公式如下：

ρ_δ(z_k)＝d_δ(z_k)-e_δ(z_k)，

其中d_δ和e_δ为膨胀与腐蚀算子；

e)重新将原始高光谱数据空间维分成Len×Len大小的相接且不重叠的方块，剔除无法划分成块的图像部分，得到Q^(T)，并在Q^(T)标记分块情况，计算每块高光谱数据的平均梯度，公式如下：

$\stackrel{\‾}{G^q}=\frac{1}{{\mathrm{Len}}^2}\underset{(x.y)\∈B^q}{\mathrm{\Σ}}{G}_{x,y},$

其中B^q为块q在原高光谱数据的坐标集合；

f)设定平均梯度阈值参数γ，γ∈[0.1，0.8]，根据下式计算平均梯度阈值：

${\mathrm{TH}}_G=G_{\min }^q+\mathrm{\γ}(G_{\max }^q-G_{\min }^q),$ $\left\{\begin{array}{c}{G}_{\min }^q=\underset{q}{\min }\left\{\stackrel{\‾}{G^q}\right\}\\ G_{\max }^q=\underset{q}{\max }\left\{\stackrel{\‾}{G^q}\right\}\end{array}\right.,$

若

块q是同质区域，否则为非同质区域，从Q^(T)上剔除非同质区域，更新Q^(T)，T＝T+1，令K^(T)＝Q^(T-1)，返回步骤b)。

3.根据权利要求1所述的一种高光谱与红外数据多级决策融合分类方法，其特征在于：步骤(4)中选择需要进行小目标加强决策提取的地物种类的方法，其含义说明如下：若目标实际面积为A，图像空间分辨率为l，当目标所占像元个数

满足

时，该目标类型需要进行小目标加强决策提取，其中C为待分类别总数、W与H分别为高光谱数据的行数与列数，经过上述选择，亚像元目标、占图像百分比少的目标被选择出来进行小目标加强决策提取。

4.根据权利要求1所述的一种高光谱与红外数据多级决策融合分类方法，其特征在于：步骤(5)中所述的“对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策”，其具体步骤如下：

a)利用顶点成分分析、纯像元指数、序列最大角凸锥方法提取图像端元，构成初始端元库Θ；

b)基于对地面实际情况的了解，将标准光谱库光谱信息引入到Θ中作为对图像端元的补充；

c)采用聚类分析与光谱角准则相结合的方式去除冗余端元，简化后续处理的运算量，具体方法如下：首先采用聚类分析方法将端元集Θ分为C类，C为地物类别数目，将各类中与该类聚类中心光谱角大于α(α＞0.1)的端元光谱剔除该类，同时将与他类聚类中心光谱角小于β(β＜0.1)的端元光谱剔除本类，得到去冗余的端元光谱库Θ，Θ＝{ψ₁，...，ψ_i，...，ψ_C}，ψ_i为第

i类端元集合，1≤i≤C；

d)利用交叉相关光谱匹配方法、基于Θ为高光谱数据每一像元寻找一个参与该像元混合的端元子集，在寻找端元子集的过程中，若第i类端元被交叉相关光谱匹配方法选入某像元对应的端元子集，则在该像元随后的选择中第i类端元不再参与选择，最终确定每一像元对应的端元子集；

e)利用步骤d)确定的端元子集对对应像元进行非负限制最小二乘解混，计算每一像元对应端元子集的解混误差(RMSE，θ)，其中RMSE为均方根误差、θ为光谱角，RMSE与θ计算公式如下：

$\mathrm{RMSE}=\sqrt{\frac{{(R-R^{\′})}^T(R-R^{\′})}{L}},$ $\mathrm{\θ}=\arccos \left(\frac{R^T{R}^{\′}}{\sqrt{R^{T}R}\sqrt{R^{\′T}{R}^{\′}}}\right),$

其中R为像元光谱，R′为R的建模光谱；

f)设定解混误差阈值如下：

$\left\{\begin{array}{c}{\mathrm{TH}}_{\mathrm{RMSE}}=0.001\\ {\mathrm{TH}}_{\mathrm{\θ}}=0.01\end{array}\right.,$

其中TH_RMSE为均方根误差上限、TH_θ为光谱角上限，验证步骤e)计算得到的每一像元对应的端元子集的解混误差是否满足同时小于TH_RMSE和TH_θ，若满足则对应的端元子集为该像元的最优端元子集，若不满足则将该像元标记为需要进行端元优化搜索的像元，直至对高光谱数据中所有像元判断完毕，得到需要进行端元优化搜索的像元集合Ω；

g)采用二进制编码对Θ进行编码，码字长度为N，N为Θ中端元总数，编码方式如下：若参与像元混合的端元子集选择了某一端元，则该端元对应位置码字值为“1”，反之为“0”，编码集合中所有有意义的模型编码向量中最多有C个“1”，并且同类端元集合中最多有一个“1”，其他的编码形式为无意义的解；

h)利用二进制粒子群优化算法求解步骤f)得到的集合Ω中每一个像元对应的最优端元子集，其中使用非负限制最小二乘解混误差平方倒数1/RMSE²作为适应度，将步骤g)中提到的无意义的解的适应度设置为0；

i)利用每一像元的最优端元子集进行丰度估计，得到丰度决策。

5.根据权利要求1所述的一种高光谱与红外数据多级决策融合分类方法，其特征在于：步骤(6)中所述的“设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果”，其含义说明如下：设计融合规则，融合步骤(3)得到的分类决策Cla、步骤(4)得到的小目标加强决策Objs，与步骤(5)得到的丰度决策Fras，得到最终的融合分类结果，具体方法如下：

$D(x_0,y_0,i)=D_1(x_0,y_0,i)+\underset{t=1}{\overset{3}{\mathrm{\Σ}}}{D}_2^t(x_0,y_0,i)+D_3(x_0,y_0,i),$

其中表示寻找使函数f(i)最大的参量i，

意味着i^*使f(i)最大，(x₀，y₀)为图像上任意像元的位置坐标，Lable(x₀，y₀)为(x₀，y₀)坐标位置处的像元类标号，根据分类决策Cla、小目标加强决策Objs、丰度决策Fras分别求解D₁、

D₃，具体计算方法如下：

a)利用分类决策Cla计算D₁，D₁尺寸为W×H×C，将D₁中所有元素初始化为0，若在Cla中(x，y)处的像元被分为第i类，则D₁(x，y，m)＝a_m，m＝1，2，...，C，a_m满足：

$a_m=\left\{\begin{array}{c}{\mathrm{Pr}}_1^i,m=i\\ (1-{\mathrm{pr}}_1^i)/(C-1),m\≠i\end{array}\right.,$

其中参数

代表了分类决策Cla中类i的准确性与稳定性，

b)利用小目标加强决策Objs计算

尺寸为W×H×C，t＝1，2，...，n，n为小目标加强决策的数目，将所有元素初始化为0，若在第t个Objs中(x，y)处的像元被识别为第i类地物，则

m＝1，2，...，C，a_m满足：

$a_m=\left\{\begin{array}{c}{\mathrm{Pr}}_2^i,m=i\\ (1-{\mathrm{pr}}_2^i)/(C-1),m\≠i\end{array}\right.,$

其中参数

代表了小目标加强决策Objs中类i的准确性与稳定性，

${\mathrm{Pr}}_2^i\∈\left[\mathrm{0.7,1}\right);$

c)利用丰度决策Fras计算D₃，将Fras每一像元丰度向量都除以该向量之和，得到D₃。