CN104809471B - 一种基于空间光谱信息的高光谱图像残差融合分类方法 - Google Patents

Abstract

本发明公开了一种基于空间光谱信息的高光谱图像残差融合分类方法。包括以下步骤，读入高光谱图像数据，确定样本类别数为L；分别提取高光谱图像的空间纹理信息F_G和光谱信息F_N；根据空间纹理信息F_G和光谱信息F_N构建相关矩阵；求解高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵；重构样本，计算测试样本x_p的每个类别所对应的重构残差；计算测试样本x_p的每个类别的融合残差；根据测试样本x_p的每个类别的融合残差确定测试样本x_p的类别。本发明具有分类精度高，得到的分类图视觉效果好的优点。

Description

一种基于空间光谱信息的高光谱图像残差融合分类方法

技术领域

本发明属于遥感信息处理技术领域，尤其涉及高光谱图像分类的，一种基于空间光谱信息的高光谱图像残差融合分类方法。

背景技术

高光谱图像在许多领域都有广泛的应用，包括农业生产，矿物识别与检测目标区域，灾害预警，军事侦察与城市规划等等。高光谱图像分类技术在高光谱图像处理中占有非常重要的地位，其目的是将图像中的像素根据具有代表性的样本划分到其相应类别中。传统高光谱处理中通常用到的信息为原始的光谱(Original Spectral,OS)信息和主成分分析(Principal Components Analysis,PCA)特征信息，如何有效地利用丰富的数据信息，并同时确保处理精度获得了越来越广泛的关注。在众多的分类方法中，支持向量机(SupportVector Machine，SVM)是一种公认的优秀分类算法，在其基础上2006年,Camps-Valls利用Mercer核函数的性质，构造了组合核函数(Composite Kernels，CK),从而开辟了容易结合的空间信息和光谱信息的广阔领域，由此产生的分类器被称为SVM-CK。

传统的高光谱数据分类方法中存在以下几个问题：1、高光谱数据不能得到很好的表达致使分类精度不高。2、没有充分利用高光谱图像中的邻域信息。3、分类过程中产生有效信息不能充分的利用。

发明内容

本发明的目的是提供一种分类视觉效果好、分类精度高的，一种基于空间光谱信息的高光谱图像残差融合分类方法。

本发明是通过以下技术方案实现的：

一种基于空间光谱信息的高光谱图像残差融合分类方法，包括以下几个步骤，

步骤一：读入高光谱图像数据，对高光谱图像进行维数转换，将三维数据转换成二维数据，对所得的二维数据作归一化处理，确定样本类别数为L；

步骤二：分别提取高光谱图像的空间纹理信息F_G和光谱信息F_N；

步骤三：根据空间纹理信息F_G和光谱信息F_N构建相关矩阵，相关矩阵包括根据空间纹理信息F_G构建的空间纹理信息联合信号矩阵XJ^G、空间纹理信息字典A^G和局部自适应空间纹理信息字典A^GL，相关矩阵还包括根据光谱信息F_N构建的光谱信息联合信号矩阵XJ^N、光谱信息字典A^N和局部自适应光谱信息字典A^NL；

步骤四：求解高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵；

步骤五：将空间纹理信息字典A^G、局部自适应空间纹理信息字典A^GL、光谱信息字典A^N和局部自适应光谱信息字典A^NL分别和其对应的系数矩阵相乘得到重构样本，计算测试样本x_p的每个类别所对应的重构残差；

步骤六：计算测试样本x_p的每个类别的融合残差；

步骤七：根据测试样本x_p的每个类别的融合残差确定测试样本x_p的类别。

本发明一种基于空间光谱信息的高光谱图像残差融合分类方法，还可以包括：

1、高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵为：

其中ψ^GS为空间纹理信息字典A^G的系数矩阵，ψ^GLC为局部自适应空间纹理信息字典A^GL的系数矩阵，ψ^NS为光谱信息字典A^N的系数矩阵，ψ^NLC为局部自适应光谱信息字典A^NL的系数矩阵，λ_GS为空间纹理信息字典A^G的平衡系数，λ_GLC为局部自适应空间纹理信息字典A^GL的平衡系数，λ_NS为光谱信息字典A^N的平衡系数，λ_NLC为局部自适应光谱信息字典A^NL的平衡系数。

2、测试样本x_p的第i个类别的重构残差为：

3、测试样本x_p的第i个类别的融合残差为：

其中μ为方法平衡系数，满足0≤μ≤1，η为信息平衡系数，满足0≤η≤1。

4、样本x_p的类别被确定为在L类别中具有最小融合残差的类别

有益效果：

本发明的优点在于其应用空间-光谱信息使得图像得到很好的表述，能够对图像中的邻域信息充分的利用，同时运用了融合残差来充分利用其有效信息，优化了分类图的视觉效果，提高了分类的精度等优点。

附图说明

图1为本发明的流程图。

图2为实验中的Indian Pines高光谱数据的真实图像。

图3为实验中在Indian Pines高光谱数据中所选取的原始各类的地物分布图。

图4为实验中在Indian Pines高光谱数据中所选取的样本名称和样本数量表。

图5为实验中采用的三种不同方法对数据集分类后与之对应的各类地物的分类分布图，图5-a为数据集的OS+SVM分类分布图，图5-b为SVM-CK分类分布图，图5-c为本发明方法分类分布图。

图6为实验中采用的三种不同方法对数据集分类的评价指标表。

具体实施方式

下面将结合附图对本发明做进一步详细说明。

本发明的目的是提供一种基于空间-光谱信息的高光谱图像残差融合分类方法，具有更优的分类效果，分类视觉效果好，分类精度高等优点。

具体步骤如下：

1、读入高光谱图像数据。读入高光谱高维数据，进行维数转换，并对其作归一化处理，其中含有样本类别数为L。

2、提取高光谱数据信息。针对图像分别提取其空间纹理信息F_G和光谱信息F_N。

3、根据高光谱数据信息来构建相关矩阵。分别根据空间纹理信息F_G和光谱信息F_N来构建所对应的一些相关矩阵。

4、求解相对应的系数矩阵。根据步骤3中所构建的相关矩阵，来求解高光谱图像中测试样本中的相对应的系数矩阵。

5、重构样本,计算对应的残差。首先将字典与所其对应的系数矩阵相乘得到重构样本。针对重构的样本，计算每类对应所对应的重构残差。

6、残差融合。将步骤5中所求的重构残差进行融合，得到测试样本的融合残差。

7、确定样本类别。根据融合的残差来确定测试样本的类别。最终输出本发明下的高光谱图像分类结果Y。

求解完毕。Y即为基于空间-光谱信息的高光谱图像残差融合分类方法的分类结果。

如图1所示，本发明的详细过程为：

1、读入高光谱图像数据。

读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，并对所得的二维数据作归一化处理，确定要处理的样本类别数为L，这里每个样本对应的数学形式为二维数据中其所在列的一列数据。

2、提取高光谱数据信息。

针对图像分别提取其空间纹理信息和光谱信息，其中步骤2.1与步骤2.2是并行进行的。

2.1提取图像空间纹理信息。

(1)、对图像进行PCA变换。在PCA变换后的所得到的第一主成分灰度图基础上展开后续步骤。

(2)、进行Gabor滤波。

对于Gabor滤波器，在空间域上，可得到下述实响应：

式(1)中，通过坐标位置信息x，y以及关系式x'＝xcosθ+ysinθ，y'＝-xcosθ+ysinθ，可得出x′和y′的值，而其余参数意义为：ρ表示Gabor函数的尺度，θ和则表示该函数的方向和相角，σ和γ为高斯半径及方向角。

(3)、非线性变换。

采用非线性算法对提取出来的滤波图像进行变换。这里的非线性算法为：

在式(2)中，t和α分别表示离散小波系数及某一常数。

(4)、进行高斯低通滤波。对平均绝对离差进行计算，计算过程为：应用高斯低通滤波器进行处理，选择的低通滤波器g(x,y)表示如下：

g(x,y)＝exp{-(x²+y²)/2σ²} (3)

高斯窗口函数的标准差用σ表示。

(5)、产生空间纹理信息F_G。通过步骤2.1中(1)-(4)的操作最终可以得到高光谱图像的纹理特征F_G。

2.2提取图像光谱信息。

本算法中高光谱图像的光谱信息通过NWFE算法提取。

(1)、计算样本对类别j的加权聚类中心

其中，为分配的权重矩阵， 为类别i(1≤i≤L)的第k个样本，n_j为类别j的样本个数，j(1≤j≤L)为类别标号。

(2)、计算类别i中第k个样本对类别j的散度分布矩阵

其中，dist(a,b)为向量a和向量b之间的欧式距离，n_i为类别i的样本个数。

(3)、计算类间离散度矩阵S_b和类内离散度矩阵S_w。

(4)、计算变换矩阵。

根据最优特征优化准则关系式(8)产生所需的变换矩阵J。

J＝tr(S_w ^-1S_b) (8)

(5)、产生光谱信息F_N。

通过变换矩阵J与高光谱数据相乘可以获得光谱信息F_N。

3、根据高光谱数据信息来构建相关矩阵。

3.1基于空间纹理信息F_G构建相关矩阵。

(1)、构建空间纹理信息联合信号矩阵XJ^G。

假设单个像素x_p在位置p上，构建一个方形的尺寸为T×T的邻域,其邻域窗口大小为T,高光谱图像邻域中的像素的空间纹理信息用来构建联合的矩阵XJ^G，其第一列是处于中心位置的测试样本对应的空间纹理信息，其余的列为中心样本周围的邻域样本对应的空间纹理信息。

(2)、构建整个空间纹理信息字典A^G。

从各个类别各选取一部分样本所对应的空间信息来构成训练集A^G。

(3)、构建局部自适应空间纹理信息字典A^GL。

计算出字典A^G中的每个原子与XJ^G的相关性，并且按照降序排列，从A^G中选择相关性最大的前K个对应原子来构成测试样本x_p所对应的局部自适应子字典A^GL。

3.2基于光谱信息F_N构建相关矩阵。

与步骤3.1类似，构建光谱信息联合信号矩阵XJ^N，构建整个光谱信息字典A^N，构建局部自适应光谱信息字典A^NL，与步骤3.1不同之处在于各个步骤的处理对象由空间信息F_G更换为光谱信息F_N。

4、求解相对应的系数矩阵。

根据步骤3中所构建的相关矩阵，通过式子(9)—式子(12)来求解高光谱图像中测试样本x_p中的相对应的系数矩阵：

其中的ψ^GS,ψ^GLC,ψ^NS,ψ^NLC分别为A^G,A^GL,A^N,A^NL所对应的求解出来的系数矩阵。λ_GS,λ_GLC,λ_NS,λ_NLC分别为A^G,A^GL,A^N,A^NL所对应的平衡系数，均为大于零的数，其用于对稀疏度和重构精度进行平衡。|| ||₁表示1范数，|| ||_F表示Frobenious范数。

5、重构样本,计算对应的残差。

首先将字典与所其对应的系数矩阵相乘得到重构样本。针对重构的样本，计算每类对应所对应的重构残差。将第i类的残差计算如式子(13)—式子(16)：

其中别为经由ψ^GS,ψ^GLC,ψ^NS,ψ^NLC和A^G,A^GL,A^N,A^NL进行样本重构后所对应的重构残差。

6、残差融合。

根据式子(17)将步骤5中所求的的4种残差进行融合，得到样本x_p的第i类的融合 残差

其中μ为方法平衡系数，满足0≤μ≤1，η为信息平衡系数，满足0≤η≤1。

7、确定样本类别。

依据式子(18)，根据融合的残差来确定样本x_p的类别。样本x_p的类别被确定为在L类中具有最小融合残差的类别。

值得注意的是：步骤3至步骤7针对高光谱图像中的每个测试样本都要运行一遍。通过步骤1至步骤7，最终输出本发明下的高光谱图像分类结果Y。

为了说明本发明的有效性，特进行如下实验论证。

其中采用Indian Pines高光谱数据集来验证本发明方法的适用性。

美国印第安纳州Indian Pine实验区图像，其于1992年6月用AVIRIS传感器采集得到，空间分辨率为20m。原始图像共有220个波段，大小为144×144，共有16种地物分布，将原始的220个波段中受噪声影响较大的一些波段去除后选取200个波段作为仿真研究对象。样本类别L定为16，用16种地物来进行实验，为方便对其分别标号为第1-16类。实验数据如图2所示，选取的原始各类的地物分布如图3所示，所选取的样本名称和样本数量如图4所示。从这16种实际地物分布样本中均匀抽取10％的数据作为训练样本。

在对高光谱图像进行分类时，本发明方法与两种经典方法即：利用OS信息然后经SVM分类方法(标记为OS+SVM)；利用OS信息和Gabor纹理信息，然后经SVM-CK分类方法(标记为SVM-CK)进行对比。

运用三种方法分类后与之对应的各类地物的分类分布图如图5所示，可以很直观的看到相对于OS+SVM和SVM-CK分类，本发明的方法分类效果图好。

三种分类方法的三个分类评价指标即总体分类精度，类别平均分类精度和Kappa系数，如图6所示，其中由这些指标的定义可以知道总体分类精度，类别平均分类精度和Kappa系数越高时，图像的分类效果就越好。较之OS+SVM和SVM-CK，本发明的方法的总体分类精度要分别高出16％和4％，本发明的方法的类别平均分类精度要分别高出17％和7％，本发明的方法的Kappa系数要分别高出18％和4％。

通过实验的对比分析可以进一步看出本发明方法优势所在。

Claims (1)

1.一种基于空间光谱信息的高光谱图像残差融合分类方法，其特征在于：包括以下几个步骤，

步骤一：读入高光谱图像数据，对高光谱图像进行维数转换，将三维数据转换成二维数据，对所得的二维数据作归一化处理，确定样本类别数为L；

步骤二：分别提取高光谱图像的空间纹理信息F_G和光谱信息F_N；

步骤三：根据空间纹理信息F_G和光谱信息F_N构建相关矩阵，相关矩阵包括根据空间纹理信息F_G构建的空间纹理信息联合信号矩阵XJ^G、空间纹理信息字典A^G和局部自适应空间纹理信息字典A^GL，相关矩阵还包括根据光谱信息F_N构建的光谱信息联合信号矩阵XJ^N、光谱信息字典A^N和局部自适应光谱信息字典A^NL；

步骤四：求解高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵；

步骤五：将空间纹理信息字典A^G、局部自适应空间纹理信息字典A^GL、光谱信息字典A^N和局部自适应光谱信息字典A^NL分别和其对应的系数矩阵相乘得到重构样本，计算测试样本x_p的每个类别所对应的重构残差；

步骤六：计算测试样本x_p的每个类别的融合残差；

步骤七：根据测试样本x_p的每个类别的融合残差确定测试样本x_p的类别；

设单个像素x_p在位置p上，构建一个方形的尺寸为T×T的邻域,其邻域窗口大小为T,高光谱图像邻域中的像素的空间纹理信息用来构建联合的矩阵XJ^G；计算出字典A^G中的每个原子与XJ^G的相关性，并且按照降序排列，从A^G中选择相关性最大的前K个对应原子来构成测试样本x_p所对应的局部自适应子字典A^GL，构建光谱信息联合信号矩阵XJ^N，构建整个光谱信息字典A^N，构建局部自适应光谱信息字典A^NL；

所述的高光谱图像中测试样本x_p与相关矩阵相对应的系数矩阵为：

其中ψ^GS为空间纹理信息字典A^G的系数矩阵，ψ^GLC为局部自适应空间纹理信息字典A^GL的系数矩阵，ψ^NS为光谱信息字典A^N的系数矩阵，ψ^NLC为局部自适应光谱信息字典A^NL的系数矩阵，λ_GS为空间纹理信息字典A^G的平衡系数，λ_GLC为局部自适应空间纹理信息字典A^GL的平衡系数，λ_NS为光谱信息字典A^N的平衡系数，λ_NLC为局部自适应光谱信息字典A^NL的平衡系数；所述的测试样本x_p的第i个类别的重构残差为：

所述的测试样本x_p的第i个类别的融合残差为：

其中μ为方法平衡系数，满足0≤μ≤1，η为信息平衡系数，满足0≤η≤1；

所述的样本x_p的类别被确定为在L类别中具有最小融合残差的类别