CN112883852B - 一种高光谱图像分类***和方法 - Google Patents
一种高光谱图像分类***和方法 Download PDFInfo
- Publication number
- CN112883852B CN112883852B CN202110155143.XA CN202110155143A CN112883852B CN 112883852 B CN112883852 B CN 112883852B CN 202110155143 A CN202110155143 A CN 202110155143A CN 112883852 B CN112883852 B CN 112883852B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- algorithm
- minimum value
- structural elements
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应阈值分水岭算法和改进支持向量机的高光谱图像分类方法,即通过自适应阈值分水岭算法获得同质性区域,提取区域特征,再通过改进支持向量机算法进行分类。
Description
技术领域
本发明涉及高光谱图像处理,尤其涉及一种高光谱图像分类***和方法。
背景技术
高光谱遥感图像可以在电磁波谱的紫外、可见光、近红外和中红外范围,以数十至数百个连续且细分的光谱波段对目标区域同时成像,集图像信息与光谱信息于一体,为图像分类提供了可能。
高光谱图像分类方法主要分成两类:基于像素的分类方法和面向对象的分类方法。基于像素的分类方法是逐像素提取特征进行分类,分类准确率较高,但是由于逐像素分类,分类的时间会很长,效率低,无法满足实时性的要求。面向对象的分类方法首先需要对图像进行分割,获得同质性区域,然后再对每个同质性区域提取特征进行区域分类。相比于基于像素的分类方法,面向对象的分类方法分类速度快,能够满足实时性要求。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是克服现有技术的不足,即基于像素的分类方法分类效率低,无法满足实时性的缺点,提出一种基于自适应阈值分水岭算法和改进支持向量机的高光谱图像分类方法,即通过自适应阈值分水岭算法获得同质性区域,提取区域特征,再通过改进支持向量机算法进行分类。
为实现上述目的,本发明在第一方面提供了一种高光谱图像分类方法,包括如下步骤:
(1)输入待分类的高光谱图像数据集;
(2)执行图像预处理步骤;
(3)利用自适应阈值分水岭算法得到分割图像;
(4)根据分割图像,提取光谱特征和纹理特征;
(5)通过分类模型进行特征评估,去除无益特征,得到最佳分类;
其中分类模型为利用训练子集和WOA-GA混合算法确定SVM模型的最佳核函数参数g和惩罚系数C而得。
进一步地,步骤(2)中,具体包括如下子步骤:
(201)红光波长选择700.0nm,绿光波长选择546.1nm,蓝光波长选择435.8nm,通过波段运算计算得到对应波长的图像根据计算得到红光图像、绿光图像和蓝光图像合成可见光图像,并转化成灰度图像f,波段计算公式如下所示:
式中,H为波段运算得到的图像,ρ为需要计算的波长,ρmin和ρmax分别为最接近波长ρ的下限波长和上限波长,G为ρmax对应的波段图像,F为ρmin对应的波段图像;
(202)通过双边滤波算法滤除树林区域可见光图像的噪声,减少伪局部最小值;
(203)接着利用多尺度形态学梯度提取算法提取梯度图像,多尺度形态学梯度提取算法定义如下所示:
式中,为膨胀运算,为腐蚀运算,f为原始灰度图像,G(f)为梯度图像,Bij为一组正方形结构元素,i(1≤i≤n)为结构元素大小因子,对于结构元素大小为(2i+1)*(2i+1),j(1≤j≤m)为结构元素形状因子,代表不同方向的结构元素;
进一步地,步骤(3)中,首先执行自适应阈值提取算法,然后执行H-minima强制极小值变换,最后执行分水岭图像分割,具体包括如下子步骤:
(301)执行自适应阈值提取算法,定义如下所示:
H=mean(0<gradmin≤h);
式中,gradmin为局部最小值,h为的阈值上限;
(302)执行强制极小值变换,使用标记阈值H对梯度图像进行标记,即保留大于阈值的局部最小值并得到能够反映局部最小值位置的二值化图像;利用强制最小算法修改梯度图像,并通过形态学腐蚀膨胀操作,将小于阈值的像素点的值设置为阈值大小,使局部最小值只出现在标记位置,从而减少伪局部最小值;其定义如下所示:
(303)执行分水岭算法,得到分割图像;采用的分水岭算法为Meyer算法;
(304)执行基于光谱匹配法的区域合并算法,对得到的初分割区域图像进行小面积区域和相似区域合并,区域相似度评价指标如下式:
式中,T为新的评价指标,X和Y为光谱向量。
进一步地,步骤(4)中,具体包括如下子步骤:
(401)对区域中同一波段图像的所有像元的反射率值取均值的方式得到区域的平均光谱特征;
(402)利用灰度梯度共生矩阵提取纹理信息:提取可见光波段的每个图像中的每个像素点的灰度梯度共生矩阵,分别计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差矩这15个纹理特征并取均值,得到后15维特征。
进一步地,步骤(5)中,包括如下具体子步骤:
(501)利用排序指标对所有的特征进行排序,评估特征重要性;
(502)剔除得分最少的特征,形成新的子集;
(503)执行上述步骤直到子集中只有一个特征,根据分类模型的分类准确率寻找最终保留的特征;
其中,采用的特征排序指标为最大几何间隔特征排序指标,公式如下所示:
Hc=|W2-W-(P)2|
式中,W2和W-(P)2分别为SVM模型在当前子集下的权重和剔除第P个特征后的权重,W2公式如式下所示:
式中,i和j为样本序号,αi和αj为求解后的参数,y为类别标签,K为核函数。
本发明在第二方面提供了一种高光谱图像分类***,包括如下模块:
高光谱图像数据集输入模块,用于输入待分类的高光谱图像数据集;
图像预处理模块,用于执行图像预处理步骤;
图像分割模块,用于利用自适应阈值分水岭算法得到分割图像;
特征提取模块,用于根据分割图像,提取光谱特征和纹理特征;
分类模块,用于通过分类模型进行特征评估,去除无益特征,得到最佳分类;
其中分类模块的分类模型为利用训练子集和WOA-GA混合算法确定SVM模型的最佳核函数参数g和惩罚系数C而得。
进一步地,图像预处理模块被设置为执行如下步骤:
(701)红光波长选择700.0nm,绿光波长选择546.1nm,蓝光波长选择435.8nm,通过波段运算计算得到对应波长的图像根据计算得到红光图像、绿光图像和蓝光图像合成可见光图像,并转化成灰度图像f,波段计算公式如下所示:
式中,H为波段运算得到的图像,ρ为需要计算的波长,ρmin和ρmax分别为最接近波长ρ的下限波长和上限波长,G为ρmax对应的波段图像,F为ρmin对应的波段图像;
(702)通过双边滤波算法滤除树林区域可见光图像的噪声,减少伪局部最小值;
(703)接着利用多尺度形态学梯度提取算法提取梯度图像,多尺度形态学梯度提取算法定义如下所示:
式中,为膨胀运算,为腐蚀运算,f为原始灰度图像,G(f)为梯度图像,Bij为一组正方形结构元素,i(1≤i≤n)为结构元素大小因子,对于结构元素大小为(2i+1)*(2i+1),j(1≤j≤m)为结构元素形状因子,代表不同方向的结构元素;
进一步地,图像分割模块被设置为执行如下步骤:
首先执行自适应阈值提取算法,然后执行H-minima强制极小值变换,最后执行分水岭图像分割,具体包括如下步骤:
(801)执行自适应阈值提取算法,定义如下所示:
H=mean(0<gradmin≤h);
式中,gra1min为局部最小值,h为的阈值上限;
(802)执行强制极小值变换,使用标记阈值H对梯度图像进行标记,即保留大于阈值的局部最小值并得到能够反映局部最小值位置的二值化图像;利用强制最小算法修改梯度图像,并通过形态学腐蚀膨胀操作,将小于阈值的像素点的值设置为阈值大小,使局部最小值只出现在标记位置,从而减少伪局部最小值;其定义如下所示:
(803)执行分水岭算法,得到分割图像;采用的分水岭算法为Meyer算法;
(804)执行基于光谱匹配法的区域合并算法,对得到的初分割区域图像进行小面积区域和相似区域合并,区域相似度评价指标如下式:
式中,T为新的评价指标,X和Y为光谱向量。
进一步地,特征提取模块被设置为执行如下步骤:
(901)对区域中同一波段图像的所有像元的反射率值取均值的方式得到区域的平均光谱特征;
(902)利用灰度梯度共生矩阵提取纹理信息:提取可见光波段的每个图像中的每个像素点的灰度梯度共生矩阵,分别计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差矩这15个纹理特征并取均值,得到后15维特征。
进一步地,分类模块被设置为执行如下步骤:
(1001)利用排序指标对所有的特征进行排序,评估特征重要性;
(1002)剔除得分最少的特征,形成新的子集;
(1003)执行上述步骤直到子集中只有一个特征,根据分类模型的分类准确率寻找最终保留的特征;
其中,采用的特征排序指标为最大几何间隔特征排序指标,公式如下所示:
Hc=|W2-W-(P)2|
式中,W2和W-(P)2分别为SVM模型在当前子集下的权重和剔除第P个特征后的权重,W2公式如式下所示:
式中,i和j为样本序号,αi和αj为求解后的参数,y为类别标签,K为核函数。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例中的自适应阈值分水岭算法流程图;
图2是本发明的一个较佳实施例中的分水岭算法流程图;
图3是本发明的一个较佳实施例中的基于光谱匹配法的区域合并算法流程图;
图4是本发明的一个较佳实施例中的WOAGA混合算法流程图;
图5是本发明的一个较佳实施例中的基于SVM-REF的特征选择算法流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在根据本发明的高光谱图像分类方法的一个具体实施例中,包括如下步骤
一、输入待分类的高光谱图像数据集;
二、执行图像预处理步骤,具体步骤如下:
(1)红光波长选择700.0nm,绿光波长选择546.1nm,蓝光波长选择435.8nm,通过波段运算计算得到对应波长的图像根据计算得到红光图像、绿光图像和蓝光图像合成可见光图像,并转化成灰度图像f,波段计算公式如下所示:
式中,H为波段运算得到的图像,ρ为需要计算的波长,ρmin和ρmax分别为最接近波长ρ的下限波长和上限波长,G为ρmax对应的波段图像,F为ρmin对应的波段图像。
(2)通过双边滤波算法滤除树林区域可见光图像的噪声,减少伪局部最小值;
(3)接着利用多尺度形态学梯度提取算法提取梯度图像,减少内部纹理,获得更好的分割效果,多尺度形态学梯度提取算法定义如下所示:
式中,为膨胀运算,为腐蚀运算,f为原始图像,G(f)为梯度图像,Bij为一组正方形结构元素,i(1≤i≤n)为结构元素大小因子,对于结构元素大小为(2i+1)*(2i+1),j(1≤j≤m)为结构元素形状因子,代表不同方向的结构元素。本发明选择4个方向的结构元素,分别为0°、45°、90°和135°。尺寸为3*3的4个方向结构元素分别为
三、利用自适应阈值分水岭算法得到分割图像,首先执行自适应阈值提取算法,然后执行H-minima强制极小值变换,最后执行分水岭图像分割,算法流程图如图1所示,具体步骤如下:
(1)执行自适应阈值提取算法,定义如下所示:
H=mean(0<gradmin≤h);
式中,gradmin为局部最小值,h为的阈值上限。由于噪声和内部纹理造成的伪局部最小值的值较小,而有效局部最小值的值较大,如果使用所有的局部最小值的均值作为阈值H,那么有效局部最小值会使阈值H偏大,在进行H-minima强制极小值变换时可能导致有效局部最小值也被消除;
(2)执行强制极小值变换,使用标记阈值H对梯度图像进行标记,即保留大于阈值的局部最小值并得到能够反映局部最小值位置的二值化图像。利用强制最小算法修改梯度图像,并通过形态学腐蚀膨胀操作,将小于阈值的像素点的值设置为阈值大小,使局部最小值只出现在标记位置,从而减少伪局部最小值。其定义如下所示:
(3)执行分水岭算法,得到分割图像。本发明采用的分水岭算法为Meyer算法,算法流程见图2;
(4)执行基于光谱匹配法的区域合并算法,对得到的初分割区域图像进行小面积区域和相似区域合并,算法流程图如图3所示。区域相似度评价指标如下所示:
式中,T为新的评价指标,X和Y为光谱向量,公式左半部分为欧式距离,公式左半部分为光谱角。
四、根据分割图像,提取光谱特征和纹理特征,具体步骤如下:
(1)对区域中同一波段图像的所有像元的反射率值取均值的方式得到区域的平均光谱特征;
(2)利用灰度梯度共生矩阵提取纹理信息:提取可见光波段的每个图像中的每个像素点的灰度梯度共生矩阵,分别计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差矩这15个纹理特征并取均值,得到后15维特征。
五、基于WOAGA-SVM和递归特征消除算法进行特征评估,去除无益特征,得到最佳分类模型。鲸鱼优化算法(Whale Optimization Algorithm,WOA)和遗传算法(GeneticAlgorithm,GA)是两种寻优算法,两种算法各有优缺点,本发明提出了WOAGA混合寻优算法能够更好的寻找最佳参数并且用于支持向量机高斯核函数参数g和惩罚系数C的参数寻优,算法步骤见图4。基于WOAGA-SVM和递归特征消除算法流程如图5,具体步骤如下:
(1)利用训练子集和WOAGA算法找到SVM模型最佳参数g和C,训练得到最佳分类模型;
(2)利用排序指标对所有的特征进行排序,评估特征重要性;
(3)剔除得分最少的特征(最无用的特征),形成新的子集;
(4)执行上述步骤直到子集中只有一个特征,根据模型的分类准确率寻找最终保留的特征。
采用的特征排序指标为最大几何间隔特征排序指标,公式如下所示:
Hc=|W2-W-(P)2|;
式中,W2和W-(P)2分别为SVM模型在当前子集下的权重和剔除第P个特征后的权重,W2公式如式下所示:
式中,i和j为样本序号,αi和αj为求解后的参数,y为类别标签,K为核函数。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (2)
1.一种高光谱图像分类方法,其特征在于,包括如下步骤:
(1)输入待分类的高光谱图像数据集;
(2)执行图像预处理步骤;
(3)利用自适应阈值分水岭算法得到分割图像;
(4)根据分割图像,提取光谱特征和纹理特征;
(5)通过分类模型进行特征评估,去除无益特征,得到最佳分类;
其中分类模型为利用训练子集和WOA-GA混合算法确定SVM模型的最佳核函数参数g和惩罚系数C而得;
步骤(2)中,具体包括如下子步骤:
(201)红光波长选择700.0nm,绿光波长选择546.1nm,蓝光波长选择435.8nm,通过波段运算计算得到对应波长的图像根据计算得到红光图像、绿光图像和蓝光图像合成可见光图像,并转化成灰度图像f,波段计算公式如下所示:
式中,H为波段运算得到的图像,ρ为需要计算的波长,ρmin和ρmax分别为最接近波长ρ的下限波长和上限波长,G为ρmax对应的波段图像,F为ρmin对应的波段图像;
(202)通过双边滤波算法滤除树林区域可见光图像的噪声,减少伪局部最小值;
(203)接着利用多尺度形态学梯度提取算法提取梯度图像,多尺度形态学梯度提取算法定义如下所示:
式中,为膨胀运算,为腐蚀运算,f为原始灰度图像,G(f)为梯度图像,Bij为一组正方形结构元素,i(1≤i≤n)为结构元素大小因子,对于结构元素大小为(2i+1)*(2i+1),j(1≤j≤m)为结构元素形状因子,代表不同方向的结构元素;
步骤(3)中,首先执行自适应阈值提取算法,然后执行H-minima强制极小值变换,最后执行分水岭图像分割,具体包括如下子步骤:
(301)执行自适应阈值提取算法,定义如下所示:
H=mean(0<gradmin≤h);
式中,gradmin为局部最小值,h为的阈值上限;
(302)执行强制极小值变换,使用标记阈值H对梯度图像进行标记,即保留大于阈值的局部最小值并得到能够反映局部最小值位置的二值化图像;利用强制最小算法修改梯度图像,并通过形态学腐蚀膨胀操作,将小于阈值的像素点的值设置为阈值大小,使局部最小值只出现在标记位置,从而减少伪局部最小值;其定义如下所示:
(303)执行分水岭算法,得到分割图像;采用的分水岭算法为Meyer算法;
(304)执行基于光谱匹配法的区域合并算法,对得到的初分割区域图像进行小面积区域和相似区域合并,区域相似度评价指标如下式:
式中,T为新的评价指标,X和Y为光谱向量;
步骤(4)中,具体包括如下子步骤:
(401)对区域中同一波段图像的所有像元的反射率值取均值的方式得到区域的平均光谱特征;
(402)利用灰度梯度共生矩阵提取纹理信息:提取可见光波段的每个图像中的每个像素点的灰度梯度共生矩阵,分别计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差矩这15个纹理特征并取均值,得到后15维特征;
步骤(5)中,包括如下具体子步骤:
(501)利用排序指标对所有的特征进行排序,评估特征重要性;
(502)剔除得分最少的特征,形成新的子集;
(503)执行上述步骤直到子集中只有一个特征,根据分类模型的分类准确率寻找最终保留的特征;
其中,采用的特征排序指标为最大几何间隔特征排序指标,公式如下所示:
Rc=|W2-W-(P)2|;
式中,W2和W-(P)2分别为SVM模型在当前子集下的权重和剔除第P个特征后的权重,W2公式如式下所示:
式中,i和j为样本序号,αi和αj为求解后的参数,y为类别标签,K为核函数。
2.一种高光谱图像分类***,包括如下模块:
高光谱图像数据集输入模块,用于输入待分类的高光谱图像数据集;图像预处理模块,用于执行图像预处理步骤;
图像分割模块,用于利用自适应阈值分水岭算法得到分割图像;
特征提取模块,用于根据分割图像,提取光谱特征和纹理特征;
分类模块,用于通过分类模型进行特征评估,去除无益特征,得到最佳分类;
其中分类模块的分类模型为利用训练子集和WOA-GA混合算法确定SVM模型的最佳核函数参数g和惩罚系数C而得;
图像预处理模块被设置为执行如下步骤:
(701)红光波长选择700.0nm,绿光波长选择546.1nm,蓝光波长选择435.8nm,通过波段运算计算得到对应波长的图像根据计算得到红光图像、绿光图像和蓝光图像合成可见光图像,并转化成灰度图像f,波段计算公式如下所示:
式中,H为波段运算得到的图像,ρ为需要计算的波长,ρmin和ρmax分别为最接近波长ρ的下限波长和上限波长,G为ρmax对应的波段图像,F为ρmin对应的波段图像;
(702)通过双边滤波算法滤除树林区域可见光图像的噪声,减少伪局部最小值;
(703)接着利用多尺度形态学梯度提取算法提取梯度图像,多尺度形态学梯度提取算法定义如下所示:
式中,为膨胀运算,为腐蚀运算,f为原始灰度图像,G(f)为梯度图像,Bij为一组正方形结构元素,i(1≤i≤n)为结构元素大小因子,对于结构元素大小为(2i+1)*(2i+1),j(1≤j≤m)为结构元素形状因子,代表不同方向的结构元素;
图像分割模块被设置为执行如下步骤:
首先执行自适应阈值提取算法,然后执行H-minima强制极小值变换,最后执行分水岭图像分割,具体包括如下步骤:
(801)执行自适应阈值提取算法,定义如下所示:
H=mean(0<gradmin≤h);
式中,gradmin为局部最小值,h为的阈值上限;
(802)执行强制极小值变换,使用标记阈值H对梯度图像进行标记,即保留大于阈值的局部最小值并得到能够反映局部最小值位置的二值化图像;利用强制最小算法修改梯度图像,并通过形态学腐蚀膨胀操作,将小于阈值的像素点的值设置为阈值大小,使局部最小值只出现在标记位置,从而减少伪局部最小值;其定义如下所示:
(803)执行分水岭算法,得到分割图像;采用的分水岭算法为Meyer算法;
(804)执行基于光谱匹配法的区域合并算法,对得到的初分割区域图像进行小面积区域和相似区域合并,区域相似度评价指标如下式:
式中,T为新的评价指标,X和Y为光谱向量;
特征提取模块被设置为执行如下步骤:
(901)对区域中同一波段图像的所有像元的反射率值取均值的方式得到区域的平均光谱特征;
(902)利用灰度梯度共生矩阵提取纹理信息:提取可见光波段的每个图像中的每个像素点的灰度梯度共生矩阵,分别计算小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关性、灰度熵、梯度熵、混合熵、差分矩和逆差矩这15个纹理特征并取均值,得到后15维特征;
分类模块被设置为执行如下步骤:
(1001)利用排序指标对所有的特征进行排序,评估特征重要性;
(1002)剔除得分最少的特征,形成新的子集;
(1003)执行上述步骤直到子集中只有一个特征,根据分类模型的分类准确率寻找最终保留的特征;
其中,采用的特征排序指标为最大几何间隔特征排序指标,公式如下所示:Rc
=|W2-W-(P)2|;
式中,W2和W-(P)2分别为SVM模型在当前子集下的权重和剔除第P个特征后的权重,W2公式如式下所示:
式中,i和j为样本序号,αi和αj为求解后的参数,y为类别标签,K为核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155143.XA CN112883852B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱图像分类***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155143.XA CN112883852B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱图像分类***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883852A CN112883852A (zh) | 2021-06-01 |
CN112883852B true CN112883852B (zh) | 2022-10-28 |
Family
ID=76057246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155143.XA Active CN112883852B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱图像分类***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883852B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378979B (zh) * | 2021-07-02 | 2022-04-29 | 浙江大学 | 一种基于波段注意力重建网络的高光谱波段选择方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN110472598A (zh) * | 2019-08-20 | 2019-11-19 | 齐鲁工业大学 | 基于区域特征的svm机采棉花含杂图像分割方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100484479C (zh) * | 2005-08-26 | 2009-05-06 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN109359653B (zh) * | 2018-09-12 | 2020-07-07 | 中国农业科学院农业信息研究所 | 一种棉花叶部粘连病斑图像分割方法和*** |
CN109871884B (zh) * | 2019-01-25 | 2023-03-24 | 曲阜师范大学 | 一种融合多特征的支持向量机面向对象遥感影像分类方法 |
CN111881933B (zh) * | 2019-06-29 | 2024-04-09 | 浙江大学 | 一种高光谱图像分类方法及*** |
CN112287886B (zh) * | 2020-11-19 | 2023-09-22 | 安徽农业大学 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
-
2021
- 2021-02-04 CN CN202110155143.XA patent/CN112883852B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
CN110472598A (zh) * | 2019-08-20 | 2019-11-19 | 齐鲁工业大学 | 基于区域特征的svm机采棉花含杂图像分割方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112883852A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
Zhang et al. | Feature enhancement network: A refined scene text detector | |
Zhang et al. | Cloud detection in high-resolution remote sensing images using multi-features of ground objects | |
CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN111401380B (zh) | 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别***及方法 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
WO2021118463A1 (en) | Defect detection in image space | |
CN109977899B (zh) | 一种物品识别的训练、推理以及增加新种类的方法和*** | |
CN112883852B (zh) | 一种高光谱图像分类***和方法 | |
Nemade et al. | Co-occurrence patterns based fruit quality detection for hierarchical fruit image annotation | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类***及方法 | |
CN111368776B (zh) | 一种基于深度集成学习的高分辨率遥感图像分类方法 | |
Singh et al. | Detection of changes in Landsat Images using Hybrid PSO-FCM | |
Chowdhury et al. | Scene text detection using sparse stroke information and MLP | |
Usha et al. | Significance of texture features in the segmentation of remotely sensed images | |
Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
Thottolil et al. | Automatic Building Footprint Extraction using Random Forest Algorithm from High Resolution Google Earth Images: A Feature-Based Approach | |
PL | A study on various image processing techniques | |
CN111626150B (zh) | 商品识别方法 | |
CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 | |
CN113850274A (zh) | 一种基于hog特征及dmd的图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |