CN113065518A - 基于lbp特征的超像素空谱多核高光谱图像分类方法 - Google Patents
基于lbp特征的超像素空谱多核高光谱图像分类方法 Download PDFInfo
- Publication number
- CN113065518A CN113065518A CN202110447325.4A CN202110447325A CN113065518A CN 113065518 A CN113065518 A CN 113065518A CN 202110447325 A CN202110447325 A CN 202110447325A CN 113065518 A CN113065518 A CN 113065518A
- Authority
- CN
- China
- Prior art keywords
- pixels
- pixel
- kernel
- super
- lbp
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001228 spectrum Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000075850 Avena orientalis Species 0.000 description 1
- 235000007319 Avena orientalis Nutrition 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于LBP特征的超像素空谱多核高光谱图像分类方法。首先,将经过主成分分析法降维的图像,用超像素分割生成带有超像素索引的高光谱图像。然后,采用加权平均滤波和LBP算法提取超像素间和超像素内的空间特征得到超像素间的空间核和超像素内的空间核,联合已提取到的光谱核进行融合。最后,将这个组合核输入到支持向量机分类器中生成分类结果图。本发明将LBP算法与超像素结合,用LBP算法来提取超像素内的边缘特征信息,可以有效解决传统的多核方法用超像素内所有像素的平均值来代替超像素内所有像素值导致的像素边缘信息丢失以及边缘像素类别划分不准确的问题,实现分类精度与效率的提升。
Description
技术领域
本发明涉及高光谱遥感图像处理技术领域,尤其涉及一种基于LBP(Local BinaryPattern,局部二值模式)特征的超像素空谱多核高光谱图像分类方法。
背景技术
高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。高光谱图像可以获得数百条相同的窄带光谱通道,并能提供更丰富的光谱信息,以支持各种地表覆盖材料的精细识别。因此,高光谱图像受到越来越多的关注,它被应用到分类、目标检测、异常检测、光谱解混等方面。而其中的高光谱图像分类任务又对地质勘探农作物检测、国防军事等领域起着实质性的重要作用,值得更加深入的研究。
然而,在高光谱图像分类广泛应用的同时,它也面临着巨大的挑战,例如著名的休斯(Hughes)现象。Hughes现象是指在高光谱分析过程中,随着参与运算波段数目的增加,分类精度“先增后降”的现象。为了解决这一问题,特征提取被看作是高光谱图像处理的一个关键步骤。然而,由于光谱特征的空间变异性,高光谱图像特征提取是高光谱图像处理中最具挑战性的任务之一。
最常用的高光谱图像特征提取方法是核方法,因其采用简单的线性加权方式,可以实现空间信息和光谱信息的联合学习与利用。核方法是指为了充分挖掘和利用高光谱数据蕴含的光谱信息和空间信息,构造新型核函数,实现样本相似性度量意义下不同异构特征融合,进而在SVM框架下完成分类,以有效提高分类性能。从近年研究进展来看,针对高光谱核函数的设计经历了光谱加权核、空谱混合核、多核学习三个阶段。与仅考虑光谱信息的分类方法相比,结合空间信息和光谱信息的分类方法能够取得更好的分类效果。然而,由于空间核所采用的空间区域的大小和形状是固定的,常常导致高光谱图像的空间纹理无法得到充分的利用。
超像素分割能够根据高光谱图像的空间结构自适应的改变区域的形状,并且利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征,能够很大程度上降低图像后处理的复杂度。基于超像素的复合核方法将超像素看作一个局部邻域,可以利用超像素来获得空间信息,从而避免了最佳空间邻域的选择。基于超像素的多核方法利用多个核函数来有效利用超像素的光谱空间信息,相比较基于超像素的单核方法,基于超像素的多核方法不仅利用了超像素内的空间信息,也利用了超像素间的空间信息,分类精度更高。然而,基于超像素的方法也存在缺陷:超像素内空间信息用像素的均值来表示,会丢失超像素内像素的边缘信息。
发明内容
本发明提供了基于LBP特征的超像素空谱多核高光谱图像分类方法,以解决现有的基于超像素的方法的超像素内空间信息用像素的均值来表示,会丢失超像素内的边缘信息,导致图像分类的效率低、精度差等问题。
本发明提供的基于LBP特征的超像素空谱多核高光谱图像分类方法,包括以下步骤:
步骤1,采用熵率超像素分割算法对高光谱图像进行索引,生成带有超像素索引的高光谱图像;
步骤2:利用所述带有超像素索引的高光谱图像获得三个核函数,所述三个核函数包括光谱核、基于超像素内的空间核和基于超像素间的空间核;
步骤3:将得到的所述三个核函数进行融合,将获得的融合结果输入支持向量机分类器,完成训练后进行分类,得到分类结果图。
进一步地,在一种实现方式中,所述步骤1包括:
步骤1-1,使用主成分分析法对所述高光谱图像进行波段选择,获得三个各不相关的主成分图像;
步骤1-2,对所述主成分图像应用熵率超像素分割算法,生成超像素分割图像;
步骤1-3,将所述超像素分割图像与原始的高光谱图像结合,生成所述带有超像素索引的高光谱图像。
进一步地,在一种实现方式中,所述步骤1-1包括:
使用主成分分析法将所述高光谱图像线性投影到一组新的坐标空间中,选取所述高光谱图像的前三个主成分形成主成分图像,用于所述步骤1-2中的超像素分割。
进一步地,在一种实现方式中,所述步骤1-2包括:
步骤1-2-1,根据以下公式,结合所述主成分图像纹理的复杂程度选择超像素数:
L=Lbase×Rtexture
Rtexture=n/N
其中,L是超像素数,Lbase是基超像素数,Rtexture是纹理比率,n表示经过纹理分析过滤后的主成分图像中的非零元素数量,N表示纹理分析过滤前主成分图像中非零元素的数量;
步骤1-2-2,超像素分割首先在主成分图像上构造一个图G=(V,E);
其中,V为基本图像像素对应的顶点集,E为相邻像素之间成对相似点的边缘集;
步骤1-2-4,根据以下公式,在超像素分割的目标函数中加入熵率项H(A)和平衡项B(·):
其中,λ是为了控制H(A)和B(·)而引入的权重,λ≥0。
进一步地,在一种实现方式中,所述步骤2包括:
步骤2-1,采集所述高光谱图像中所有的光谱像素;单个超像素是由具有相似结构特征的相邻光谱像素组成,对所述光谱像素进行采集,获得所述高光谱图像的光谱特征,根据所述光谱特征计算获得光谱核;
步骤2-2,利用局部二值模式算法,通过阈值标记法得出中心点像素与所述中心点像素的邻域像素之间的差分值,对所述主成分图像的局部纹理结构进行分析,实现超像素内空间核的提取;
步骤2-3,采用加权平均算法提取所述超像素间的空间特征,在每个所述超像素中执行权值替换操作,将替换得到的所有所述超像素进行组合,得到所述超像素间的空间核。
进一步地,在一种实现方式中,所述步骤2-1包括:
步骤2-1-1,采集所述高光谱图像中所有的光谱像素,所述高光谱图像中所有的光谱像素构成高光谱图像的光谱特征;
步骤2-1-2,利用采集到的所述光谱像素,计算光谱核:
进一步地,在一种实现方式中,所述步骤2-2包括:
步骤2-2-1,通过阈值标记法,根据中心点像素与中心点像素的邻域像素之间的差分值,对所述中心点像素的邻域像素进行标记;
所述局部二值模式算法的数学表达式为:
其中,LBP(c、P)表示LBP编码,c表示中心点像素,P表示中心点像素周围的像素个数,ti表示相邻像素灰度值,tc表示中心点像素的灰度值,s(·)为符号函数。
进一步地,在一种实现方式中,所述步骤2-2-1包括:
在一个圆形区域内,将多个相邻的像素与中心点像素进行比较,如果任一所述相邻的像素的灰度值大于中心点像素的灰度值,则将所述相邻的像素标记为1,如果所述相邻的像素的灰度值小于中心点像素的灰度值,则将所述相邻的像素标记为0。
进一步地,在一种实现方式中,所述步骤2-3包括:
步骤2-3-1,采用加权平均算法提取超像素间的空间特征,即对于超像素Xi,根据以下公式,计算加权平均像素:
进一步地,在一种实现方式中,所述步骤3包括:
步骤3-1,根据以下公式,将所述步骤2得到的三个核函数进行融合,形成复合核:
步骤3-2,将所述复合核输入支持向量机分类器,完成训练后进行分类,得到分类结果图。
本发明提出了一种基于LBP特征的超像素空谱多核高光谱图像分类方法。首先,将经过主成分分析法降维的图像,用超像素分割生成带有超像素索引的高光谱图像。然后,采用加权平均滤波和LBP算法提取超像素间和超像素内的空间特征得到超像素间的空间核和超像素内的空间核,联合已提取到的光谱核进行融合。最后,将这个组合核输入到支持向量机分类器中生成分类结果图。本发明将LBP算法与超像素结合,用LBP算法来提取超像素内的边缘特征信息,可以有效的解决传统的多核方法用超像素内所有像素的平均值来代替超像素内所有像素值导致的像素边缘信息丢失以及边缘像素类别划分不准确的问题,实现分类精度与效率的提升。
本发明与现有技术相比,其显著优点在于:(1)本发明在对高光谱图像完成主成分波段选择后,利用了熵率超像素算法生成二维超像素图像,可以大幅提高核提取的效率与精度。(2)本发明在采用超像素分割进行光谱核提取的基础上,采用LBP算法提取超像素内的空间核以及采用加权平均算法来提取超像素间的空间核。三种核函数各司其职,既能有效提高分类的精确度,又能提高分类的效率。(3)融合三种核函数的分类方法快速有效,方法巧妙,构思新颖,具有良好的应用前景。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例部分提供的基于LBP特征的超像素空谱多核高光谱图像分类方法的工作流程示意图;
图2是本发明实施例部分提供的基于LBP特征的超像素空谱多核高光谱图像分类方法中对得到的超像素分割图与原始的高光谱图像结合生成的带有超像素索引的高光谱图像的工作流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例公开了基于LBP特征的超像素空谱多核高光谱图像分类方法,本方法应用于高光谱遥感图像的精确分类,是高光谱遥感影像预处理的关键步骤,对地质勘探、农作物检测、国防军事等应用领域起着实质性的关键作用。
如图1所示,本实施例提供的基于LBP特征的超像素空谱多核高光谱图像分类方法,包括以下步骤:
步骤1,采用熵率超像素分割算法对高光谱图像进行索引,生成带有超像素索引的高光谱图像;具体的,本步骤中,首先使用主成分分析法对高光谱图像进行波段选择。接着在基础图像上应用熵率超像素算法生成二维超像素图像。最后与原始高光谱图像结合生成带有超像素索引的高光谱图像。
步骤2:利用所述带有超像素索引的高光谱图像获得三个核函数,所述三个核函数包括光谱核、基于超像素内的空间核和基于超像素间的空间核;具体的,本步骤中,首先根据每个超像素都是由一组相邻的光谱像素组成的原理,对高光谱图像中所有的光谱像素进行采集,光谱信息可以直接由采集的光谱像素构成,以此获取高光谱图像的光谱特征。其次利用LBP算法,通过阈值来标记中心点像素与其邻域像素之间的差别,从而对局部纹理结构进行分析,实现超像素内的空间核的提取。最后采用加权平均算法来提取超像素间的空间特征,在每个超像素中都执行权值替换操作,将替换得到的所有超像素进行组合,进而得到超像素间的空间核。
步骤3:将得到的所述三个核函数进行融合,将获得的融合结果输入支持向量机分类器,完成训练后进行分类,得到分类结果图。
本发明将LBP算法与超像素结合,用LBP算法来提取超像素内的边缘特征信息,可以有效的解决传统的多核方法用超像素内所有像素的平均值来代替超像素内所有像素值导致的像素边缘信息丢失以及边缘像素类别划分不准确的问题,实现分类精度与效率的提升。
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤1包括:
步骤1-1,使用主成分分析法对所述高光谱图像进行波段选择,获得三个各不相关的主成分图像;
步骤1-2,对所述主成分图像应用熵率超像素分割算法,生成超像素分割图像;
步骤1-3,将所述超像素分割图像与原始的高光谱图像结合,生成所述带有超像素索引的高光谱图像。
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤1-1包括:
使用主成分分析法将所述高光谱图像线性投影到一组新的坐标空间中,选取所述高光谱图像的前三个主成分形成主成分图像,用于所述步骤1-2中的超像素分割。
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤1-2包括:
步骤1-2-1,根据以下公式,结合所述主成分图像纹理的复杂程度选择超像素数:
L=Lbase×Rtexture
Rtexture=n/N
其中,L是超像素数,Lbase是基超像素数,Rtexture是纹理比率,n表示经过纹理分析过滤后的主成分图像中的非零元素数量,N表示纹理分析过滤前主成分图像中非零元素的数量;
步骤1-2-2,超像素分割首先在主成分图像上构造一个图G=(V,E);
其中,V为基本图像像素对应的顶点集,E为相邻像素之间成对相似点的边缘集;
步骤1-2-4,根据以下公式,在超像素分割的目标函数中加入熵率项H(A)和平衡项B(·):
其中,λ是为了控制H(A)和B(·)而引入的权重,λ≥0。
如图2所示,本实施例所述的步骤2和步骤3包含对带有超像素索引的高光谱图像的核提取与融合。其中步骤2包含带有超像素索引的高光谱图像获得三个核函数实现三种不同类型的特征提取。本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤2包括:
步骤2-1,采集所述高光谱图像中所有的光谱像素;单个超像素是由具有相似结构特征的相邻光谱像素组成,对所述光谱像素进行采集,获得所述高光谱图像的光谱特征,根据所述光谱特征计算获得光谱核;
步骤2-2,利用局部二值模式算法,通过阈值标记法得出中心点像素与所述中心点像素的邻域像素之间的差分值,对所述主成分图像的局部纹理结构进行分析,实现超像素内空间核的提取;
步骤2-3,采用加权平均算法提取所述超像素间的空间特征,在每个所述超像素中执行权值替换操作,将替换得到的所有所述超像素进行组合,得到所述超像素间的空间核。
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤2-1包括:
步骤2-1-1,采集所述高光谱图像中所有的光谱像素,所述高光谱图像中所有的光谱像素构成高光谱图像的光谱特征;
步骤2-1-2,利用采集到的所述光谱像素,计算光谱核:
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤2-2包括:
步骤2-2-1,通过阈值标记法,根据中心点像素与中心点像素的邻域像素之间的差分值,对所述中心点像素的邻域像素进行标记;
所述局部二值模式算法的数学表达式为:
其中,LBP(c、P)表示LBP编码,c表示中心点像素,P表示中心点像素周围的像素个数,ti表示相邻像素灰度值,tc表示中心点像素的灰度值,s(·)为符号函数。
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤2-2-1包括:
在一个圆形区域内,将多个相邻的像素与中心点像素进行比较,如果任一所述相邻的像素的灰度值大于中心点像素的灰度值,则将所述相邻的像素标记为1,如果所述相邻的像素的灰度值小于中心点像素的灰度值,则将所述相邻的像素标记为0。
本实施例所述的步骤2-2利用LBP算法中,通过阈值来标记中心点像素与其邻域像素之间的差别,从而对高光谱图像的局部纹理结构进行分析,此方法渐变且不受光照条件变化的影响。原始的高光谱图像经过主成分分析后保留了前3个主成分,在每个主成分上应用LBP算法提取特征,将得到的局部二值直方图的所有波段串联起来,形成空间特征向量。
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤2-3包括:
步骤2-3-1,采用加权平均算法提取超像素间的空间特征,即对于超像素Xi,根据以下公式,计算加权平均像素:
本实施例所述的一种基于LBP特征的超像素空谱多核高光谱图像分类方法中,所述步骤3包括:
步骤3-1,根据以下公式,将所述步骤2得到的三个核函数进行融合,形成复合核:
步骤3-2,将所述复合核输入支持向量机分类器,完成训练后进行分类,得到分类结果图。
将本发明在公开的Indian Pines高光谱图像数据集上进行实施,与近年知名的高光谱图像分类方法进行定量对比,其分类结果如表1所示。
表1本发明在Indian Pines数据上进行实施所得分类结果
类名 | SVMCK | SpATV | LBPELM | SC_MK | RMK | ASMGSSK | 本发明方法 |
Alfalfa | 0.5286 | 0.8510 | 0.9854 | 0.9610 | 0.9551 | 0.9878 | 0.9756 |
Corn-no till | 0.9352 | 0.9709 | 0.9703 | 0.9416 | 0.9660 | 0.9755 | 0.9865 |
Corn-min till | 0.9405 | 0.9839 | 0.9656 | 0.9734 | 0.9731 | 0.9908 | 0.9969 |
Corn | 0.8433 | 0.9948 | 0.9689 | 0.9704 | 0.9710 | 0.9624 | 0.9948 |
Grass/pasture | 0.9508 | 0.9581 | 0.9833 | 0.9667 | 0.9644 | 0.9844 | 0.9837 |
Grass/tree | 0.9812 | 0.9849 | 0.9807 | 0.9982 | 0.9898 | 0.9911 | 0.9998 |
Grass/pasture-mowed | 0.1696 | 0.5000 | 0.9364 | 0.9640 | 0.9652 | 0.9652 | 0.9640 |
Hay-windrowed | 0.9907 | 1.0000 | 0.9950 | 0.9833 | 0.9937 | 0.9977 | 1.0000 |
Oats | 0.0667 | 0.0556 | 0.9280 | 0.9111 | 0.9833 | 0.9056 | 1.0000 |
Soybeans-no till | 0.8939 | 0.9437 | 0.9227 | 0.9410 | 0.9662 | 0.9777 | 0.9859 |
Soybeans-min till | 0.9612 | 0.9904 | 0.9891 | 0.9698 | 0.9958 | 0.9914 | 0.9999 |
Soybeans-clean till | 0.9218 | 0.9724 | 0.9831 | 0.9453 | 0.9668 | 0.9814 | 0.9919 |
Wheat | 0.9901 | 0.9953 | 0.9901 | 0.9946 | 0.9963 | 0.9901 | 0.9946 |
Woods | 0.9744 | 0.9944 | 0.9940 | 0.9938 | 0.9968 | 0.9938 | 0.9999 |
Bldg-grass-tree-drives | 0.8185 | 0.9845 | 0.9952 | 0.9467 | 0.9912 | 0.9909 | 1.0000 |
Stone-steel towers | 0.8930 | 0.7826 | 0.9253 | 0.9714 | 0.9860 | 0.9419 | 0.9774 |
mean_OA | 0.9375 | 0.9751 | 0.9816 | 0.9670 | 0.9823 | 0.9861 | 0.9946 |
STD_OA | 0.0026 | 0.0069 | 0.0045 | 0.0052 | 0.0030 | 0.0018 | 0.0017 |
mean_kappa | 0.9286 | 0.8726 | 0.9789 | 0.9623 | 0.9799 | 0.9842 | 0.9939 |
STD_kappa | 0.0030 | 0.0135 | 0.0032 | 0.0060 | 0.0034 | 0.0020 | 0.0019 |
本实施例中,总体分类精度(OA)和kappa系数以及它们的标准差被作为评价指标。表中的最优结果以粗体进行表示。可见,本发明提出的分类方法与其他的几种分类方法相比,精度提高了1%-6%,并且本发明的分类精度标准差与其他几种分类算法相比也是最小的。这说明在训练样本有限的情况下,本发明设计的算法不仅具有更好的分类性能,而且分类性能也更加稳定。
本发明与现有技术相比,其显著优点在于:(1)本发明在对高光谱图像完成主成分波段选择后,利用了熵率超像素算法生成二维超像素图像,可以大幅提高核提取的效率与精度。(2)本发明在采用超像素分割进行光谱核提取的基础上,采用LBP算法提取超像素内的空间核以及采用加权平均算法来提取超像素间的空间核。三种核函数各司其职,既能有效提高分类的精确度,又能提高分类的效率。(3)融合三种核函数的分类方法快速有效,方法巧妙,构思新颖,具有良好的应用前景。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的基于LBP特征的超像素空谱多核高光谱图像分类方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (10)
1.基于LBP特征的超像素空谱多核高光谱图像分类方法,其特征在于,包括以下步骤:
步骤1,采用熵率超像素分割算法对高光谱图像进行索引,生成带有超像素索引的高光谱图像;
步骤2:利用所述带有超像素索引的高光谱图像获得三个核函数,所述三个核函数包括光谱核、基于超像素内的空间核和基于超像素间的空间核;
步骤3:将得到的所述三个核函数进行融合,将获得的融合结果输入支持向量机分类器,完成训练后进行分类,得到分类结果图。
2.根据权利要求1所述的基于LBP特征的超像素空谱多核高光谱图像分类方法,其特征在于,所述步骤1包括:
步骤1-1,使用主成分分析法对所述高光谱图像进行波段选择,获得三个各不相关的主成分图像;
步骤1-2,对所述主成分图像应用熵率超像素分割算法,生成超像素分割图像;
步骤1-3,将所述超像素分割图像与原始的高光谱图像结合,生成所述带有超像素索引的高光谱图像。
3.根据权利要求2所述的基于LBP特征的超像素空谱多核高光谱图像分类方法,其特征在于,所述步骤1-1包括:
使用主成分分析法将所述高光谱图像线性投影到一组新的坐标空间中,选取所述高光谱图像的前三个主成分形成主成分图像,用于所述步骤1-2中的超像素分割。
4.根据权利要求3所述的基于LBP特征的超像素空谱多核高光谱图像分类方法,其特征在于,所述步骤1-2包括:
步骤1-2-1,根据以下公式,结合所述主成分图像纹理的复杂程度选择超像素数:
L=Lbase×Rtexture
Rtexture=n/N
其中,L是超像素数,Lbase是基超像素数,Rtexture是纹理比率,n表示经过纹理分析过滤后的主成分图像中的非零元素数量,N表示纹理分析过滤前主成分图像中非零元素的数量;
步骤1-2-2,超像素分割首先在主成分图像上构造一个图G=(V,E);
其中,V为基本图像像素对应的顶点集,E为相邻像素之间成对相似点的边缘集;
步骤1-2-4,根据以下公式,在超像素分割的目标函数中加入熵率项H(A)和平衡项B(·):
其中,λ是为了控制H(A)和B(·)而引入的权重,λ≥0。
5.根据权利要求1所述的基于LBP特征的超像素空谱多核高光谱图像分类方法,其特征在于,所述步骤2包括:
步骤2-1,采集所述高光谱图像中所有的光谱像素;单个超像素是由具有相似结构特征的相邻光谱像素组成,对所述光谱像素进行采集,获得所述高光谱图像的光谱特征,根据所述光谱特征计算获得光谱核;
步骤2-2,利用局部二值模式算法,通过阈值标记法得出中心点像素与所述中心点像素的邻域像素之间的差分值,对所述主成分图像的局部纹理结构进行分析,实现超像素内空间核的提取;
步骤2-3,采用加权平均算法提取所述超像素间的空间特征,在每个所述超像素中执行权值替换操作,将替换得到的所有所述超像素进行组合,得到所述超像素间的空间核。
8.根据权利要求7所述的基于LBP特征的超像素空谱多核高光谱图像分类方法,其特征在于,所述步骤2-2-1包括:
在一个圆形区域内,将多个相邻的像素与中心点像素进行比较,如果任一所述相邻的像素的灰度值大于中心点像素的灰度值,则将所述相邻的像素标记为1,如果所述相邻的像素的灰度值小于中心点像素的灰度值,则将所述相邻的像素标记为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447325.4A CN113065518A (zh) | 2021-04-25 | 2021-04-25 | 基于lbp特征的超像素空谱多核高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447325.4A CN113065518A (zh) | 2021-04-25 | 2021-04-25 | 基于lbp特征的超像素空谱多核高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065518A true CN113065518A (zh) | 2021-07-02 |
Family
ID=76567559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110447325.4A Pending CN113065518A (zh) | 2021-04-25 | 2021-04-25 | 基于lbp特征的超像素空谱多核高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065518A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842264A (zh) * | 2022-05-17 | 2022-08-02 | 北京理工大学 | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** |
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及*** |
CN110796038A (zh) * | 2019-10-15 | 2020-02-14 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
CN110866439A (zh) * | 2019-09-25 | 2020-03-06 | 南京航空航天大学 | 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法 |
-
2021
- 2021-04-25 CN CN202110447325.4A patent/CN113065518A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及*** |
CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学(武汉) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** |
CN110866439A (zh) * | 2019-09-25 | 2020-03-06 | 南京航空航天大学 | 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法 |
CN110796038A (zh) * | 2019-10-15 | 2020-02-14 | 南京理工大学 | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 |
Non-Patent Citations (1)
Title |
---|
谷延锋: "高光谱遥感图像解译", 哈尔滨工业大学出版社, pages: 144 - 145 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842264A (zh) * | 2022-05-17 | 2022-08-02 | 北京理工大学 | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adeel et al. | Diagnosis and recognition of grape leaf diseases: An automated system based on a novel saliency approach and canonical correlation analysis based multiple features fusion | |
CN109948693B (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
Pan et al. | R-VCANet: A new deep-learning-based hyperspectral image classification method | |
CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
Sağ et al. | Color image segmentation based on multiobjective artificial bee colony optimization | |
Li et al. | Gaussian pyramid based multiscale feature fusion for hyperspectral image classification | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** | |
Ortac et al. | Comparative study of hyperspectral image classification by multidimensional Convolutional Neural Network approaches to improve accuracy | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
Jia et al. | Spatial-spectral-combined sparse representation-based classification for hyperspectral imagery | |
Jia et al. | A multiscale superpixel-level group clustering framework for hyperspectral band selection | |
Huang et al. | Hyperspectral image classification via discriminant Gabor ensemble filter | |
Tong et al. | Spectral–spatial and cascaded multilayer random forests for tree species classification in airborne hyperspectral images | |
Wu et al. | Joint entropy based learning model for image retrieval | |
Lin et al. | Identification of pumpkin powdery mildew based on image processing PCA and machine learning | |
Al-Badri et al. | Adaptive Non-Maximum Suppression for improving performance of Rumex detection | |
CN114299382A (zh) | 高光谱遥感图像分类方法及*** | |
CN113343900A (zh) | 基于cnn与超像素结合的组合核遥感影像目标检测方法 | |
Song et al. | Using dual-channel CNN to classify hyperspectral image based on spatial-spectral information | |
Liu et al. | A band influence algorithm for hyperspectral band selection to classify Moldy Peanuts | |
Li et al. | Group convolutional neural networks for hyperspectral image classification | |
Wei et al. | The hyperspectral image clustering based on spatial information and spectral clustering | |
CN113065518A (zh) | 基于lbp特征的超像素空谱多核高光谱图像分类方法 | |
Cai et al. | Multi-dimension CNN for hyperspectral image classificaton | |
Parameshachari et al. | Plant Disease Detection and Classification Using Transfer Learning Inception Technique |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |
|
RJ01 | Rejection of invention patent application after publication |