一種光譜和空間信息結合的高光譜數據分類方法
2023-05-14 09:37:26 1
專利名稱：一種光譜和空間信息結合的高光譜數據分類方法
技術領域：
本發明涉及一種同時利用光譜和空間信息的高光譜數據分類方法，屬於 高光譜數據處理方法與應用技術領域，適用於高光譜數據無監督分類的理論 方法和應用技術研究。(二) 背景技術高光譜成像儀是一種新型的遙感載荷，其光譜具有緊密、連續的特點，可以同時記錄被測同 一地物的光i普和空間信息特徵，使本來在寬波段遙感中 不可能探測的物質在高光譜遙感中能被探測到。目標檢測與地物分類是高光 譜遙感數據應用的主要方向之一 ，該類技術的發展能夠大大推動高光譜數據 的應用，並不斷擴展高光譜數據的應用深度和廣度。數學形態學作為一種經典的非線性空間信息處理技術，目的在於分析像 元之間的空間關係。數學形態學是一門基於集合理論和拓樸、幾何概念的形 狀和結構的科學，目前，數學形態學已經成為圖像處理領域一個高效的方法， 並成為一個強有力的數學理論，其已經成功地應用到各種學科，如礦物學、 醫學診斷、計算機視覺、數字圖像處理和模式識別。數學形態學中兩個基本 的操作是腐蝕和膨脹，這兩個操作最初均是定義於二值圖像，但是目前已經 擴展到了灰度圖像中。在灰度數學形態學中，圖像被作為連續值集合處理。設/(x,力是輸入圖像，6(x,力是結構元素，且是子圖像函數。用結構元素6對圖像/進行的灰度膨脹和腐蝕分別定義如下formula see original document page 5其中，D,和D,，分別是/和6的定義域，(x-", (x + ", (y-/)和(;;+ /)必須在/的定義域內，而且^和,必須在6的定義域內。灰度形態學運算中最主要的任 務是如何在圖像中每個像素的鄰域內計算出最大或最小值，這與定義的結構 元素的大小和形狀密切相關。為了算法簡便，易實現， 一般只考慮符合凸函數的結構元素，通常設6為正方形且60力=0， O,0eDA。在灰度數學形態學中，將像素的數值大小作為排序關係進行最大或最小 灰度值的計算，而在高光譜圖像中，每個像素都是多維的，不能筒單直觀的 比較它們的大小。因此，將數學形態學擴展到高光譜圖像中最大的挑戰就是 定義一個合適的排序關係對w維向量空間中的元素進行排序，確定最大/最 小元素。目前，擴展數學形態學方法已經受到高光譜數據端元提取、數據降 維與分類等研究領域的關注。
發明內容本發明的目的是提出一種光譜和空間信息結合的高光譜數據分類方法， 它克服了現有地物無監督分類從數據光譜或空間或特徵信息的單一方面出 發進行地物分類等的不足，有效地抑制了背景影響，它是一種穩定性強、可 靠性高、精確度高的高光譜地物無監督分類方法。本發明的技術解決方案是 一種在目標與背景未知的情況下，同時利用 光譜和空間信息實現高光譜數據分類的方法。該方法主要是基於數學形態學 的理論，利用擴展膨脹和腐蝕操作，並通過計算形態離心率指數進行高光譜 數據的特徵提取，最後利用最小距離方法實現高光譜數據的分類。形態偏心 率指數是利用擴展膨脹和腐蝕的結果計算數據的正交投影散度，從而將地物 類型特徵提取出來，並且在本發明中為了避免由於形態學中結構元素的大小 對算法性能的限制，採用迭代的方法，改變結構元素的尺寸來實現。本發明 一種光譜和空間信息結合的高光譜數據分類方法，其步驟如下 (1 )高光譜數據的讀入；(2) 確定結構元素的最小尺寸；(3) 由擴展數學形態學膨脹和腐蝕操作計算每一個結構元素鄰域內的像元間差異性；(4) 由步驟(3)擴展膨脹和腐蝕結果計算得到形態離心率指數 (Morphological Eccentricity Index, MEI)值；(5) 上述步驟隨結構元素的尺寸增加不斷重複，直到達到結構元素的 最大尺寸；(6 )形態離心率指數M EI值在迭代過程中通過獲得的新的值不斷更新，最終的形態離心率指數MEI在迭代過程結束後產生； (7)由形態離心率指數MEI圖像實現數據的特徵提取，即產生地物類型信息，並通過最小距離分類器實現地物的精細分類。 其中，步驟(2)中所述的結構元素最小尺寸為3x3; 其中，步驟(3)所述的"由擴展數學形態學膨脹和腐蝕操作計算每一 個結構元素鄰域內的像元間差異性"，其擴展數學形態學膨脹和腐蝕操作定 義^口下formula see original document page 7arg—M"x， arg—M/"分別表示使得"達到最到和最小的像素向量；D是為了確 定根據目標與背景差異的多維向量的排序關係，引入的一個多維向量的度量 算子。該度量算子由結構元素內各個像素累加距離計算得到，定義如下 formula see original document page 7其中，血f是測量iV維向量的逐點線性距離。為了有效地利用高光語數據提 供的光譜和空間信息，本發明採用正交投影散度(Orthogonal Projection Divergence, OPD )計算該距離，考慮兩個vV維光譜信號...,%〗r, ~ =[ ,~2,..., ]7',則TV維光譜信號s,和^之間的正交投影散度OPD表示為formula see original document page 7《=/歸1(")乂，""'，並且/歸是NTN維的單位矩陣。因此，累加距離D能夠根據目標與背景的差異大小排序結構元素中的向 量。通過以上的分析表明，擴展到高光譜圖像的膨脹結果得到的是在結構元 素內與背景差異性較大的像元，腐蝕結果得到的是在結構元素內與背景相似 的像元。其中，步驟(4)中所述的"由步驟(3)擴展膨脹和腐蝕結果計算得到 形態離心率指數值"，其含義說明如下通過正交投影散度融合結構元素鄰 域內膨脹和腐蝕結果，計算得到形態離心率指數MEI,計算公式如下細/(jc,力=OP，(x，y)' e(x， y)] 其中，步驟(5)中結構元素的最大尺寸為9x9。其中，步驟(6)中所述的"形態離心率指數MEI值在迭代過程中通過 獲得的新的值不斷更新"，其含義說明如下設ME/,(x,力為第,'次迭代計算 得到的像元點(x,力的MEI值，M￡/,—,(x,力為第,'-l次迭代計算得到的(x,力的 M EI <直，更新準則為若ikffi/, (x,力< ikffi/,—, 0,力，則Affi/, (x,力=M￡/M (x,力。其中，步驟(7)中所述的"由形態離心率指數MEI圖像實現數據的特 徵提取，即產生地物類型信息，並通過最小距離分類器實現地物的精細分 類"，其含義說明如下其地物類型分類是利用最小距離方法在利用MEI 進行特徵提取的結果圖像上完成的。最小距離分類器是判別函數型分類器的 一種特例，是基於最小距離準則構建的分類器，其在計算上具有一定的優勢， 並且容易在計算機上實現。假設在特徵空間定義了 R個點，v,，、,…， 是類W,，W2,…,、的樣本模式，最小距離分類器將待分類模式x識別為其距離最近的樣本模式所在類別。最小距離分類器定義如下d(x) = wr o |vr _ x| = min |vs — x|1 s=l,...，r本發明與現有技術相比的優點在於克服了傳統高光譜數據無監督分類 方法從光譜/空間/特徵空間單一方面出發進行數據處理的局限，本方法同時 利用了高光譜數據提供的光譜和空間信息，實現了無監督情況下的地物類型精細分類。它具有以下的優點(1 )基於數學形態學的理論和光譜相似度 測量原理，同時利用了高光譜數據提供的光譜和空間信息，提高了算法的可 靠性；(2)通過擴展形態學膨脹和腐蝕操作實現目標與背景的差異性度量； (3)利用正交投影散度融合擴展膨脹和腐蝕結果，計算形態離心率指數， 實現了高光譜數據特徵提取，有效地抑制了背景等因素對特徵提取結果的影 響；(4)採用迭代的方法，改變結構元素的尺寸來克服由於形態學中結構 元素的大小對算法性能的限制。(四)
圖1為結構元素內擴展數學形態學操作結果，其中圖1 (a)為本發明的擴展膨脹操作結果；圖1 (b)為本發明的擴展腐蝕結果。 圖2 (a)為本發明的使用數據的地面信息參考圖像； 圖2 (b)為本發明方法的地物分類結果。 圖中符號說明如下b—結構元素；d—結構元素鄰域內的擴展膨脹結果； e—結構元素鄰域內的擴展腐蝕結果。C4一代表水稻；V2—代表紅薯；V13—代表香菜；W2—代表池塘； T6、 T7—代表不同品種的樹木。
具體實施方式
為了更好的說明本發明涉及的光譜和空間信息結合的高光譜數據分類 方法，利用PHI航空高光謙數據進行江蘇方麓茶場地區農作物精細分類。本 發明 一種光譜和空間信息結合的高光譜數據分類方法，具體實現步驟如下 (1 )高光譜數據的讀入讀入方麓茶場PHI高光譜數據；(2) 確定結構元素的最小尺寸根據數據和算法特點，結構元素最小尺寸為3x3;(3) 由擴展數學形態學膨脹和腐蝕操作計算每一個結構元素鄰域內的像元間差異性；為了實現更加可靠、穩定、精確的高光譜數據分類，本發明中的方法同 時利用了光譜和空間信息，由此引入了擴展數學形態學膨脹和腐蝕操作，定義如下formula see original document page 10其中，arg—M/x, arg—M'"分別表示使得"達到最到和最小的像素向量；Z)是 為了確定根據目標與背景差異的多維向量的排序關係，引入的 一 個多維向量 的度量算子。該度量算子由結構元素內各個像素累加距離計算得到，定義如 下formula see original document page 10其中，^,是測量w維向量的逐點線性距離。為了有效地利用高光譜數據提 供的光鐠和空間信息，本發明採用正交投影散度OPD計算該距離，考慮兩 個維光譜信號& =，&,...,]7', ~ = , ,...， f ,則iV維光譜信號a和、.之間的正交投影散度OPD表示為formula see original document page 10其中，《=/歸1"、)—'《，"U'，並且/歸是^N維的單位矩陣。因此，累加距離"能夠根據目標與背景的差異大小排序結構元素中的向 量。通過以上的分析表明，擴展到高光譜圖像的膨脹結果得到的是在結構元 素內與背景差異性較大的像元，腐蝕結果得到的是在結構元素內與背景相似 的像元，擴展數學形態學膨脹和腐蝕操作計算如圖1 (a)和圖1 (b)所示。 (4)由步驟(3)擴展膨脹和腐蝕結果計算得到形態離心率指數值； 為了克服利用單一膨脹或腐蝕操作人為引入的噪聲和背景影響，以及為 了定量化目標與背景之間的差異性，採用了形態離心率指數。通過正交投影散度融合結構元素鄰域內膨脹和腐蝕結果，計算得到形態離心率指數MEI，實現高光譜數據的特徵提取。formula see original document page 11(5)上述步驟隨結構元素的尺寸增加不斷重複，直到達到結構元素的 最大尺寸結構元素的最大尺寸選擇為9x9即能達到較好的分類效果；(6 )形態離心率指數MEI值在迭代過程中通過獲得的新的值不斷更新， 最終的形態離心率指數MEI在迭代過程結束後產生；設ME/,(x,力為第/次迭代計算得到的像元點(u)的MEI值，AffiK;c,力為 第Z-l次迭代計算得到的(x,力的MEI值，更新準則為若ME/,(x,y)〈 M￡/M(x,})， 則細/, (x, j;) = ikffi/,一 (x， _y)。(7)由形態離心率指數MEI圖像實現數據的特徵提取，即產生地物類型信息，並通過最小距離分類器實現地物的精細分類。地物類型分類是利用最小距離方法在利用MEI進行特徵提取的結果圖 像上完成的。最小距離分類器是判別函數型分類器的一種特例，是基於最小 距離準則構建的分類器，其在計算上具有一定的優勢，並且容易在計算機上 實現。假設在特徵空間定義了 R個點，、,^,..., 是類 ，2,...，、的樣本模式，最小距離分類器將待分類模式x識別為其距離最近的樣本模式所在類別。最小距離分類器定義如下formula see original document page 11通過本發明一種光譜和空間信息結合的高光譜數據分類方法，利用PHI 航空高光譜數據進行江蘇方麓茶場地區農作物精細分類，圖2 (a)給出了 數據的地面參考信息，其中，參考標識C4代表水稻，V2代表紅薯，V13 代表香菜，W2代表池塘，T6、 T7代表不同品種的樹木為背景。圖2(b) 給出了本發明涉及方法的非監督分類結果，實現了在未知任何地面信息的情 況下的高光語數據農作物精細分類。通過圖2 (a)與圖2 (b)的比較與分 析，可以看出本發明涉及方法的分類結果中不存在錯分類，分類精度較高。
權利要求
1、一種光譜和空間信息結合的高光譜數據分類方法，其特徵在於它包含以下步驟(1)高光譜數據的讀入；(2)確定結構元素的最小尺寸；(3)由擴展數學形態學膨脹和腐蝕操作計算每一個結構元素鄰域內的像元間差異性；(4)由步驟(3)擴展膨脹和腐蝕結果計算得到形態離心率指數值；(5)上述步驟隨結構元素的尺寸增加不斷重複，直到達到結構元素的最大尺寸；(6)形態離心率指數值在迭代過程中通過獲得的新的值不斷更新，最終的形態離心率指數在迭代過程結束後產生；(7)由形態離心率指數圖像實現數據的特徵提取，即產生地物類型信息，並通過最小距離分類器實現地物的精細分類。
2、 根據權利要求1所述的一種光語和空間信息結合的高光譜數據分類 方法，其特徵在於步驟(2)中所述的結構元素最小尺寸為3x3。
3、 根據權利要求1所述的一種光語和空間信息結合的高光譜數據分類 方法，其特徵在於步驟(3)中所述的"由擴展數學形態學膨脹和腐蝕操 作計算每一個結構元素鄰域內的像元間差異性"，其擴展數學形態學膨脹和 腐蝕操作如下formula see original document page 2 其中，arg一M/x， arg—M&分別表示使得"達到最到和最小的像素向量；D是為了確定根據目標與背景差異的多維向量的排序關係，引入的一個多維向量的度量算子；該度量算子由結構元素內各個像素累加距離計算得到，定義如 下其中，壺/是測量iV維向量的逐點線性距離；為了有效地利用高光譜數據提 供的光語和空間信息，本發明採用正交投影散度計算該距離，考慮兩個JV維 光譜信號s, ~ ,則W維光譜信號A和、之間的正交投影散度OPD表示為formula see original document page 3其中'《=H(")—'《'並且/歸是NTN維的單位矩陣。
4、 根據權利要求1所述的一種光譜和空間信息相結合的高光譜數據分 類方法，其特徵在於其步驟(4)中所述的"由步驟(3)擴展膨脹和腐蝕 結果計算得到形態離心率指數值"，其含義說明如下通過正交投影散度融 合結構元素鄰域內膨脹和腐蝕結果，計算得到形態離心率指數MEI，計算公 式為M五/(x，力^(9PZ)[c (x，少)'e(x,y)]。
5、 根據權利要求1所述的一種光譜和空間信息相結合的高光譜數據分 類方法，其特徵在於其步驟(5)中結構元素的最大尺寸為9x9。
6、 根據權利要求1所述的一種光譜和空間信息相結合的高光譜數據分 類方法，其特徵在於步驟(6)中所述的"形態離心率指數MEI值在迭代 過程中通過獲得的新的值不斷更新"，其含義說明如下設M五/,(x，力為第/次 迭代計算得到的像元點(x,力的MEI值，,(x,力為第i-l次迭代計算得到的 (x,力的M E M直，更一斤準則為若M￡7,0,力, y)。
7、 根據權利要求1所述的一種光譜和空間信息相結合的高光譜數據分 類方法，其特徵在於步驟(7)中所述的"由形態離心率指數MEI圖像實 現數據的特徵提取，即產生地物類型信息，並通過最小距離分類器實現地物的精細分類"，其含義說明如下其地物類型分類是利用最小距離方法在利 用M曰進行特徵提取的結果圖像上完成的；假設在特徵空間定義了 R個點， 、,^,..., 是類^,^，...，、的樣本模式，最小距離分類器將待分類模式x識別 為其距離最近的樣本模式所在類別，最小距離分類器定義為d(x) = wr |vr - x| = min |vs — x| 。
全文摘要
一種光譜和空間信息結合的高光譜數據分類方法，其步驟如下(1)高光譜數據讀入；(2)確定結構元素的最小尺寸；(3)由擴展數學形態學膨脹和腐蝕操作計算每一個結構元素鄰域內的像元間差異性；(4)由步驟(3)擴展膨脹和腐蝕結果計算得到形態離心率指數值；(5)上述步驟隨結構元素的尺寸增加不斷重複，直到達到結構元素的最大尺寸；(6)形態離心率指數MEI值在迭代過程中通過獲得的新的值不斷更新，最終的形態離心率指數MEI在迭代過程結束後產生；(7)由形態離心率指數MEI圖像實現數據的特徵提取，即產生地物類型信息，並通過最小距離分類器實現地物的精細分類。該方法是一種穩定性強、可靠性高、精確度高的高光譜地物無監督分類方法。
文檔編號G01J3/00GK101236106SQ20081005611
公開日2008年8月6日 申請日期2008年1月11日 優先權日2008年1月11日
發明者娜 李, 賈國瑞, 趙慧潔 申請人:北京航空航天大學