基於分層概率模型的高光譜圖像分類方法
2023-05-09 15:27:56 2
基於分層概率模型的高光譜圖像分類方法
【專利摘要】本發明公開了一種基於分層概率模型的高光譜圖像分類方法，它屬於圖像處理【技術領域】。其分類過程為：對高光譜圖像做預處理，得到特徵圖像數據。在特徵圖像數據中選出有專家標籤標註的數據，用來訓練分層概率模型。再由特徵圖像數據根據專家標籤分出訓練數據和測試數據，再投影到之前訓練好的分層概率模型中，獲得訓練數據和測試數據的新的特徵表示；最後使用支撐向量機做有監督分類得到分類結果。本發明具有相比原始高光譜數據直接做支撐向量機分類獲得更高分類精度和更勻質分類區域的優點，可用於高光譜圖像分類。
【專利說明】基於分層概率模型的高光譜圖像分類方法
【技術領域】
[0001]本發明屬於圖像處理領域，是一種高光譜圖像分類的方法。
【背景技術】
[0002]高光譜遙感圖像的發展得益於成像光譜技術的發展與成熟。通過搭載在不同空間平臺上的高光譜傳感器，即成像光譜儀，在電磁波譜的紫外、可見光、近紅外和中紅外區域，以數十至數百個連續且細分的光譜波段對目標區域同時成像。在獲得地表圖像信息的同時，也獲得其光譜信息，做到了光譜與圖像的結合。目前，一般將波長間隔1nm以下，波段數36個以上的遙感系統定義為高光譜遙感。
[0003]高光譜圖像的最大特點是將成像技術與光譜探測技術結合，在對目標的空間特徵成像的同時，對每個空間像元經過色散形成幾十個乃至幾百個窄波段以進行連續的光譜覆蓋。這樣形成的數據可以用「三維數據塊」來形象地描述。與多光譜遙感影像相比，高光譜影像在信息豐富程度方面有了極大的提高，因此在處理技術方面，為對高光譜數據進行更為合理、有效的分析處理提供了可能。因而，高光譜圖像技術所具有的影響及發展潛力，是以往技術的各個發展階段所不可比擬的，不僅引起了遙感界的關注，同時也引起了其它領域(如醫學、農學等)的極大興趣。
[0004]高光譜遙感圖像是一種三維立體圖像，包含了地物的空間信息和光譜信息。高光譜圖像最重要的特點是譜分辨力的提高，因此其數據量很大，包含的信息多，有很多實際的應用。可是大數據帶來的運算負擔是個問題，影響了實際應用，給圖像進一步處理帶來了困難，所以要考慮降維處理。
[0005]對高光譜圖像進行降維可以分為光譜域(譜域)上的降維和空間域(空域)上的降維。在光譜域上的降維處理，就是對每個像素的對應的光譜向量降維，降低的是波段長度。在空間域上的降維處理，就是對每個波段的圖像降維，縮小的是每個波段圖像的大小。
[0006]降維方式主要分兩種:1、特徵選擇，主要是運用一些方法從大數據中選擇出感興趣的數據。2、特徵提取，主要是進行數學變換，如主成分分析法。現在的降維技術主要關注於第二種降維方法，即數學變換的方法。主要有三種:principal componentanalysis (PCA), maximum noise fract1n (MNF) transform, random project1n-baseddimens1nality reduct1n也就是random project1n(RP) ?光譜域上的數據降維方法現在比較流行，最近的論文都有出現。
[0007]如果考慮將降維處理應用於高光譜圖像處理的話，我們一般可以得到以下三步通用的處理步驟。
[0008]一、高光譜圖像數據的降維處理可以從譜域降維，也可以空域和譜域綜合處理。
[0009]二、降維後，在低維空間上提取出所需的特徵。此時也可以結合不同空間上的信息得到綜合特徵，例如空域和譜域的信息的特徵結合。
[0010]三、構造算法對上步得到的特徵進行分類分割、目標檢測等操作。
[0011]高光譜遙感的一個主要應用是高光譜圖像的地物分類。之前一段時間高光譜圖像地物分類主要關注於只依靠譜域的特徵信息來進行分類，但這損失了圖像域，也就是空間域上圖形結構或鄰近關係的信息。這就沒有充分使用高光譜圖像所提供的信息。最近的文獻表明，高光譜圖像的地物分類關注於譜域和空域信息的綜合提取，也稱為空-譜聯合。所探討的各種分類方法也都是聯合了譜域和空域的信息。
[0012]以下列舉了近年來比較熱門的幾種空-譜聯合的高光譜圖像地物分類方法。
[0013]方法一:使用數學形態學處理提取圖像空間特徵信息。相關的算法有Morphological Profile、the extended morphological profile (EMP)、MorphologicalNeighborhood。其中EMP方法包含了空域和譜域的信息，可以直接作為分類器的輸入進行分類。如果想進一步聯合譜域的信息，最簡單的方法是對每一個像素將其從圖像空間域提取出的特徵(這裡是用形態學的方法)與原始高光譜數據譜域信息向量堆疊成一個特徵向量來表徵此像素的新的特徵向量。這個特徵向量也可作為分類器的輸入。Feature Fus1n和Composite Kernel的方法也可以用來聯合空域-譜域信息。我們一般用支撐向量機SVM分類器來進行分類。
[0014]方法二:進行圖像分割提取圖像空間信息。比如基於空域信息的分割算法watershed分水嶺算法、基於光譜域上信息的分割算法expectat1n - maximizat1n (EM)algorithm、聯合空域和譜域信息的分割算法hierarchical segmentat1n (HSeg)分層分害U。同時由SVM pixel-wise classifier (SVM逐點像素分類器,此分類方法只用到了高光譜數據原始的譜域信息作為分類所依據的特徵)獲得高光譜圖像僅由光譜域信息得到的分類結果。最後使用決策融合方法，例如Majority Voting(最大投票)來聯合圖像分割分類結果和僅由譜信息分類結果來得到最終的分類。
[0015]方法三:基於上面兩種方法，同時使用多種高光譜分類方法，組成一個多分類器系統，把各個方法的分類結果做一個融合，得到最終的分類結果。
[0016]近年來，隨著智能系統的快速發展，計算機視覺領域越來越受到重視。計算機視覺的最終研究目標就是使計算機能像人那樣通過視覺觀察和理解世界，具有自主適應環境的能力。因此對人類視覺處理機制的研究將給計算機視覺的研究提供啟發和指導。同時計算機視覺領域中，一些基於機器學習的方法也有參考部分生物機制。KarKlin藉助於人類視覺系統的一些先驗知識，提出了分層概率模型來近似模擬人類的視覺系統，參見Emergenceof complex cell properties by learning to generalize in natural scenes, Nature457，83-86 (I January 2009) do1:10.1038/nature07481。這個模型與傳統模型，如 I CA、稀疏編碼等，最大的不同點在於它建模的是圖像的結構信息，而不是圖像的亮度信息，這樣更符合了視覺系統表現出來的一些特徵。
【發明內容】
[0017]本發明的目的有別於上述提及的各種使用數字圖像處理進行高光譜圖像的分類方法，提出一種基於分層概率模型的高光譜圖像分類方法，是一種有監督的分類方法。
[0018]實現本發明目的的技術方案是:先對高光譜圖像做預處理構造每個坐標點的初始特徵向量，使用高效新穎的分層概率模型建模，充分挖掘特徵向量中的信息，最後使用建模好的分層概率模型下的新特徵表示來進行有監督分類。實驗證明了本發明可以有效地用於高光譜圖像的分類。其具體實現過程如下:
[0019](I)對待分類的原始高光譜圖像進行譜域降維；
[0020](2)對降維後的19個譜段的每個譜段，每個譜段就是一幅圖像，對每個譜段圖像做相同數量的形態學開關操作，採用半徑大小逐一增大的圓形形態學結構元素來做形態學處理,得到所有坐標點的特徵向量；
[0021](3)將19個譜段的每個譜段圖像進行形態學處理後，得到的所有坐標點的特徵向量與每個譜段圖像本身的所有坐標點的特徵向量堆疊在一起得到所有坐標點的特徵向量;
[0022](4)在步驟三中得到的所有的坐標點的特徵向量中選出在標準分類圖中有專家標籤標註的坐標點的特徵向量，對選出的所有特徵向量，做歸一化處理，也就是均值取零，方差取I ;
[0023](5)使用步驟四中歸一化處理後的特徵向量訓練分層概率模型，得到訓練後的分層概率模型；
[0024](6)由步驟四得到的歸一化處理後的特徵向量，依據標準分類圖，對每一類隨機選出10%的數據，也就是對每一類有專家標籤標註的所有坐標點隨機選出10%的坐標點,將其對應的特徵向量作為訓練數據，剩餘的作為測試數據；
[0025](7)將步驟六得到的訓練數據和測試數據投影到經過步驟五訓練好的分層概率模型中，獲得訓練數據和測試數據在分層概率模型這個新空間下的新的特徵表示；
[0026](8)使用分層概率模型下訓練數據新的特徵表示訓練支撐向量機，再使用訓練好的支撐向量機對分層概率模型下測試數據的新的特徵表示做有監督分類。
[0027]本發明將分層概率模型編碼圖像結構信息移植到對高光譜圖像特徵向量的結構信息建模。首先提取高光譜圖像中每個坐標點的特徵向量，利用分層概率模型對每個坐標點的特徵向量進行建模，充分挖掘高光譜數據中每個坐標點的特徵向量的結構信息，得到每個坐標點在分層概率模型下新的特徵表示，最後使用這些新的特徵表示來做有監督分類。實驗結果證明相比較僅利用原始譜域信息的分類結果，分層概率模型下的高光譜數據新空間的特徵表示能獲取更好的分類結果，並且能得到更均勻的分類區域。本發明與現有的技術相比具有以下優點:
[0028]1、本發明相比於以往的對高光譜數據提取特徵的方法不同，結合了一個結構信息編碼的模型，將從高光譜數據提取的初步特徵向量建模分層概率模型，充分挖掘每個坐標點對應特徵向量的潛在信息；
[0029]2、本發明對原始的高光譜數據做了一個主分量分析降維和形態學開關的預處理工作，使得不同類別的坐標點的特徵向量的結構特徵更顯著，使其更適合於分層概率模型的建模；
[0030]3、由於本發明使用了分層概率模型建模特徵向量，分層概率模型的引入類似於一個無監督的特徵提取過程。由於分層概率模型訓練比較複雜，因此輸入分層概率模型訓練的數據不能太大，所以本發明適合於那些數據總量較小的數據；
[0031]4、仿真結果表明，本發明方法比較直接使用原始的高光譜數據輸入支撐向量機分類能取得更高的分類精度和更均勻的分類區域。
【專利附圖】
【附圖說明】
[0032]圖1是本發明的流程示意圖；
[0033]圖2是高光譜圖像Indian_pines第170波段圖示；
[0034]圖3是高光譜圖像Indian_pines標準分類圖示；
[0035]圖4是分類用的訓練集圖示；
[0036]圖5是原始高光譜數據分類結果圖；
[0037]圖6是本發明的分類結果圖。
【具體實施方式】
[0038]參照圖1，本發明的具體實現步驟如下:
[0039]步驟一、對待分類的原始高光譜圖像進行譜域降維。
[0040]對待分類的原始高光譜圖像的數據進行譜域上的降維處理，選擇最常用的主分量分析降維方法，提取譜域上的主要信息。假如原始高光譜圖像數據有200個譜段，優選地，將待分類的原始高光譜圖像的數據通過主分量分析進行數學變換降維為19個譜段。
[0041]步驟二、對降維後的19個譜段的每個譜段，每個譜段就是一幅圖像，對每個譜段圖像做相同數量的形態學開關操作，採用半徑大小逐一增大的圓形形態學結構元素來做形態學處理，得到所有坐標點的特徵向量。
[0042]步驟三、將19個譜段的每個譜段圖像進行形態學處理後得到的所有坐標點的特徵向量與每個譜段圖像本身的所有坐標點的特徵向量堆疊在一起得到所有坐標點的特徵向量。
[0043]優選地:
[0044]假設待分類的原始高光譜圖像的數據通過主分量分析降維為k維，也就是降維為k個譜段，因此對坐標為(x，y)的像素點，主分量分析降維後有k個特徵值；經過步驟二的形態學開關操作，k個特徵值中的每個特徵值經過形態學變換又產生出m個開操作產生的特徵值，和m個關操作產生的特徵值。m表示在k個譜段中每個譜段做了 m次形態學開和m次形態學關操作，所採用的圓形形態學結構元素的半徑大小是由2逐一遞增到m+1。假設坐標U，y)在步驟一主分量分析降維為19個譜段中的第i個譜段(i e [1..19])的特徵值為Fi (x, y)，將Fi (x, y)與與其對應的m個開操作結果值和m個關操作結果值組成第i個譜段的特徵向量:
[0045]Ii = [0i； m+1 (x, y), 0i；m(x, y),..., 0i；3(x, y), 0i；2(x, y), FiU, y), Ci；2(x, y), Ci；3(x, y)
,...,Ci；m(x, y), Ci；m+1 (x, y)] (I)
[0046]Oi, j (x, y)表示第i譜段半徑為j的形態學開操作結果值，Cu (x，y)表示第i譜段半徑為j的形態學關操作結果值，Ii向量大小為2m+l。因為第一步主分量分析降維譜域為k個譜段，因此有k個Ii;i = l，2，...k。將所有第i個譜段(共k個)特徵向量堆疊起來，便得到坐標(x，y)最終的特徵向量[I1, 12，…，Ik]，其大小為(2m+l)*k。每個坐標點都用同樣的方法構成其特徵向量。實驗時使用半徑大小為2、3、4、5、6、7、8、9、10的圓形結構元素對降維後的每個譜段圖像做形態學的開和關的操作，加上不做形態學處理的特徵值，此時每個譜段上每個坐標點的特徵就變為維度為19的特徵向量。在將降維後所有譜段做同樣的操作，此時每個坐標點的特徵向量即每個坐標點在降維後所有譜段上的特徵向量的大小為 19*19 = 361 維。
[0047]步驟四、在步驟三中得到的所有的坐標點的特徵向量中選出在標準分類圖中有專家標籤標註的坐標點的特徵向量，對選出的所有特徵向量，做歸一化處理，也就是均值取零，方差取I。
[0048]步驟五、使用步驟四中歸一化處理後的特徵向量訓練分層概率模型，得到訓練後的分層概率模型。
[0049]將步驟四中歸一化處理後的特徵向量輸入到分層概率模型，調整分層概率模型中的參數，也就是訓練出分層概率模型中的參數。
[0050]對輸入的步驟四中歸一化處理後的特徵向量做相同的處理。具體而言:每次輸入一個有專家標籤標註的坐標點的特徵向量X，該特徵向量已經過步驟四的處理。分層概率模型假設輸入的特徵向量X滿足零均值的多維高斯分布，在分層概率模型中協方差部分記為C，分層概率模型中參數y即為特徵向量X在該分層概率模型下的輸出向量，也就是新的特徵表示:
[0051 ] ★ I >■) = "(，C) = ^πγη^?2 exp[~( 2 )
[0052]P (x I y)表示特徵向量X在分層概率模型下的概率值大小，概率值越大表示該分層概率模型和輸入的特徵向量X的信息越符合，y即為特徵向量X在該分層概率模型下的新的特徵表示。N(0，C)即為多維高斯分布的簡寫。
[0053]其中，分層概率模型對多維高斯分布的協方差部分C建模:
[0054]log C = Σ.'VU抽，(3)
[0055]模型含有參數{b，w}，bT表示b的轉置，公式(3)中的y也就是公式⑵中的y。模型中的參數b是分層概率模型自身擁有的特徵向量，而w是b和輸出向量y的連接權重，表示b由w加權得到的值乘上輸出向量y就得到了協方差部分的值logC。訓練分層概率模型其實也就是調整b和w的值，使得輸入的X能得到最大的P (x I y)值，在得到最大的P (x I y)的值的同時也得到X在分層概率模型下的輸出向量1，也就是新的特徵向量I。
[0056]在實驗中，我們使用所有有專家標籤標註的坐標點的經過步驟四處理後的特徵向量來訓練分層概率模型中的參數。採用最大似然方法與梯度上升結合的方法來做參數估計。一旦分層概率模型參數確定下來，在分層概率模型中輸入X，便求出y，y即為輸入X在分層概率模型下新的特徵表示。
[0057]步驟六、在步驟四得到的歸一化處理後的特徵向量中，依據標準分類圖，從每一類隨機選出10%的數據，也就是對每一類有專家標籤標註的所有坐標點隨機選出10%的坐標點，將其對應的特徵向量作為訓練數據，剩餘的作為測試數據。
[0058]步驟七、計算訓練數據和測試數據在分層概率模型中的新的特徵表示。
[0059]將步驟六得到的訓練數據和測試數據投影到經過步驟五訓練好的分層概率模型中，獲得訓練數據和測試數據在分層概率模型這個新空間下的新的特徵表示。
[0060]步驟八、使用分層概率模型下訓練數據新的特徵表示訓練支撐向量機，再使用訓練好的支撐向量機對分層概率模型下測試數據的新的特徵表示做有監督分類。
[0061]因為經過步驟七得到的測試數據中的每個特徵向量都是一個有專家標籤標註的坐標點對應的特徵向量，本來就有專家標籤標註好的類別，將其與通過支撐向量機分類結果給的分類類別做比較，觀察其是否相同，相同表示分類正確，否則分類錯誤。實驗統計了分層概率模型下測試數據的新的特徵表示中所有特徵向量的總體分類正確率。總體分類正確率等於測試數據中被正確分類的特徵向量的數目除於測試數據中特徵向量的總數目。總體分類正確率越高表明分類結果越好，也就說明分類算法越好。通過實驗可以驗證基於分層概率模型的高光譜圖像分類算法，也就是本發明可以有效地應用於高光譜圖像分類。
[0062]本發明步驟一至五訓練出分層概率模型，在步驟六繼續使用步驟四得到的特徵向量選出訓練數據和測試數據，並不是使用原始的高光譜圖像來分出訓練數據和測試數據。步驟七求出步驟六得到的訓練數據和測試數據在訓練好的分層概率模型下的新的特徵表示。可以這麼說，步驟一到步驟七其實就是一個對待分類的原始高光譜圖像提特徵的過程，經過步驟一到步驟七，得到訓練數據和測試數據的特徵表示，最後步驟八用支撐向量機分類。分類結果可以驗證本發明(步驟一到步驟八)提出的算法確實能精確地對高光譜圖像做分類。
[0063]在實際應用中，因為本發明提出的算法是一個有監督的方法，所以對實際應用中所要進行分類的高光譜圖像的本身就應該有一些坐標點是已經標註好類別標籤的。我們將本發明應用於這種本身就有一些坐標點已經有類別標籤的高光譜圖像。
[0064]應用本發明的步驟一至三，先得到待分類的高光譜圖像原本就有類別標籤的坐標點的特徵向量和那些需要分類的，即原本沒有類別標籤的坐標點的特徵向量。接著同步驟四一樣將所有特徵向量做歸一化處理。
[0065]接著應用步驟五由歸一化後的原本就有類別標籤的坐標點的特徵向量和歸一化後的原本沒有類別標籤的坐標點的特徵向量訓練分層概率模型，得到訓練好的分層概率模型。
[0066]下一步就和步驟七相同，求出歸一化後的原本就有類別標籤的坐標點的特徵向量和歸一化後的原本沒有類別標籤的坐標點的特徵向量在訓練好的分層概率模型下的新的特徵表示。
[0067]最後使用歸一化後的原本就有類別標籤的坐標點的特徵向量在訓練好的分層概率模型下的新的特徵表示訓練支撐向量機，再使用訓練好的支撐向量機對分層概率模型下歸一化後的原本沒有類別標籤的坐標點的特徵向量的新的特徵表示做有監督分類，得到原本沒有類別標籤的坐標點的類別標籤。
[0068]概括說來，就是通過本發明提出的分類算法得到那些需要分類的，即原本沒有標註類別標籤的坐標點的類別，以此實現由分類算法自動標註那些原本沒有類別標籤的坐標點。
[0069]高光譜圖像分類就是在一幅高光譜圖像中，已有一些坐標點已知道類別，比如為I類或2類或3類。對剩餘的坐標點來做分類。本發明就是對剩餘的坐標點中的每一個坐標點通過算法來標註其是分為I類或是2類或是3類。
[0070]為了驗證提出的高光譜圖像分類算法是否有效，我們可以將提出的算法用於帶有標準分類圖的高光譜數據上做分類實驗。
[0071]在標準分類圖中並不是所有坐標點都有類別標籤，例如圖3，只有一部分坐標點有類別標籤。我們只用有類別標籤的那些坐標點來做分類實驗。對所有有類別標籤的坐標點裡選出一部分坐標點，作為訓練坐標點，訓練坐標點對應的特徵向量做為訓練數據，訓練坐標點的類別標籤就是訓練標籤。
[0072]所有有類別標籤的坐標點裡除訓練坐標點外剩餘的坐標點就是測試坐標點,測試坐標點對應的特徵向量做為測試數據。測試坐標點的類別標籤稱為測試標籤，測試標籤是確定的(因為測試坐標點就是從有類別標籤的坐標點裡選出的)。現在我們假設不知道測試坐標點的測試標籤，想要由分類算法預測出測試坐標點的類別標籤，分類算法預測出來的類別標籤稱為預測標籤。
[0073]分類算法就是通過訓練坐標點的訓練標籤和訓練數據還有測試坐標點的測試數據，通過分類算法求出測試坐標點的預測標籤。預測標籤和測試標籤越一致，表明測試坐標點中越多的坐標點被賦予正確的類別標籤，就說明分類算法性能越好。
[0074]本發明的效果可通過以下仿真進一步說明:
[0075]I仿真內容:應用本發明方法和原始高光譜數據直接用支撐向量機分類方法分別對高光譜圖像Indian_pines進行有監督分類實驗，從有標籤數據中選出10%的點做訓練集，剩餘90%的點做測試集，比較各自算法對測試集的分類結果，從分類正確率和對分類結果圖的視覺結果上評價這些方法的各自性能。
[0076]2仿真實驗結果
[0077]高光譜圖像Indian_pines的實驗結果
[0078]用本方法以及使用原始高光譜數據直接用支撐向量機分類方法對16類地物Indian_pines圖像進行分類,其效果比較如圖所示。其中圖2為16類地物的Indian_pines第170波段圖像，該高光譜圖像地物信息較為均勻；圖3為Indian_pines圖像的專家分類標籤圖；圖4為從有標籤點中隨機選出10%作為訓練集的訓練集圖示；圖5為使用原始的高光譜數據用支撐向量機分類的結果；圖6為本發明方法對Indian_pines圖像進行分類得到的結果。對測試集的分類結果進行統計，圖5中測試集的總體分類正確率為77.8043%,圖6即本發明方法對測試集的總體分類正確率為88.5333%。由圖5及圖6可見，直接用原始高光譜數據分類結果區域內雜點很多，分類精度不高，而本發明的區域一致性較好，並且分類精度得到了較大的提高。
【權利要求】
1.一種基於分層概率模型的高光譜圖像分類方法，包括如下步驟: 步驟1，對待分類的原始高光譜圖像進行譜域降維； 步驟2，對降維後的每個譜段圖像做相同數量的形態學開關操作，採用半徑大小逐一增大的圓形形態學結構元素來做形態學處理，得到所有坐標點的特徵向量； 步驟3，將步驟2得到的所有坐標點的特徵向量與每個譜段圖像本身的所有坐標點的特徵向量堆疊在一起得到新的所有坐標點的特徵向量； 步驟4，在步驟3中得到的新的所有坐標點的特徵向量中選出在標準分類圖中有專家標籤標註的坐標點的特徵向量，對選出的所有特徵向量，做歸一化處理，也就是均值取零，方差取1，得到歸一化處理後的特徵向量； 步驟5，使用步驟4中得到的歸一化處理後的特徵向量訓練分層概率模型，得到訓練後的分層概率模型； 步驟6，由步驟4得到的歸一化處理後的特徵向量，依據標準分類圖，對標準分類圖中每一類隨機選出10%的數據，也就是對每一類有專家標籤標註的所有坐標點隨機選出10%的坐標點，將其對應的特徵向量作為訓練數據，剩餘的作為測試數據； 步驟7，將步驟6得到的訓練數據和測試數據投影到經過步驟5訓練好的分層概率模型中，獲得訓練數據和測試數據在分層概率模型這個新空間下的新的特徵表示； 步驟8，使用分層概率模型下訓練數據新的特徵表示訓練支撐向量機，再使用訓練好的支撐向量機對分層概率模型下測試數據的新的特徵表示做有監督分類。
2.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中步驟1對待分類的原始高光譜圖像進行譜域降維，採用主分量分析降維的方法，提取譜域上的主要信肩、Ο
3.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中，對待分類的原始高光譜圖像進行譜域降維,將待分類的原始高光譜圖像降維為19個譜段。
4.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中步驟5包括如下步驟: 將步驟4中歸一化處理後的特徵向量輸入到分層概率模型，調整分層概率模型中的參數，也就是訓練出分層概率模型中的參數，用最大似然方法與梯度上升結合的方法來做參數估計； 一旦分層概率模型參數確定下來，在分層概率模型中輸入X，便求出y，y即為輸入X在分層概率模型下新的特徵表示。
5.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中步驟5包括如下步驟: 對輸入的步驟4中歸一化處理後的特徵向量做相同的處理，即:每次輸入一個有專家標籤標註的坐標點的特徵向量X，該特徵向量已經過步驟4的處理； 分層概率模型假設輸入的特徵向量X滿足零均值的多維高斯分布，在分層概率模型中協方差部分記為C，分層概率模型中參數y即為特徵向量X在該分層概率模型下的輸出向量，也就是新的特徵表示:
1( 1Λ Ρ{χ I r) = Λ,(0.C) =-— exp -—χ! C 丨 χ( 2 )
；{2k)NI2\c\112 Λ 2 )、, ρ (χ I y)表示特徵向量X在分層概率模型下的概率值大小，概率值越大表示該分層概率模型和輸入的特徵向量χ的信息越符合，y即為特徵向量χ在該分層概率模型下的新的特徵表示，N(0，C)即為多維高斯分布的簡寫； 其中，分層概率模型對多維高斯分布的協方差部分C建模: logC = Σ ywbbT (3) 模型含有參數出，《}，1^表示13的轉置，公式(3)中的y也就是公式(2)中的y，模型中的參數b是分層概率模型自身擁有的特徵向量，而w是b和輸出向量y的連接權重，表示b由w加權得到的值乘上輸出向量y就得到了協方差部分的值logC ； 訓練分層概率模型其實也就是調整b和w的值，使得輸入的χ能得到最大的P(x | y)值，在得到最大的Ρ (χ I y)的值的同時也得到χ在分層概率模型下的輸出向量y，也就是新的特徵向量y。
6.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中步驟7包括如下步驟: 將步驟6得到的訓練數據和測試數據投影到由步驟5訓練出的分層概率模型中，採用最大似然方法與梯度上升法，獲得訓練數據和測試數據在分層概率模型這個新空間的新的特徵表示。
7.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中步驟8中的支撐向量機使用多項式核函數。
8.根據權利要求1所述的基於分層概率模型的高光譜圖像分類方法，其中步驟6從有專家標註的數據裡隨機選擇10%作為訓練數據，剩餘90%作為測試數據。
【文檔編號】G06K9/62GK104318252SQ201410609850
【公開日】2015年1月28日 申請日期:2014年11月2日 優先權日:2014年11月2日
【發明者】侯彪, 黃泰民, 王爽, 焦李成, 張向榮, 馬文萍 申請人:西安電子科技大學