基於均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法
2023-10-08 19:40:34 1
專利名稱：基於均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法
技術領域：
本發明屬於圖像處理技術領域，涉及圖像分割和稀疏表示，用於高局部空域變化情境下的高光譜圖像分類。
背景技術：
高光譜遙感技術產生於20世紀80年代，結合了成像技術和光譜技術，可以在電磁波的紫外到近紅外的幾十至幾百個很窄的連續波段上獲取感興趣地面物體的輻射特性，是對地觀測的重要前沿技術。與傳統的光譜成像技術相比，高光譜遙感不僅波段數和解析度更高，而且波段幾乎是連續的，可以為每個像元產生一條連續的光譜曲線，其獲取的圖像包含了空間、輻射，和光譜三重信息，具有圖譜合一的特點。目前，許多國家先後研製了高光譜遙感系統，如美國國家宇航局NASA的AVIRIS、EO-1 HYPERION、加拿大的螢光線成像光譜儀FL1、德國的R0SIS-10、R0SIS-22、澳大利亞的HyMap、加拿大ITRES公司的CAS1、SAS1、我國的0MIS、PHI。常用的高光譜圖像數據包括由美國國家宇航局的AVIRIS獲取的Indian Pine數據集、Kennedy Space Center數據集，以及EO-1 HYPERION光譜儀獲取的Botswana數據集等。高光譜遙感已經廣泛應用於天氣預報、環境監測、災害評估、精細農業、地質調查、軍事偵察等許多領域。地物分類的任務是確定感興趣地面物體的所屬地物類別，它是高光譜遙感最重要的應用之一，是許多相關應用的基礎。對於特定的波長，不同的物質具有不同的電磁輻射特性，高光譜能夠捕獲從可見光到近紅外區域的連續光譜信息，因而提供了分類不同地物的重要區分信息。隨著空域和譜域解析度的提高，高光譜圖像為分類提供了更加豐富信息的同時，也帶來了巨大的挑戰:高局部空域變化。局部空域變化會降低高光譜數據的可分性，從而降低分類性能。對於理想的高光譜分類算法，應該能有效利用高解析度高光譜圖像提供的區分信息，同時對於空域局部變化具有一定的魯棒性。為了處理高光譜圖像的空域變化問題，許多方法已經被提出。基於核的方法，如SVM,已被證明對於高光譜圖像的空域變化具有一定的魯棒性。另一種更有效的方法是空譜域分類方法，大致可以劃分為:特徵提取和後處理這兩類。其中第一類是假設局部空域變化存在，然後，從像素的空域近鄰提取某種變化特徵如紋理，與原始的光譜特徵放在一起用於後續的高光譜圖像分類；第二類是假設在局部空域內高光譜圖像是同質的，首先執行圖像過分割和基於像素的分類，然後使用後處理方法結合過分割圖像和基於像素的分類結果。特徵提取類方法的性能往往取決於特徵提取的好壞，而且高光譜圖像具有較高的特徵維數，結合提取的特徵和原始的光譜特徵，會進一步增加特徵維數，從而增加計算的複雜度，並加劇維數災難效應；後處理方法的性能則受到圖像過分割的質量和基於像素點的分類精度的限制，而且基於像素的分類只利用了原始的光譜特徵，從而制約了分類性能的提聞
發明內容
本發明的目的在於同時利用高光譜圖像的稀疏特性和空域上下文信息，提出一種基於均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法，以在高光譜圖像具有高局部空域變化的情景下提高分類性能。本發明的技術思路是，使用均值漂移算法mean-shift對高光譜圖像作過分割，利用組稀疏編碼學習稀疏和對空域變化魯棒的稀疏表示係數，利用得到的稀疏表示係數作為輸入特徵構造分類器分類高光譜圖像。其實現步驟包括如下:(I)輸入一幅高光譜圖像I，其中包含c個類別共N個像素點，高光譜圖像I的每一個像素點為一個樣本，這N個樣本中，有I個樣本有標記,剩下的m個樣本無標記，每個樣本用其波段特徵構成的特徵向量表示，即高光譜圖像I中的所有樣本記作:X =[X1, X2,...，Xi,...xN], Xi e Rd，I彡i彡N,其中，d為高光譜圖像I的波段數，Xi表示高光譜圖像I的第i個樣本，Rd表示d維實數向量空間；(2)對高光譜圖像I進行過分割，得到高光譜圖像I中所有像素的塊標U ;(3)使用高光譜圖像I中所有像素的塊標U，計算高光譜樣本X的分組G ;(4)利用組稀疏編碼算法和高光譜樣本X的分組G，計算高光譜樣本X的稀疏編碼係數Z ;(5)利用高光譜樣本X和高光譜樣本X的稀疏編碼係數Z構造樣本集:5a)用高光譜樣本X中的所有有標記樣本，構成有標記樣本集Y,
5b)用高光譜樣本X中的所有無標記樣本，構成無標記樣本集I ≤ k ≤m ；5c)用高光譜樣本X中的所有有標記樣本的稀疏編碼係數，構成訓練集
={r/}爿；5d)用高光譜樣本X中的所有無標記樣本的稀疏編碼係數，構成測試集
7 .-1- fV".^ —!I J1-,*5e)將高光譜樣本X中的所有有標記樣本的類標集合記作:，={),/}: ι；其中，y/ e {1，2，...，c}表示高光譜樣本X中第j個有標記樣本的類標，c表示高光譜圖像I中包含像素點的類別數，χ/表示有標記樣本集X1中的第j個樣本，Xkt表示無標記樣本集Xt中的第k個樣本，ζ/表示有標記樣本集X1中的第j個樣本的稀疏編碼係數，Zkt表示高光譜樣本X中第k個無標記樣本的稀疏編碼係數；(6)利用支撐向量機SVM和訓練集Z1、測試集高光譜樣本X中所有有標記樣本的類標集合Y1對無標記樣本集Xt中的所有樣本進行分類，得到無標記樣本集Xt中所有樣
本的預測類標砍}:，,其中ζ噸2」..，4表示無標記樣本集Xt中第k個樣本的預測類標。本發明與現有的技術相比具有以下優點:1、本發明由於利用了高光譜圖像的稀疏特性，能夠較好的處理高光譜圖像的高維問題，降低維數災難效應。2、本發明由於利用了高光譜圖像的空域上下文信息，能夠學習對局部空域變化魯棒的數據表不，提聞分類的精度；對比實驗表明，本發明能有效處理高光譜數據的局部空域變化和維數災難效應，提高了高光譜圖像的分類準確率。
圖1是本發明的實現流程圖；圖2是本發明仿真採用的Indian Pine圖像；圖3是本發明與現有方法對Indian Pine圖像分類的視覺效果圖。
具體實施例方式參照圖1，本發明的具體實施步驟包括:步驟1，輸入一幅高光譜圖像I，其中包含c個類別共N個像素點，高光譜圖像I的每一個像素點為一個樣本，從每類樣本中隨機選取等量的樣本作為有標記樣本，I表示有標記樣本的個數，剩下的m個樣本無標記，每個樣本用其波段特徵構成的特徵向量表示，即高光譜圖像I中的所有樣本記作:X = [X1, x2,..., Xi,...xN], Xi e Rd, I ^ i ^ N,其中，d為高光譜圖像I的波段數，Xi表示高光譜圖像I的第i個樣本，Rd表示d維實數向量空間；步驟2，對高光譜圖像I進行過分割，得到高光譜圖像I中所有像素的塊標U。過分割的方法有很多，並且已經成熟，可採用均值漂移算法mean-shift、分水嶺算法watershed、水平集算法level set、基於圖的分割算法graph-based segmentation、圖切算法 graph cuts、劃分聚類算法 patitional clustering 等；本實例採用但不局限於均值漂移算法mean-shift，利用該算法對高光譜圖像I進行過分割的實現過程如下:2a)使用非負矩陣分解NMF按如下步驟對高光譜樣本X進行降維:2al)輸入高光譜樣本X和NMF降維的目標維數d'；2a2)求解如下優化問題:
權利要求
1.一種基於均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法，包括如下步驟: (1)輸入一幅高光譜圖像I，其中包含C個類別共N個像素點，高光譜圖像I的每一個像素點為一個樣本，這N個樣本中，有I個樣本有標記，剩下的m個樣本無標記，每個樣本用其波段特徵構成的特徵向量表示，即高光譜圖像I中的所有樣本記作:X =[X1, X2,...，Xi,...xN], Xi e Rd，I彡i彡N,其中，d為高光譜圖像I的波段數，Xi表示高光譜圖像I的第i個樣本，Rd表示d維實數向量空間； (2)對高光譜圖像I進行過分割，得到高光譜圖像I中所有像素的塊標U； (3)使用高光譜圖像I中所有像素的塊標U，計算高光譜樣本X的分組G； (4)利用組稀疏編碼算法和高光譜樣本X的分組G，計算高光譜樣本X的稀疏編碼係數Z ； (5)利用高光譜樣本X和高光譜樣本X的稀疏編碼係數Z構造樣本集: 5a)用高光譜樣本X中的所有有標記樣本，構成有標記樣本集={x/}:=1 I ^ j ^ I ； 5b)用高光譜樣本X中的所有無標記樣本，構成無標記樣本集={x/}J=1，l^k^m； 5c)用高光譜樣本X中的所有有標記樣本的稀疏編碼係數，構成訓練集Z 5d)用高光譜樣本X中的所有無標記樣本的稀疏編碼係數，構成測試集 Se)將高光譜樣本X中的所有有標記樣本的類標集合記作:P = {樣,; 其中，y/ e {I, 2,, c}表示高光譜樣本X中第j個有標記樣本的類標，C表示高光譜圖像I中包含像素的類別數，χ/表示有標記樣本集X1中的第j個樣本，V表示無標記樣本集Xt中的第k個樣本，Zj1表示有標記樣本集X1中的第j個樣本的稀疏編碼係數，zj表示高光譜樣本X中第k個無標記樣本的稀疏編碼係數； (6)利用支撐向量機SVM和訓練集Z1、測試集高光譜樣本X中所有有標記樣本的類標集合Y1對無標記樣本集Xt中的所有樣本進行分類，得到無標記樣本集Xt中所有樣本的預測類標f，其中 efl,2,...,c|表示無標記樣本集Xt中第k個樣本的預測類標。
2.根據權利要求1所述的方法，其中步驟(3)所述的計算高光譜樣本X的分組G，按如下公式計算: 其中，Ig表示高光譜樣本X中第g組的樣本索引的集合，該集合等於Irlu1^ = g，r =I,2,..., N},ur表示高光譜圖像I中第r個像素的塊標，該塊標等於高光譜圖像I中所有像素的塊標U的第r個元素，η表示高光譜圖像I分塊的總塊數。
3.根據權利要求1所述的方法，其中步驟(3)所述的利用組稀疏編碼算法和高光譜樣本X的分組G，計算高光譜樣本X的稀疏編碼係數Ζ，按如下步驟進行: 3.1)輸入高光譜樣本X、高光譜樣本X的分組G，稀疏度參數λ，原子正則化參數γ，組稀疏編碼算法要求解的字典D的原子個數ε和最大迭代次數Μ;.3.2)初始化組稀疏編碼算法要求解的字典D為dX ε維的高斯隨機矩陣，初始化高光譜樣本X的稀疏編碼係數Z為ε XN維的全O矩陣，初始化當前迭代次數h = O;.3.3)將高光譜樣本X的稀疏編碼係數Z更新為〗，其中，Zg表示高光譜樣本χ的第g組樣本的稀疏編碼係數，該稀疏編碼係數等於，zw表示高光譜樣本X的第g組的稀疏編碼係數的第W行，通過求解如下更新稀疏編碼係數的優化公式:
全文摘要
本發明公開了一種基於均值漂移和組稀疏編碼的高光譜圖像空譜域分類方法，主要解決現有方法對高光譜圖像分類正確率低和魯棒性差的問題。其實現步驟輸入一幅高光譜圖像，並用特徵向量表示高光譜樣本；在高光譜樣本中隨機選取有標記樣本，並對高光譜圖像作過分割；根據對高光譜圖像的分割結果，對高光譜樣本進行分組；利用組稀疏編碼對分組後的高光譜樣本進行稀疏編碼；使用高光譜樣本和高光譜樣本的稀疏編碼係數構造樣本集；利用支撐矢量機和構造的樣本集對高光譜樣本進行分類。本發明充分利用了高光譜圖像的稀疏特性和空域上下文信息，能夠獲得較高的分類正確率，可用於精細農業，地質調研，軍事偵察等領域。
文檔編號G06K9/62GK103208011SQ201310161280
公開日2013年7月17日 申請日期2013年5月5日 優先權日2013年5月5日
發明者張向榮, 焦李成, 翁鵬, 楊淑媛, 侯彪, 王爽, 馬文萍, 吳家驥 申請人:西安電子科技大學