一种基于空间信息自适应处理的高光谱图像分类方法技术

本发明专利技术公开了一种基于空间信息自适应处理的高光谱图像分类方法，包括：采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果，将初分类结果作为光谱项并构建传统马尔科夫随机场模型；计算各像元的相对同质性指数，将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数，根据像元空间项权重系数的自适应调整，采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型，采用该自适应马尔可夫随机场模型对高光谱图像进行分类。该方法可以作为一种高光谱图像基于空间信息分类的有效手段，在高光谱图像地表精细分类等方面具有重要的应用价值。

A hyperspectral image classification method based on adaptive processing of spatial information

The invention discloses a hyperspectral image classification method based on adaptive processing of spatial information, which includes: using support vector machine model to process the spectral information of the original image to obtain the preliminary classification result, taking the preliminary classification result as the spectral item and constructing the traditional Markov random field model; calculating the relative homogeneity index of each pixel, adding the relative homogeneity index to the original According to the adaptive adjustment of the pixel spatial weight coefficient, the adaptive weight coefficient is used to replace the spatial weight constant coefficient in the traditional Markov random field model to build the adaptive Markov random field model, and the adaptive Markov random field model is used to classify hyperspectral images. This method can be used as an effective method of hyperspectral image classification based on spatial information, and has important application value in hyperspectral image surface fine classification.

【技术实现步骤摘要】
一种基于空间信息自适应处理的高光谱图像分类方法
本专利技术涉及遥感图像处理
，尤其涉及一种基于空间信息自适应处理的高光谱图像分类方法。
技术介绍
高光谱遥感是遥感科学的一项前沿技术手段，既成像又能测谱，其图像数据中包含了丰富的光谱和空间信息，为解决遥感科学中图像分类这一关键问题带来了新的机遇与挑战。高光谱图像分类的依据是光谱信息和空间信息，基于光谱特征的分类方法是将高光谱数据作为一种无序的信号集合进行分类。但实际上，高光谱图像的像元是二维空间中有序排列的特殊集合，其直接体现就是图像的空间特征。随着同类地物的光谱复杂性程度的增加，仅使用光谱信息已不能满足分类应用的需要。目前高光谱图像分类领域中，光谱-空间(谱空)结合的技术框架得到了普遍的认可，以及较为广泛的应用。这类技术方法通常是先对光谱信息进行分析，根据空间位置相邻的两个像元通常属于同种类别的假设，采用空间信息后处理的方式，利用空间相关性修正和调整谱信息分类的结果。这类方法中较为具有代表性的是马尔可夫随机场模型等，但这类方法通常是对像元的空间邻域信息无差别的进行使用，在面对边界等复杂地况时，往往会出现“过纠正”等问题，进而影响分类的效果和准确性。
技术实现思路
根据现有技术中针对高光谱图像在利用空间相关性信息进行分类时，容易出现“过纠正”的问题，本专利技术公开了一种基于空间信息自适应处理的高光谱图像分类方法，具体包括如下步骤：采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果，将初分类结果作为光谱项并构建传统马尔科夫随机场模型；计算各像元的相对同质性指数，将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数，根据像元空间项权重系数的自适应调整，对位于不同空间位置的像元采用不同的空间信息纠正力度去除同质性区域内部的噪声、保持图像的边缘细节；采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型，采用该自适应马尔可夫随机场模型对高光谱图像进行分类。进一步的，将相对同质性指数加入到传统马尔科夫随机场模型的空间项权重常系数中，即其中βi表示像元xi的自适应权重系数，β0为初始设定的权重常数，RHIi表示像元xi的相对同质性指数，vark表示xi的邻域决策类方差，是根据初分类结果，统计xi的邻域像元标记里，个数最多的类别方差确定。vari表示像元xi的局部方差。进一步的，所述自适应马尔可夫随机场模型的表达方式为：p(xi)＝ai(k)+βibi(k)(8)其中p(xi)表示像元xi的属于类别k的概率，ai(k)为光谱项，表示根据光谱信息判定xi属于类别k的概率；bi(k)为空间项，表示根据空间信息判定xi属于类别k的概率。由于采用了上述技术方案，本专利技术提供的一种基于空间信息自适应处理的高光谱图像分类方法，该方法基于空间位置上相邻的两个像元具有很大可能属于同种类别的假设，首先引入马尔可夫随机场模型，利用像元间的空间相关性，解决分类应用中同质性区域内部可能出现的“同物异谱”现象所带来的相关问题。重点引入相对同质性指数的概念，并以此定义空间项的自适应权重系数，解决在利用空间相关性处理边界等复杂地况时可能出现的“过纠正”问题，进而形成一套完整的基于空间信息自适应处理的高光谱图像分类方法，通过空间项权重系数的自适应调整，使得同质性区域内的噪声得到有效去除且边缘细节得到保持，同时带来分类效果的提升。该方法可以作为一种高光谱图像基于空间信息分类的有效手段，在高光谱图像地表精细分类等方面具有重要的应用价值。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，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为本专利技术提供的一种基于空间信息自适应处理的高光谱图像分类方法的流程示意图；图2为本专利技术中支持向量机原理示意图；图3为本专利技术中同质性区域空间信息自适应处理示意图；图4为本专利技术中边界区域空间信息自适应处理示意图；图5a-图5c为本专利技术中AVIRISIndianPines数据集以及分类结果示意图；图6a-图6c为本专利技术中ROSISUniversityofPavia数据集以及分类结果示意图；图7a-图7c为本专利技术中AVIRISSalinas数据集以及分类结果示意图。具体实施方式为使本专利技术的技术方案和优点更加清楚，下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚完整的描述：如图1所示的一种基于空间信息自适应处理的高光谱图像分类方法，具体包括如下步骤：假定一幅原始的高光谱图像记为其中d表示波段总数，N表示图像像元总数，X包含的地物总类别数记为K。步骤101：支持向量机对光谱信息初分类；具体来说，根据地面参考信息，随机选取一定数量的训练数据记为(x1,y1),...,(xn,yn)，其中是训练样本，yi∈{-1,1}表示类别索引变量，当像元xi属于类别k时，满足且其中c∈[1,K]且c≠k。支持向量机模型是一种线性二分类模型，它是根据一个带有类别标记的训练集合，通过学习一个最优分类面，不仅满足将两类训练样本分开，而且分类间隔最大，从而对数据按照类别进行划分。线性分类面函数定义为f(x)＝wTx+b，其中为系数，定义了偏移量。如附图3所示，两类样本的分类间隔可以表示为Margin＝2/||w||。因此，最优分类面的求解问题可以表示为约束优化问题：对于上式问题的求解，可以通过定义拉格朗日函数，并引入对偶理论简化约束条件，即Karush-Kuhn-Tucker(KKT)互补条件进行求解，获得系数，代入线性分类面函数得到支持向量机的目标函数形式为：其中0≤αj≤C为软间隔参数，sgn(·)表示符号函数，返回值为参数的正负。步骤102：构建马尔科夫随机场模型；具体来说，马尔科夫随机场模型可以抽象为一种概率模型，即：p(xi)＝ai(k)+βbi(k)(3)其中p(xi)表示像元xi的属于类别k的概率，ai(k)为光谱项，表示根据光谱信息判定xi属于类别k的概率，根据上述步骤中对于光谱信息的处理方式，采用Platt’s提出的后验概率形式，将支持向量机模型处理得到的初分类结果表示为后验概率分布形式：ai(k)＝-ln(1+exp[Af(xi)+B])(4)其中A和B为参数，通过最小化交叉熵误差函数获取。β为空间项权重常系数，bi(k)为空间项，表示根据空间信息判定xi属于类别k的概率，定义为：其中表示克罗内克(Kroneker)函数，具体定义为：其中ωkx表示x属于类别k，表示x领域像元的类别，为x的邻域像元。步骤103：计算像元本文档来自技高网...

【技术保护点】
1.一种基于空间信息自适应处理的高光谱图像分类方法，其特征在于包括：/n采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果，将初分类结果作为光谱项并构建传统马尔科夫随机场模型；/n计算各像元的相对同质性指数，将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数，根据像元空间项权重系数的自适应调整，对位于不同空间位置的像元采用不同的空间信息纠正力度去除同质性区域内部的噪声、保持图像的边缘细节；/n采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型，采用该自适应马尔可夫随机场模型对高光谱图像进行分类。/n

【技术特征摘要】
1.一种基于空间信息自适应处理的高光谱图像分类方法，其特征在于包括：
采用支持向量机模型对原始图像的光谱信息进行处理获得初分类结果，将初分类结果作为光谱项并构建传统马尔科夫随机场模型；
计算各像元的相对同质性指数，将相对同质性指数加入到原始的空间项权重常系数中获得自适应权重系数，根据像元空间项权重系数的自适应调整，对位于不同空间位置的像元采用不同的空间信息纠正力度去除同质性区域内部的噪声、保持图像的边缘细节；
采用自适应权重系数替换传统马尔科夫随机场模型中的空间项权重常系数从而构建自适应马尔可夫随机场模型，采用该自适应马尔可夫随机场模型对高光谱图像进行分类。


2.根据权利要求1所述的方法，其特征还在于：所述自适应权重...

【专利技术属性】
技术研发人员：于浩洋，胡姣婵，宋梅萍，王玉磊，于纯妍，张建祎，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁;21