一种高光谱影像小样本分类方法及装置制造方法及图纸

本发明专利技术提供一种高光谱影像小样本分类方法及装置，属于遥感图像处理与应用技术领域。该分类方法包括：输入高光谱影像；利用形态学属性剖面算法构造高光谱影像的形态学属性剖面；在高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到高光谱影像的形态学属性剖面立方体；根据高光谱影像的形态学属性剖面立方体得到高光谱影像的特征向量；将高光谱影像的特征向量输入预先训练好的分类模型完成高光谱影像分类。本发明专利技术通过构建高光谱影像的形态学属性剖面立方体能充分利用高光谱影像中的空谱联合信息，为后续分类过程提供丰富的特征信息源，从而能在小样本条件下获得较高的分类精度。

【技术实现步骤摘要】
一种高光谱影像小样本分类方法及装置
本专利技术涉及一种高光谱影像小样本分类方法及装置，属于遥感图像处理与应用

技术介绍
高光谱影像(也称高光谱图像)分类是高光谱影像处理和分析中的关键环节，是实现遥感影像对地观测的重要步骤之一，其基本任务是为每个像素确定唯一的类别标识。传统的高光谱影像分类器包括支持向量机、随机森林、逻辑回归分类器等等，通过结合高光谱影像中的空间特征、纹理特征和光谱特征等，传统分类器能够取得一定的分类效果。但传统分类方法往往需要复杂的特征设计工作，并很大程度上依赖于专家经验进行参数调整，在应用中具有很大的局限性。近年来，随着深度学习的兴起和不断发展，深度学习方法被广泛应用在高光谱影像分类中，主要有以下几种：(1)基于三维卷积神经网络(3DCNN)的高光谱影像分类方法。例如：公告号为CN106022355B的专利技术专利文件中，公开了一种基于3DCNN的高光谱图像空谱联合分类方法，该方法首先从归一化处理后的原始高光谱图像中，提取以待分类像元为中心的n×n×L邻域范围内的数据块Pn×n×L作为该像元的原始空谱特征，n表示邻域块的大小，L表示谱段总数；然后利用经过训练的3DCNN网络完成高光谱图像空谱联合分类。这种方法虽然无需进行谱空间降维，能够自动提取高光谱图像的空谱特征，无需人工预设特征，但是需要依赖于大量的训练样本，而在实际应用中高光谱影像标记样本的获取费时费力，通过寻找大量标记样本训练深度模型十分低效，如果没有足够数量的带有标记的训练样本作支撑，这种方法很难取得较高的分类精度。(2)基于深度森林的高光谱影像分类方法。例如：公布号为CN108614992A的专利技术专利申请文件中，公开了一种高光谱遥感图像的分类方法，该方法针对高光谱遥感图像中的光谱信息、空间信息和空谱结合信息分别进行降维处理，得到相应的光谱数据、空间数据和空谱结合数据；然后通过训练好的深度森林分类模型对高光谱遥感图像进行分类。虽然该方法使用深度森林算法对高光谱遥感图像进行分类具有参数少，易调节的优点，也能取得较好的分类效果和实用性，但是该方法的数据预处理过程太过复杂，耗费时间过多，且分类精度还有待进一步提高。综上，目前已有的高光谱图像分类方法中，传统分类方法不仅需要依靠专家经验进行复杂的特征设计工作，分类精度也较低；基于3DCNN网络的分类方法需要依赖于大量的训练样本，在标记样本非常少的条件下分类精度较低；基于深度森林的分类方法，数据预处理过程太过复杂，耗费时间过多，且分类精度还有待进一步提高。
技术实现思路
本专利技术的目的是提供一种高光谱影像小样本分类方法及装置，用以解决现有高光谱影像分类方法在标记样本非常少的条件下分类精度不高的问题。为实现上述目的，本专利技术提供了一种高光谱影像小样本分类方法，该方法包括以下步骤：(1)输入高光谱影像；(2)利用形态学属性剖面算法构造所述高光谱影像的形态学属性剖面；(3)在所述高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到所述高光谱影像的形态学属性剖面立方体；(4)根据所述高光谱影像的形态学属性剖面立方体得到所述高光谱影像的特征向量；(5)将所述高光谱影像的特征向量输入预先训练好的分类模型完成高光谱影像分类。本专利技术还提供了一种高光谱影像小样本分类装置，该装置包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现上述的高光谱影像小样本分类方法。本专利技术的高光谱影像小样本分类方法及装置的有益效果是：本专利技术先对高光谱影像进行形态学属性剖面运算，以保留影像中的空谱联合信息，然后通过选取高光谱影像的形态学属性剖面中的待分类像素设定邻域范围内的数据立方体，得到高光谱影像的形态学属性剖面立方体，最后根据高光谱影像的形态学属性剖面立方体得到高光谱影像的特征向量。通过构建高光谱影像的形态学属性剖面立方体能够充分利用高光谱影像中的空谱联合信息，为后续的分类过程提供丰富的特征信息源，从而能在标记样本非常少(即小样本)的条件下获得较高的分类精度。进一步地，在上述高光谱影像小样本分类方法及装置中，采用不同尺度的滑动窗口对所述高光谱影像的形态学属性剖面立方体进行多粒度扫描，根据扫描结果得到所述高光谱影像的特征向量。这样做的有益效果是：采用不同尺度的滑动窗口对高光谱影像的形态学属性剖面立方体进行多粒度扫描，能够更好地利用高光谱影像中的不同尺度的特征信息，且能够提取更加抽象的特征用作高光谱影像中地物分类的判别信息，从而能够极大地提高分类精度，同时还能够降低高光谱影像的特征向量的维度。进一步地，为了进一步增强特征的丰富性和多样性，在上述高光谱影像小样本分类方法及装置中，将一个扫描结果作为一个实例，将一个实例分别输入一个完全随机森林和一个普通随机森林得到该实例的两个特征向量，将所有实例的特征向量进行连接作为所述高光谱影像的特征向量。进一步地，在上述高光谱影像小样本分类方法及装置中，所述预先训练好的分类模型是深度森林分类模型，所述深度森林分类模型采用级联结构进行连接。这样做的有益效果是：采用深度森林分类模型通过多层级联使用输入的特征信息，能够提高特征信息的利用率，进而在标记样本非常少的条件下获得较高的分类精度，同时，深度森林分类模型能够避免过多的超参数，提高分类效率。进一步地，为了提高分类效率，在上述高光谱影像小样本分类方法及装置中，所述深度森林分类模型的每一层设置两个完全随机森林和两个普通随机森林，所述完全随机森林中每棵决策树的每个叶节点上均随机选择一个特征进行分割并生长；所述普通随机森林中每棵决策树的每个叶节点通过随机选择个特征作为候选特征，d是输入特征的个数，并选择基尼系数最好的特征进行分割并生长。进一步地，在上述高光谱影像小样本分类方法及装置中，所述预先训练好的分类模型是利用支持向量机或卷积神经网络训练好的分类模型。进一步地，在上述高光谱影像小样本分类方法及装置中，所述高光谱影像的形态学属性剖面通过以下步骤得到：利用主成分分析法提取所述高光谱影像中的前N个主成分，N≥1，利用形态学属性剖面算法对所述前N个主成分中的每个主成分均构造形态学属性剖面，然后将前N个主成分的形态学属性剖面进行综合得到所述高光谱影像的形态学属性剖面。进一步地，在上述高光谱影像小样本分类方法及装置中，分别采用大小为1、3、5、7、9的正方形结构元素构造所述高光谱影像的形态学属性剖面。进一步地，在上述高光谱影像小样本分类方法及装置中，所述形态学属性剖面算法的运算顺序为：先执行开运算后执行闭运算，或者先执行闭运算后执行开运算。附图说明图1是本专利技术方法实施例中的高光谱影像小样本分类方法流程图；图2是本专利技术方法实施例中的高光谱影像的形态学属性剖面立方体的构建过程示意图；图3是本专利技术方法实施例中的多粒度扫描获得高光谱影像的特征向量的过程示意图；图4是本专利技术方法实施例中的利用深度森林本文档来自技高网...

【技术保护点】
1.一种高光谱影像小样本分类方法，其特征在于，该方法包括以下步骤：/n(1)输入高光谱影像；/n(2)利用形态学属性剖面算法构造所述高光谱影像的形态学属性剖面；/n(3)在所述高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到所述高光谱影像的形态学属性剖面立方体；/n(4)根据所述高光谱影像的形态学属性剖面立方体得到所述高光谱影像的特征向量；/n(5)将所述高光谱影像的特征向量输入预先训练好的分类模型完成高光谱影像分类。/n

【技术特征摘要】
1.一种高光谱影像小样本分类方法，其特征在于，该方法包括以下步骤：
(1)输入高光谱影像；
(2)利用形态学属性剖面算法构造所述高光谱影像的形态学属性剖面；
(3)在所述高光谱影像的形态学属性剖面中，选取待分类像素设定邻域范围内的数据立方体作为该像素的形态学属性剖面立方体，进而得到所述高光谱影像的形态学属性剖面立方体；
(4)根据所述高光谱影像的形态学属性剖面立方体得到所述高光谱影像的特征向量；
(5)将所述高光谱影像的特征向量输入预先训练好的分类模型完成高光谱影像分类。


2.根据权利要求1所述的高光谱影像小样本分类方法，其特征在于，采用不同尺度的滑动窗口对所述高光谱影像的形态学属性剖面立方体进行多粒度扫描，根据扫描结果得到所述高光谱影像的特征向量。


3.根据权利要求2所述的高光谱影像小样本分类方法，其特征在于，将一个扫描结果作为一个实例，将一个实例分别输入一个完全随机森林和一个普通随机森林得到该实例的两个特征向量，将所有实例的特征向量进行连接作为所述高光谱影像的特征向量。


4.根据权利要求1-3任一项所述的高光谱影像小样本分类方法，其特征在于，所述预先训练好的分类模型是深度森林分类模型，所述深度森林分类模型采用级联结构进行连接。


5.根据权利要求4所述的高光谱影像小样本分类方法，其特征在于，所述深度森林分类模型的每一层设置两个完全随机森林和两个普...

【专利技术属性】
技术研发人员：刘冰，余岸竹，王瑞瑞，郭文月，余旭初，张鹏强，谭熊，魏祥坡，高奎亮，左溪冰，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南;41