一种面向对象的高光谱特征处理方法技术

本发明专利技术公开了一种面向对象的高光谱遥感图像光谱特征处理方法，包括：步骤S1：采集样本光谱；步骤S2：光谱特征分类学习：提取输入样本的光谱特征并进行训练，得到训练样本分类结果；步骤S3：根据训练样本分类的结果，选取其中最优的光谱特征组成特征集；步骤S4：将最优光谱特征、特征匹配算法加入到光谱特征库中。本发明专利技术可用于在航空、航天高光谱遥感图像上建立光谱特征库，并以此为基础进行高光谱遥感图像分类、解混、目标检测与识别等处理。该光谱特征库最大特点是增加了光谱的描述信息，即在光谱数据的基础上，加入了对象的光谱特征与匹配算法。

【技术实现步骤摘要】

本专利技术涉及一种高光谱遥感图像光谱特征处理方法，可用于在航空、航天高光谱遥感图像上建立光谱特征库，并以此为基础进行高光谱遥感图像分类、解混、目标检测与识别等处理。
技术介绍
高光谱遥感是一门新兴的学科，是当前遥感技术的前沿。随着空间分辨率和光谱分辨率的逐渐提升，已经成为人们获取信息的重要手段，在军事侦察、环境监测、资源调查、土地利用和城市规划等领域中发挥越来越重要的作用。高光谱波段众多、信息量大，可以反映地物的材质信息，因此增加了目标对象的描述信息。在高光谱信息处理任务中，一般都要以目标对象的光谱库为基础，光谱库中存储目标对象的光谱信息，以通过待判别像元的光·谱与库中的光谱进行匹配来完成地物分类、解混、目标检测与识别等工作，因此，光谱库在高光谱信息处理中占据着重要地位。但由于受光源、大气环境、传感器等因素影响，地物的光谱常常有较大的改变，简单依靠光谱匹配已经不能满足后续处理的要求。面对地物光谱的多样性与不确定性，如何构建一种适应目标检测与识别任务的光谱特征库，并在该库的基础上，有效地完成检测与识别任务，成为人们关心和研究的热点问题，也是具有高度挑战性的难点问题。目前，国际上已经建立起了一些光谱数据库，例如JPL、JHU、IGCP-264、ASTER等，这些光谱库中保存地物光谱的反射率文件，可提供数据浏览、数据更新、波谱显示与比较等功能，但其本质还是光谱数据库。而分类与检测任务中，需要在光谱数据上提取特征，如二值编码、光谱角等特征。随着光谱特征研究的不断深入，地物的光谱的描述特征也层出不穷，传统的方式是提取统一的单一特征完成匹配。而实际中，不同目标的有效特征不尽相同，同一特征的提取与匹配方法也不尽相同，这不仅需要通过学习的方式确定最优的特征，而且也需要将光谱数据库扩展为光谱特征库，即将有效描述该类目标的特征及其匹配方法一同加入特征库中，目标检测所需的光谱库，不应仅仅是简单的数据和曲线的集合，同时还应包括针对目标对象所提取的特征，以及利用这种特征的匹配方法。
技术实现思路
实现为了克服现有光谱库中仅储存光谱数据而对目标对象的光谱描述不全面，不能够很好地解决高光谱分类、检测与识别任务，本专利技术目的是提出一种高光谱特征处理方法，基于该方法能够构建光谱特征库，在保存目标对象的光谱数据之外，还保存该目标对象的光谱特征及其匹配方法。本专利技术的面向对象的高光谱特征处理方法包括步骤步骤SI :采集样本光谱；步骤S2 :光谱特征分类学习提取输入样本的光谱特征并进行训练，得到训练样本分类结果；步骤S3 :根据训练样本分类的结果，选取其中最优的光谱特征组成特征集；步骤S4 :将最优光谱特征、特征匹配算法加入到光谱特征库中。其中，步骤S2进一步包括步骤S21 :对光谱样本集中的光谱样本分别提取m种不同的特征，分成训练样本集与测试样本集；步骤S22 :对训练样本集针对不同的特征采用不同的特征匹配算法进行训练；步骤S23 :对测试样本集进行分类；步骤S24，针对训练样本集和测试样本集共得到m个分类结果。其中，步骤S3进一步包括步骤S31 :根据m个分类结果，对m个特征依分类精度由高到低进行排序；步骤S32 :选择前k个特征作为选择特征,组成特征集，同时将这k个特征对应的特征匹配算法组成特征算法集。其中，将光谱特征信息按照对象的类别加入到光谱特征库中。光谱特征信息包括对象描述、光谱特征集和特征匹配算法集。对象描述包括该对象的名称、类别、物理属性。多种对象的光谱特征信息构建成为光谱特征库。其中步骤SI进一步包括步骤Sll,获取高光谱遥感图像上对象的光谱；步骤 S12，从所述光谱中选择样本光谱，得到光谱样本集。其中，步骤Sll进一步包括如果高光谱遥感图像的空间分辨率低或目标对象较小而导致像元较少时，为了消除直接在高光谱图像上选取带来的误差，则将高光谱遥感图像与高分辨率可见光遥感图像进行配准。其中，步骤S12进一步包括选取对象的光谱，获得目标对象的较纯像元进而得到样本光谱，之后判断该样本光谱是否为纯光谱，如果是则加入光谱样本集，如果不是则通过背景样本光谱进行解混，得到较纯光谱样本集。利用本专利技术的方法能够建立一种包含目标对象的光谱特征与特征匹配算法的高光谱遥感图像光谱特征库，将传统的高光谱遥感图像光谱数据库拓展为光谱特征库，同时，针对高光谱分类、检测与识别任务中，不同对象的特征与匹配算法难以统一的情况，提出了面向对象的特征描述。附图说明图I为本专利技术面向对象的高光谱特征处理方法的流程图。图2为本专利技术样本光谱采集流程图。图3为本专利技术光谱特征学习流程图。图4为本专利技术光谱特征选择流程图。图5为本专利技术光谱特征信息组成结构图。具体实施例方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。本专利技术使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。本专利技术的基本原理是利用高分辨率可见光遥感图像与高光谱遥感图像混合像元分解的方法采集高光谱遥感图像中目标对象较纯像元的光谱样本，并对这些样本提取多种特征，之后采用多种特征匹配方法进行特征学习，然后分类测试，并依据分类的结果选择最优的若干特征形成特征集，最后将特征集和匹配算法集一同加入光谱特征库。图I为本专利技术面向对象的高光谱特征库构建方法的流程图。如图I所示，首先在步骤SI采集样本光谱，在高光谱遥感图像上获得目标对象的较纯像元，较纯像元主要是指由多种地物组成的混合像元，其中某种地物占据主导成分，实际中没有真正意义上的纯像元，获取的像元主要是混合像元，因此较纯像元是相对较纯像元，混合地物中某种地物占绝对主导成分可以致其它地物的影响忽略不计，进而能够得到较为纯净的目标对象(目标对象主要指一些感兴趣的目标，如飞机、坦克等移动目标以及机场跑道等建筑物)的光谱样本，也就是进行样本光谱的采集，接着在步骤S2，对这些样本光谱提取不同的特征，相应地采用不同的匹配算法进行训练，然后进行分类测试，再根据分类结果选择特征，选取其中最优的光谱特征组成特征集，最后在步骤S4，将这些特征与对应的特征匹配算法作为该对象的特征描述，加入光谱特征库。图2为本专利技术样本光谱采集流程图。本专利技术中的样本光谱采集是以如下方式实现的，首先在步骤S11，获取高光谱遥感图像上对象的光谱，但有时由于高光谱遥感图像的空间分辨率低或目标对象较小，导致像元较少时，为了消除直接在高光谱图像上选取带来的误差，需要将高光谱遥感图像与高分辨率可见光遥感图像进行配准，然后在步骤S12选取对象的光谱，可采用人工选取的方式获得目标对象的较纯像元进而得到样本光谱，之后判断提取的光谱(一般来说可以采用人工的方式判断，如果目标比较大的话，目标的中间区 域光谱为较为纯净光谱，如果目标比较小，目标边缘为混合光谱，需要通过混合像元的方式获得较为纯净像元)是否为纯光谱(与较为纯净光谱同意)，如果是则加入光谱样本集，如果不是则执行步骤S13，还需要通过背景样本光谱进行解混，最后得到较纯光谱(与较为纯净像元同意)样本集。图3为本专利技术光谱特征学习流程图。本专利技术中的光谱特征学习是以如下方式实现的，首先对光谱样本集中的光谱样本分别提取m种不同的特征，然后采用随机抽取的方法按一定的比例(如10本文档来自技高网...

【技术保护点】
一种面向对象的高光谱特征处理方法，其特征在于，该方法包括步骤：步骤S1：采集样本光谱，得到光谱样本集；步骤S2：对输入的样本光谱提取特征并进行训练，得到训练样本分类结果；步骤S3：根据训练样本分类的结果，选取其中最优的光谱特征组成特征集；步骤S4：将最优光谱特征、特征匹配算法加入到光谱特征库中。

【技术特征摘要】
1.一种面向对象的高光谱特征处理方法，其特征在于，该方法包括步骤 步骤Si:采集样本光谱，得到光谱样本集； 步骤S2 :对输入的样本光谱提取特征并进行训练，得到训练样本分类结果； 步骤S3 :根据训练样本分类的结果，选取其中最优的光谱特征组成特征集； 步骤S4 :将最优光谱特征、特征匹配算法加入到光谱特征库中。2.如权利要求I所述的方法，其特征在于，所述步骤S2进一步包括 步骤S21 :对光谱样本集中的光谱样本分别提取m种不同的特征，分成训练样本集与测试样本集； 步骤S22 :对训练样本集针对不同的特征采用不同的特征匹配算法进行训练； 步骤S23 :对测试样本集进行分类； 步骤S24，针对训练样本集和测试样本集共得到m个分类结果。3.如权利要求2所述的方法，其特征在于，所述步骤S3进一步包括 步骤S31 :根据m个分类结果，对m个特征依分类精度由高到低进行排序； 步骤S32 :选择前k个特征作为选择特征，组成特征集，同时将这k个特征对应的特征匹配算法组成特征算法集。4.如权利要求3所述的方法，其...

【专利技术属性】
技术研发人员：马雷，潘春洪，张骞，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：