基于mnf變換結(jié)合擴(kuò)展屬性濾波的高光譜影像分類方法
【專利摘要】本發(fā)明公開(kāi)一種MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，包括：步驟1，對(duì)高光譜遙感影像進(jìn)行最小噪聲分離變換；步驟2，選擇MNF分量數(shù)目，并根據(jù)波段數(shù)的特征值及相鄰波段特征值的梯度兩個(gè)約束來(lái)選擇待保留的MNF分量數(shù)目；步驟3，對(duì)每一個(gè)MNF分量執(zhí)行擴(kuò)展屬性濾波剖面；步驟4，將每一個(gè)MNF分量的影像屬性開(kāi)剖面、屬性閉剖面及分量本身堆疊成起來(lái)，然后采用K型-SVM進(jìn)行分類，得到最終的高光譜分類圖像。該方法通過(guò)MNF在降噪的同時(shí)，能夠有效地降低高光譜數(shù)據(jù)的維數(shù)。在此基礎(chǔ)上，將降維后的光譜信息和EAP濾波所得的紋理信息組合，再利用K-type?SVM降低計(jì)算代價(jià)同時(shí)又和RBF核具有相似的性能的特點(diǎn)，從而提高了高光譜遙感影像的分類精度。
【專利說(shuō)明】基于MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜影像分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，屬于遙感影像處理【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]高光譜圖像可將反映目標(biāo)的光譜信息與反映目標(biāo)空間和幾何關(guān)系的圖像信息有機(jī)地結(jié)合在一起，目前在國(guó)民經(jīng)濟(jì)的各個(gè)領(lǐng)域都得到了廣泛的應(yīng)用。
[0003]目前常用的高光譜圖像分類算法可分為監(jiān)督和非監(jiān)督算法。傳統(tǒng)的監(jiān)督分類方法包括光譜角填圖法、平行六面體方法、最大似然法、最小距離法、馬氏距離法；傳統(tǒng)的非監(jiān)督分類方法包括IsoData方法、K-Means方法等。除了以上傳統(tǒng)方法，還有新的分類方法,如神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、SVM和專家系統(tǒng)等。
[0004]傳統(tǒng)的高光譜圖像的分類主要是基于光譜信息，而很少考慮空間信息。另外，隨著成像技術(shù)的發(fā)展，獲取的高光譜圖像具有越來(lái)越高的空間分辨率，從圖像的空域信息中可以提取出對(duì)分類處理有幫助的信息。將空域信息引入到高光譜分類并綜合運(yùn)用譜域特征有助于在應(yīng)用中提升分類器的性能。普遍使用的融合空間信息及光譜信息的高光譜圖像的分類方法包括馬爾可夫隨機(jī)場(chǎng)、形態(tài)學(xué)指針和形態(tài)學(xué)濾波。然而這些方法使用固定的窗口得到空間信息，導(dǎo)致了尺寸比例的選擇問(wèn)題。另一個(gè)分類方法是將空間信息集成到多核學(xué)習(xí)方法中，該方法也存在尺寸比例的選擇問(wèn)題，同時(shí)該方法的計(jì)算成本非常高。再有一種融合空間信息的方法是將逐像素的分類結(jié)果和劃分聚類(Partitional Clustering)得到的分割的結(jié)果融合起來(lái)，但這種方法的結(jié)果是不穩(wěn)健的。

【發(fā)明內(nèi)容】

[0005]發(fā)明目的:針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供一種MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法。該方法通過(guò)MNF在降噪的同時(shí)，能夠有效地降低高光譜數(shù)據(jù)的維數(shù)。在此基礎(chǔ)上，將降維后的光譜信息和EAP濾波所得的紋理信息組合，再利用K-type SVM降低計(jì)算代價(jià)同時(shí)又和RBF核具有相似的性能的特點(diǎn)，從而提高了高光譜遙感影像的分類精度。
[0006]技術(shù)方案:一種MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，包括下述步驟:
[0007]步驟I,對(duì)高光譜遙感影像進(jìn)行最小噪聲分離(Minimum Noise Fraction, MNF)變換。
[0008]步驟2，選擇MNF分量數(shù)目，并根據(jù)波段數(shù)的特征值及相鄰波段特征值的梯度兩個(gè)約束來(lái)選擇待保留的MNF分量數(shù)目。
[0009]步驟3，對(duì)每一個(gè)MNF分量執(zhí)行擴(kuò)展屬性濾波剖面(Extended AttributeProfile, ΕΑΡ)。
[0010]ΕΑΡ = {ΑΡ (MNF1)，AP (MNF2)，…，AP (MNFc)}，其中 c 是保留的 MNF 分量數(shù)目。[0011]步驟4將MNF分量及其擴(kuò)展屬性濾波剖面堆疊組合，然后采用K型-SVM進(jìn)行分類，得到最終的高光譜分類圖像。
[0012]有益效果:與現(xiàn)有技術(shù)相比，本發(fā)明提供的MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，具有如下優(yōu)點(diǎn):
[0013](1)采用EAP提取高光譜圖像的紋理特征，其濾波窗口尺寸的選擇不是固定的，而是自適應(yīng)變化的。
[0014](2) K型-SVM中K型核函數(shù)避免了 RBF核函數(shù)復(fù)雜的指數(shù)運(yùn)算，同時(shí)具有多項(xiàng)式核函數(shù)計(jì)算量小和RBF核函數(shù)逼近精度高與泛化能力強(qiáng)的優(yōu)點(diǎn)。
[0015](3)分類過(guò)程中融合了光譜特征和紋理特征兩類特征，高光譜分類的精度進(jìn)一步提聞。
【專利附圖】

【附圖說(shuō)明】
[0016]圖1為本發(fā)明實(shí)施例的方法流程圖；
[0017]圖2(a)為本發(fā)明實(shí)施例采用的ROSIS高光譜圖像三個(gè)波段合成的示意圖，(b)為ROSIS高光譜圖像訓(xùn)練區(qū)圖像；(c)為ROSIS高光譜圖像測(cè)試圖像；
[0018]圖3為本發(fā)明實(shí)施例中ROSIS高光譜圖像MNF變換前22個(gè)分量所對(duì)應(yīng)的特征值示意圖。
【具體實(shí)施方式】
[0019]下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià)形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。
[0020]如圖1所示，MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，具體實(shí)施步驟如下:
[0021]步驟1，對(duì)高光譜遙感影像進(jìn)行最小噪聲分離變換。
[0022]步驟1.1設(shè)高光譜圖像X有ρ個(gè)波段，X = [X1, X2, , xp]T, MNF變換是一種線性變換:
[0023]Zi =a'X, /= 1,2,...,/;
[0024]Zi的噪聲比例在所有正交于Zj (j =的成分中最大，Bi為矩陣Σ-1 Σν的特征向量，Σ和ΣΝ分別為X及其所包含的噪聲的協(xié)方差矩陣。
[0025]步驟2，選擇MNF分量數(shù)目，并根據(jù)波段數(shù)的特征值及相鄰波段特征值的梯度兩個(gè)約束來(lái)選擇待保留的MNF分量數(shù)目。
[0026]步驟2.1對(duì)矩陣S-1Sn的特征值設(shè)定閾值tl，同時(shí)設(shè)定兩個(gè)相鄰的特征值差的閾值t2，特征值大于t1;且相鄰特征值差大于t2時(shí)，選擇的MNF變換分量個(gè)數(shù)為保留的MNF分量。
[0027]步驟3，對(duì)每一個(gè)MNF分量執(zhí)行擴(kuò)展屬性濾波剖面。
[0028]EAP = {AP (MNF1)，AP (MNF2)，...，AP (MNFc)}，其中 c 是保留的 MNF 分量數(shù)目。
[0029]步驟3.1對(duì)每一個(gè)MNF變換分量圖像MNFj (j = 1，2，...，N)，設(shè)其灰度級(jí)為L(zhǎng)+1，其層級(jí)定義為X1(MNF) = {p e MNFjIMNFj(P)≥1}，對(duì)圖像MNFj在每一灰度級(jí)上進(jìn)行二值化，得到一系列二值圖像X1 (MNFj)。
[0030]步驟3.2對(duì)每一個(gè)二值圖像，其屬性開(kāi)變換定義為:
【權(quán)利要求】
1.一種MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，其特征在于，包括: 步驟I，對(duì)高光譜遙感影像進(jìn)行最小噪聲分離變換； 步驟2，選擇MNF分量數(shù)目，并根據(jù)波段數(shù)的特征值及相鄰波段特征值的梯度兩個(gè)約束來(lái)選擇待保留的MNF分量數(shù)目； 步驟3，對(duì)每一個(gè)MNF分量執(zhí)行擴(kuò)展屬性濾波剖面； 步驟4，將每一個(gè)MNF分量的影像屬性開(kāi)剖面、屬性閉剖面及分量本身堆疊成起來(lái)，然后采用K型-SVM進(jìn)行分類，得到最終的高光譜分類圖像。
2.如權(quán)利要求1所述的MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，其特征在于: 設(shè)高光譜圖像X有P個(gè)波段，X = [X1, X2,, Xp]T, MNF變換是一種線性變換:
3.如權(quán)利要求2所述的MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，其特征在于:步驟2中，對(duì)矩陣的特征值設(shè)定閾值tl，同時(shí)設(shè)定兩個(gè)相鄰的特征值差的閾值t2，特征值大于t1;且相鄰特征值差大于t2時(shí)，選擇的MNF變換分量個(gè)數(shù)為保留的MNF分量。
4.如權(quán)利要求3所述的MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，其特征在于，步驟3具體為以下步驟: 步驟3.1對(duì)每一個(gè)MNF變換分量圖像MNFj ( =1，2，...，N)，設(shè)其灰度級(jí)為L(zhǎng)+1，其層級(jí)定義為X1 (MNFj) = {p e MNFj | MNFj (p) 1}，對(duì)圖像MN。在每一灰度級(jí)上進(jìn)行二值化，得到一系列二值圖像X1 (MNFj)； 步驟3.2對(duì)每一個(gè)二值圖像，其屬性開(kāi)變換定義為:
5.如權(quán)利要求4所述的MNF變換結(jié)合擴(kuò)展屬性濾波的高光譜遙感影像分類方法，其特征在于，K型-SVM中的K型核函數(shù)定義如下:
【文檔編號(hào)】G06K9/62GK103500343SQ201310464800
【公開(kāi)日】2014年1月8日 申請(qǐng)日期:2013年9月30日 優(yōu)先權(quán)日:2013年9月30日
【發(fā)明者】石愛(ài)業(yè), 嚴(yán)威, 申邵洪, 夏晨陽(yáng), 吳國(guó)寶, 程學(xué)軍, 文雄飛, 陳鵬霄 申請(qǐng)人:河海大學(xué), 長(zhǎng)江水利委員會(huì)長(zhǎng)江科學(xué)院