[发明专利]基于分层概率模型的高光谱图像分类方法

说明书

技术领域

本发明属于图像处理领域，是一种高光谱图像分类的方法。

背景技术

高光谱遥感图像的发展得益于成像光谱技术的发展与成熟。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，做到了光谱与图像的结合。目前，一般将波长间隔10nm以下，波段数36个以上的遥感系统定义为高光谱遥感。

高光谱图像的最大特点是将成像技术与光谱探测技术结合，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖。这样形成的数据可以用“三维数据块”来形象地描述。与多光谱遥感影像相比，高光谱影像在信息丰富程度方面有了极大的提高，因此在处理技术方面，为对高光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域(如医学、农学等)的极大兴趣。

高光谱遥感图像是一种三维立体图像，包含了地物的空间信息和光谱信息。高光谱图像最重要的特点是谱分辨力的提高，因此其数据量很大，包含的信息多，有很多实际的应用。可是大数据带来的运算负担是个问题，影响了实际应用，给图像进一步处理带来了困难，所以要考虑降维处理。

对高光谱图像进行降维可以分为光谱域(谱域)上的降维和空间域(空域)上的降维。在光谱域上的降维处理，就是对每个像素的对应的光谱向量降维，降低的是波段长度。在空间域上的降维处理，就是对每个波段的图像降维，缩小的是每个波段图像的大小。

降维方式主要分两种：1、特征选择，主要是运用一些方法从大数据中选择出感兴趣的数据。2、特征提取，主要是进行数学变换，如主成分分析法。现在的降维技术主要关注于第二种降维方法，即数学变换的方法。主要有三种：principal component analysis(PCA)，maximum noise fraction(MNF)transform，random projection-based dimensionality reduction也就是random projection(RP)。光谱域上的数据降维方法现在比较流行，最近的论文都有出现。

如果考虑将降维处理应用于高光谱图像处理的话，我们一般可以得到以下三步通用的处理步骤。

一、高光谱图像数据的降维处理可以从谱域降维，也可以空域和谱域综合处理。

二、降维后，在低维空间上提取出所需的特征。此时也可以结合不同空间上的信息得到综合特征，例如空域和谱域的信息的特征结合。

三、构造算法对上步得到的特征进行分类分割、目标检测等操作。

高光谱遥感的一个主要应用是高光谱图像的地物分类。之前一段时间高光谱图像地物分类主要关注于只依靠谱域的特征信息来进行分类，但这损失了图像域，也就是空间域上图形结构或邻近关系的信息。这就没有充分使用高光谱图像所提供的信息。最近的文献表明，高光谱图像的地物分类关注于谱域和空域信息的综合提取，也称为空-谱联合。所探讨的各种分类方法也都是联合了谱域和空域的信息。

以下列举了近年来比较热门的几种空-谱联合的高光谱图像地物分类方法。

方法一：使用数学形态学处理提取图像空间特征信息。相关的算法有Morphological Profile、the extended morphological profile(EMP)、Morphological Neighborhood。其中EMP方法包含了空域和谱域的信息，可以直接作为分类器的输入进行分类。如果想进一步联合谱域的信息，最简单的方法是对每一个像素将其从图像空间域提取出的特征(这里是用形态学的方法)与原始高光谱数据谱域信息向量堆叠成一个特征向量来表征此像素的新的特征向量。这个特征向量也可作为分类器的输入。Feature Fusion和Composite Kernel的方法也可以用来联合空域-谱域信息。我们一般用支撑向量机SVM分类器来进行分类。