[发明专利]基于边界点重分类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技术领域，更进一步涉及高光谱影像(Hyperspectral Imagery)分类技术领域中的一种基于边界点重分类的高光谱分类方法。本发明针对高光谱影像处理中图像标记样本稀少的特点，提出的一种分类的方法，提高了分类的精确度。

背景技术

高光谱技术是一种新型的对地观测技术，通过获取大量地物反射的窄带电磁波波段，革命性地结合了地物的光谱信息、空间信息和几何信息，进而可以分析出感兴趣地物的相关信息。随着光谱获取技术和高光谱数据分析技术的发展，高光谱技术在军事和民用领域得到广泛的应用。由于高光谱数据的庞大和复杂性，对于图像中的每个象元代表的物质类别不能靠人工一一识别，因此，高光谱图像的分类技术就成为高光谱图像处理技术中重要的一环。

高光谱图像分类的关键在于依靠少量的样本数据，结合光谱信息和空间信息对数据进精准的分类识别。在分类技术发展的初期，主要是依靠光谱信息进行分类，随着传感器技术的进步，图像的分辨率得到很大的提高，由此图像中的空间信息也纳入到分类技术中。

香港理工大学申请的专利“融合空间信息及光谱信息的高光谱图像的分类方法及装置”(专利申请号：CN201210003388.1，公开号：CN102708373A)中提出了一种融合空间信息及光谱信息的高光谱图像的分类方法。该方法采用联合分割图和基于光谱信息的分类图，对分割块区域进行多数表决的形式对区域进行统一分类，该技术依靠同一区域为同一地物的性质，极大地提高了分类的精准度，减少了误分类的可能性。但是该方法仍然存在的不足是，由于该方法准确的前提是分割的精准性，而分割技术在区域内点和边界的无差别对待导致的区域划分错误，所以导致后续的分类结果在分割边缘处的分类精度较差。

西安电子科技大学申请的专利“基于压缩谱聚类集成的高光谱图像分类方法”(专利申请号：CN201410077182.2，公开号：CN103996047A)提出了一种压缩谱聚类的高光谱分类方法。该方法对图像数据先进行降维处理，然后联合图像分割图和光谱信息进行分类。该方法克服了K-mean聚类方法对初始化敏感的缺点，提高了分类的精确度。但是该方法仍然存在的不足是，图像信息的的使用不充分，对于各个目标的内部区域点和边界区域点没有进行区分，导致分类存在较大的错误，使得图像分类的整体精度降低。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于边界点重分类的高光谱分类方法。本发明优化了高光谱图像的分类过程；充分利用的边界点的独特信息，避免了区域边界的划分错误；引入了主动学习算法对边界点单独分类处理，提高了分类结果的精准性。

本发明实现上述目的的思路是：采用划分聚类的分割方式引入信息，结合谱域信息，依据多数投票的原理，融合空域-谱域信息进行分类；依据聚类的结果，提取边界点，引入主动学习算法充分利用少量的标记样本和边界点的信息，获得较好的分类效果。

本发明实现的具体步骤如下：

(1)输入数据：

(1a)输入一幅待分类的高光谱图像；

(1b)输入与待分类的高光谱图像对应的人工标记的样本集；

(2)获取聚类图：

采用迭代自组织数据分析法IOSDATA，对待分类的高光谱图像进行聚类操作，由待分类的高光谱图像的空域信息，得到待分类的高光谱图像的空域聚类图；

(3)获取基于光谱信息的分类图：

采用有监督的支撑向量机SVM，对待分类的高光谱图像进行分类，得到待分类的高光谱图像的谱域分类图；

(4)获取空域-谱域分类图：

采用多数投票Majority-Voting方法，整合空域聚类图和谱域分类图的信息，得到空域-谱域分类图；

(5)修正空域-谱域分类图中的分类错误：

采用后期归整Post-Regulation方法，对空域-谱域分类图进行修正，修正因噪声引起的分类错误，得到修正后的分类图；

(6)选取边界点：

比较修正后的分类图中各个像素点的类标与各自8邻域像素点类标的异同，将类标与8邻域中的各个类标均不相同的像素点定义为边界点；

(7)边界点分类：

采用多类别不确定性MCLU方式的主动学习方法，对边界点进行分类，得到边界点分类的类标；

(8)更正边界点的分类类标：

用边界点分类的类标替代修正后的分类图中的边界点的类标，得到最终的分类图；

(9)输出最终的分类图。