[发明专利]基于扩展形态学和导向滤波的高光谱图像分类方法

说明书

技术领域

本发明属于遥感图像处理技术领域，涉及一种高光谱图像分类方法，具体涉及一种基于扩展形态学和导向滤波的高光谱图像分类方法，可用于农业、环境监视等诸多领域。

背景技术

高光谱遥感图像是由高光谱传感器捕获的卫星图像，对于每个像素都有几十个乃至几百个光谱波段。因此，它可以提供丰富的信息而且具有很高的光谱分辨率，可广泛应用于军事、农业、环境监视等诸多领域。对高光谱图像进行处理分析在国际遥感领域极其重要，其中高光谱图像分类是高光谱信息处理的一个重要研究方向。然而，高光谱图像提供大量信息的同时也会出现信息冗余的现象，大量高度相关的信息给目前的分类方法带来了挑战。

现有的高光谱图像分类方法可分为基于光谱域信息的分类和基于光谱空间域信息的分类。

基于光谱域信息的分类方法是指通过每种地物光谱曲线的特征来进行分类，其中最小距离匹配是较为基础的基于光谱域信息分类的方法，该方法首先根据先验知识从高光谱数据中选取光谱信息建立训练样本集，然后计算各类别样本光谱的均值作为该类别的标准光谱，最后通过计算待分类像元光谱与各类别标准光谱的相似程度来实现分类。该方法简单易实现，但易受噪声的影响从而容易出现误分类。之后出现的光谱角匹配法在衡量光谱相似性时，把像元看作一个N维空间的矢量，根据计算得到的夹角大小去判断待分类像元的所属类别，该方法对噪声具有鲁棒性，但是不能有效的解决“同物异谱”等现象，对提高分类精度具有一定的局限性。

基于光谱域信息的分类方法只着重于光谱域信息，忽视了空间域信息，会丢失许多细节特征，从而在同质区域存在许多斑点，使得分类精度受到一定的限制。随着遥感研究的深入，基于光谱空间域信息的分类方法应运而生，该类方法是指在提取光谱特征基础上加入空间域信息(包括空间邻域信息、边缘信息、纹理信息等)来进行分类。其主要方法有Benediktsson等人提出的基于扩展形态学的高光谱分类方法，该方法首先使用主成分分析对高光谱图像进行光谱信息提取，然后在提取的主成分上进行扩展形态学变换，最后对融合的空谱特征进行分类。该方法可以很好地从高光谱图像中提取特征，避免了分类后同质区域的斑点现象，但是由于腐蚀操作和膨胀操作都是不可逆的，所以在边缘地区的分类精度不是很高；Kang等人提出一种基于边缘保持滤波的高光谱图像分类方法，该方法通过引入边缘保持滤波器，有效的解决了边缘区域错分的问题，却依然存在小类别区域错分的情况，从而在一定程度上影响了分类精度。因此，关于高光谱图像的空谱域信息还需要进一步探索和利用。

发明内容

本发明的目的是克服上述现有技术的不足，提出了一种基于扩展形态学和导向滤波的高光谱分类方法，通过主成分分析和扩展形态学方法来提取高光谱图像的空谱特征，丰富了特征信息，然后利用导向滤波来保护边缘区域，用于解决现有技术存在的边缘区域以及小类别区域错分而导致的分类精度差的技术问题。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入一幅包含d个波段数的待分类高光谱图像X及该图像X的类别标签；

(2)采用主成分分析方法，对高光谱图像X进行降维，得到高光谱图像X前c个主成分PC；

(3)采用扩展形态学方法，提取高光谱图像X前c个主成分PC中每个主成分的特征，得到到c×λ个形态学开特征图П_γ和c×λ个形态学闭特征图Π_φ，其中，λ为整数；

(4)对形态学开特征图П_γ和形态学闭特征图П_φ分别进行导向滤波，并将滤波后的特征进行组合，得到高光谱图像X的特征集GEMP。

(5)根据高光谱图像X的类别标签，从特征集GEMP的每一类样本中随机抽取一定比例的样本作为训练集，剩余样本作为测试集；

(6)利用抽取出的训练集及该训练集中各样本对应的类别标签，对支持向量机进行训练，并利用训练好的支持向量机对测试集进行分类，得到分类后的高光谱图像X”；

(7)输出分类后的高光谱图像X”，并计算分类精度。

本发明与现有的技术相比，具有以下优点：

本发明通过主成分分析和扩展形态学方法来提取高光谱图像的空谱特征，然后利用导向滤波来保护边缘区域，得到基于导向滤波的扩展形态学特征集，与现有技术中仅利用扩展形态学或边缘保持滤波器提取特征相比，丰富和完善了特征信息，改善了边缘区域和小类别区域错分的现象，有利于提高图像分类精度。

附图说明

图1是本发明的实现流程图；