[发明专利]基于小波变换和稀疏表示的高光谱图像分类方法

说明书

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于小波变换和稀疏表示的高光谱图像分类方法。

背景技术

高光谱图像包含观测场景中的空间信息和光谱信息，具有“图谱合一”观测的特性。高光谱图像分类在医用行业、农业发展、军事监测等领域都有广泛的应用，具有良好的工程价值。然而在实际应用中，以及高图像本身庞大的空间、频域信息量，高光谱图像分类方法存在着诸多困难与挑战。因此，如何快速有效实现对高光谱图像进行特征提取和分类，成为近年来图像处理和遥感信息行业的研究热点之一。

得益于稀疏表示在人脸识别领域的出色分类表现，许多研究开始尝试基于谱字典稀疏表示的高光谱图像。然而由于高光谱图像具有高度观测误差和空间上的非平稳性，直接应用高光谱图像特征进行稀疏字典表示时，稀疏表示的系数分布并不稀疏，大大降低了稀疏表示方法的判别性能。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于小波变换和稀疏表示的高光谱图像分类方法，该方法提高了高光谱图像分类的鲁棒性和准确性。

本发明的目的通过下述技术方案实现：一种基于小波变换和稀疏表示的高光谱图像分类方法，步骤如下：

S1、获取高光谱图像数据h(x,y,b)，其中x和y表示空间位置，b表示波段；

S2、对高光谱图像数据在空间维和光谱维三维空间内进行空间移不变小波分解，得到高光谱图像在各个尺度上的空间平移不变小波变换特征；

S3、根据可分性确定出一个最优尺度J，获取高光谱图像在该尺度J上的空间平移不变小波变换特征；

S4、在高光谱图像中获取到已标注类别的N_tr个像素，将这些像素作为训练像素，然后通过这些训练像素对高光谱图像中的N_te个测试像素分别进行以下类别的判定，具体为：

S41、根据N_tr个训练像素在尺度J上的空间平移不变小波变换特征，构建用于稀疏表示的训练字典A，其中该训练字典A的每一列即为一个训练像素对应的在尺度J上的空间平移不变小波变换特征；

S42、将测试像素在尺度J上的空间平移不变小波变换特征进行单位二范数规范化得到测试像素在尺度J上规范后的空间平移不变小波变换特征，同时将训练字典A进行基于列的单位二范数规范化得到规范后的训练字典A′；

S43、根据稀疏表示理论，对测试像素在尺度J上规范后的空间平移不变小波变换特征以及规范后的训练字典A′求解相应的1-范数最小化问题，得到测试像素稀疏表示的稀疏系数；

S44、利用测试像素稀疏表示的稀疏系数和规范后的训练字典A′进行类别局部重构；

S45、计算出测试像素在每一个类别上对应的类别局部重构残差，然后选取出最小残差值，将最小残差值对应的类别判定为测试像素所属类别。

2、根据权利要求1所述的基于小波变换和稀疏表示的高光谱图像分类方法，其特征在于，步骤S2中，得到高光谱图像在各个尺度上的空间平移不变小波变换特征的具体过程如下：

S21、构造空间平移不变小波分解滤波器g_j(x,y)，具体为：

S211、取可微尺度函数φ(x,y)，其对应x方向和y方向的小波函数分别为ψ^(x)(x,y)＝dφ(x,y)/dx和ψ^(y)(x,y)＝dφ(x,y)/dy；

S212、对可微尺度函数φ(x,y)进行伸缩和平移，得到以2^j进行尺度变换的一系列基：其中j表示尺度，φ_j,x,y表示将高光谱图像分解到第j尺度上的空间平移不变小波变换算子；

S213、由步骤S212获取到的这一系列基张成尺度空间：

其中V_j为第j尺度上的尺度空间，V_j+1为第j+1尺度上的尺度空间；

S214、利用第j尺度上的尺度空间V_j线性表示第j+1尺度上的尺度空间V_j+1，得到二尺度方程：

φ_j+1,x,y＝φ_j,x,y*g₀(x,y)；

其中φ_j+1,x,y表示将高光谱图像分解到第j+1尺度上的空间平移不变小波变换算子；g₀(x,y)表示初始滤波器；

根据上述尺度方程推导出：