[发明专利]一种基于大间隔分布和空间特征的高光谱图像分类方法

权利要求书

1.一种基于大间隔分布和空间特征的高光谱图像分类方法，其特征在于，包括如下步骤：

S1：输入待处理的高光谱图像，将高光谱图像数据集进行归一化处理，得到信息量重新分布的高光谱图像数据集G；

S2：将归一化处理后的高光谱数据集进行PCA降维：H＝Pca(G)，选择选择所述数据集的前n维的数据组成新的数据集H；

S3：用双边滤波法对降维处理后的数据集H进行滤波处理，并提取空间纹理特征信息D_t；

S4：为所述待处理高光谱图像定义两个高光谱线性空间相关性信息矩阵D_l，D_v，高光谱图像像元(x,y)线性空间相关性信息：D_c＝D_l+D_V；

S5：将空间纹理特征信息与空间相关性信息融合：W＝D_t+D_c，得到融合空间信息数据集W；

S6:利用大间隔分布机LDM对融合空间信息数据集W进行训练并分类。

2.根据权利要求1所述的一种基于大间隔分布和空间特征的高光谱图像分类方法，其特征在于，步骤S1所述的归一化处理，按照以下公式计算：

其中，R代表高光谱图像数据集反射强度数值，R_max表示高光谱图像数据集中反射强度最大值，R_min表示高光谱图像数据集中反射强度最小值，G是信息量重新分布的高光谱图像数据集。

3.根据权利要求1所述的一种基于大间隔分布和空间特征的高光谱图像分类方法，其特征在于，步骤S4所述的两个高光谱线性空间相关性信息矩阵D_l，D_v，分别表示为：

其中，D_l一个水平方向的线性空间相关性信息矩阵，D_v一个竖直方向的线性空间相关性信息矩阵D_v，(x,y)为像元在高光谱图像的位置。

4.根据权利要求1所述的一种基于大间隔分布和空间特征的高光谱图像分类方法，其特征在于，步骤S5所述的训练和分类步骤包括：

S5.1：随机从空间信息数据集W比例D％随机抽取训练集W_s，其余(1-D％)部分作为训练集W_t；

S5.2：用大间隔分布学习机LDM交叉验证，寻找最优的参数组合；

S5.3：用大间隔分布学习机LDM对W_s进行训练，获取训练模型；

S5.4：获取训练模型后，用大间隔分布学习机LDM对测试集W_t进行分类。

5.根据权利要求4所述的一种基于大间隔分布和空间特征的高光谱图像分类方法，其特征在于，步骤S5.2交叉验证使用方法包括，方法1：仅使用SVM分类；方法2：利用PCA对高光谱信息降维后，用SVM进行分类PCA-SVM；方法3：用Gabor滤波器、双边滤波器和导向滤波器分别对高光谱数据用PCA降维后的前20个主成分提取空间信息，并将获取的空间信息和光谱信息线性结合后，用SVM分类，形成GBF-SVM，BF-SVM，GDF-SVM三种分类方法；方法4：EPF算法对高光谱图像进行分类，有EPF-B-g和EPF-G-g；方法5：仅使用LDM分类；方法6：利用PCA对高光谱信息降维后，用LDM进行分类方法：PCA-LDM；方法7：用递归滤波对高光谱图像进行分类，然后用LDM实现分类LDM-FL；方法8：空间纹理特征线性融合后，融入SVM的高光谱图像分类方法PBF-SVM；方法9：间纹理特征线性融合后，融入LDM的高光谱图像分类方法PBF-LDM；方法10：空间相关性特征和空间纹理特征线性融合后，融入SVM的高光谱图像分类方法PBFC-SVM；方法11：空间相关性特征和空间纹理特征线性融合后，融入LDM的高光谱图像分类方法PBFC-LDM。