[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

说明书

本发明公开了一种基于大间隔分布和空间特征的高光谱图像分类方法，包括以下步骤：首先将输入的高光谱图像进行归一化处理，得到信息量重新分布的高光谱图像数据集，然后将将归一化处理后的高光谱数据集进行PCA降维，对降维处理后的数据集进行滤波处理，并提取空间纹理特征信息；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，将空间纹理特征信息与空间相关性信息融合，利用大间隔分布机LDM对融合空间信息数据集进行训练并分类。本发明通过一种空间相关性特征和纹理特征进行融合，克服了纹理特征提取滤波器容易丢失空间相关性特征的问题，同时用大间隔分布机LDM来实现高光谱图像的分类，提高分类精度。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于大间隔分布和空间特征的高光谱图像分类方法。

背景技术

高光谱传感器通过上百个光谱通道获取地物的反射辐射信息，其波段范围覆盖了从可见光到近红外乃至长波红外区域，高光谱图像同时包含了地物的空间信息、反射或辐射信息以及光谱信息，其特征通常被称为“图谱合一”。而且光谱图像数据提供了近乎连续的光谱采样信息，可以记录地物在光谱上很小的反射差异。这个特性被称作地物的诊断特性，可以作为对地物进行分类和检测的依据。研究高光谱图像分类新技术，具有重要的理论意义和应用价值。

当前高光谱图像分类的技术主要存在以下问题：高光谱分类过程中未充分获取空间特征、利用滤波器提取纹理特征容易丢失地物的空间相关性信息、未考虑将空间纹理特征和空间相关性特征融合起来构成更为完整的空间特征、在高光谱图像分类中，传统的最大间隔模型优化的分类模型都是针对单一的某个间隔，不能代表整个训练数据集的间隔分布，难以进一步提高分类精度。因此基于大间隔分布和空间特征的高光谱的图像分类依然是值得研究的方向。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于大间隔分布和空间特征的高光谱图像分类方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是构建一种空间相关性特征，用具有最大化空间特征间隔平均值同时最小化空间特征间隔方差特征的大间隔分布机LDM来实现高光谱图像的分类，有效提高分类精度。

为实现以上发明目的，本发明的技术方案如下：

一种基于大间隔分布和空间特征的高光谱图像分类方法，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。

进一步地，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。