[发明专利]基于PCA和属性配置文件的高光谱图像分类方法

说明书

本发明涉及一种基于PCA和属性配置文件的高光谱图像分类方法，包括步骤：对待分类高光谱图像进行降维操作，得到目标成分的灰度图像；将灰度图像生成树结构，统计树结构的目标特征及树结构中每个结点的形态学属性，并根据目标特征和形态学属性选取阈值；根据形态学属性和阈值，对树结构进行属性滤波操作，得到若干扩展属性配置文件；将若干扩展属性配置文件的数据与标准数据集融合，得到融合样本，利用融合样本对支持向量机进行训练，并利用训练好的支持向量机对若干扩展属性配置文件进行分类，得到分类结果。本发明实施例根据目标特征和形态学属性选取阈值，减少了对人工经验的依赖程度，提高了计算速度，并且改善了分类结果，提高了分类精度。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于PCA和属性配置文件的高光谱图像分类方法。

背景技术

高光谱遥感影像数据不仅具有图像的空间信息，还具有空间维度高，数据量大的特点，具有丰富的光谱信息。在传统方法中，将空间和光谱信息结合的算法相较于仅使用光谱信息分类精度更高。

由于高光谱影像数据波段较多，使用高维的光谱-空间信息进行计算会产生“Huges”现象，因此数据降维的方法被广泛研究，其中一种线性降维方法是PCA(PrincipalAnalysis，主成分分析)。PCA方法具有易于计算和不受样本标签控制的优点，传统算法是直接对光谱图像数据进行PCA降维。然而，传统的PCA降维方法的高光谱图像数据受光不对称等效果的影响较大，其分类结果也较差。

图像中物体的空间特征可以由多种方法建立，应用最广泛的方法之一就是基于数学形态学提取空间特征。在基于数学形态学提取空间特征的所有算法中，形态学连接算子能保留图像结构的几何特征，故被证明是合适提取空间信息的算法。使用MPs提取的空间信息特征可以很好的表示图像中结构的多尺度可变性，但是对于其他几何特性进行建模存在不足。因此，为了避免该限制，形态学属性滤波器被提出代替基于测地重建的传统算子的方法。AP(Attribute Profile，属性配置文件)是MP(Morphological Profile，形态学配置文件)的一种扩展并且可以通过使用一系列的形态学属性滤波器对图像进行多级表征。为了处理高光谱图像，AP的概念扩展为EAP(Extended Attribute Profile，扩展属性配置文件)和EMAP(Extended Multi-Attribute profile，扩展多属性配置文件)，其中EAP与SVM(Support Vector Machine，支持向量机)分类器结合可以对高光谱图像进行空间和光谱信息结合的分类。

生成属性配置文件的关键步骤是选取属性和阈值；用不同的属性对图像中同一类别的对象进行分类结果有所不同，针对不同的属性也会选取不同的阈值进行分类；在属性已经确定的情况下，阈值的选择决定属性配置文件对高光谱图像空间信息的提取效果。在传统方法中，阈值的选择一般是依据经验人工进行选择，不能实现自动化选取阈值的部分，而在实现算法的过程中需要确定多个阈值相关的参数，从而导致分类效果较差，分类精度不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于PCA和属性配置文件的高光谱图像分类方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于PCA和属性配置文件的高光谱图像分类方法，包括步骤：

对待分类高光谱图像进行降维操作，得到目标成分的灰度图像；

将所述灰度图像生成树结构，统计所述树结构的目标特征及所述树结构中每个结点的形态学属性，并根据所述目标特征和所述形态学属性选取阈值；

根据所述形态学属性和所述阈值，对所述树结构进行属性滤波操作，得到若干扩展属性配置文件；

将若干所述扩展属性配置文件的数据与标准数据集融合，得到融合样本，利用所述融合样本对支持向量机进行训练，并利用训练好的所述支持向量机对若干所述扩展属性配置文件进行分类，得到分类结果。