[发明专利]基于LBP特征的超像素空谱多核高光谱图像分类方法

说明书

本发明提供了基于LBP特征的超像素空谱多核高光谱图像分类方法。首先，将经过主成分分析法降维的图像，用超像素分割生成带有超像素索引的高光谱图像。然后，采用加权平均滤波和LBP算法提取超像素间和超像素内的空间特征得到超像素间的空间核和超像素内的空间核，联合已提取到的光谱核进行融合。最后，将这个组合核输入到支持向量机分类器中生成分类结果图。本发明将LBP算法与超像素结合，用LBP算法来提取超像素内的边缘特征信息，可以有效解决传统的多核方法用超像素内所有像素的平均值来代替超像素内所有像素值导致的像素边缘信息丢失以及边缘像素类别划分不准确的问题，实现分类精度与效率的提升。

技术领域

本发明涉及高光谱遥感图像处理技术领域，尤其涉及一种基于LBP(Local BinaryPattern，局部二值模式)特征的超像素空谱多核高光谱图像分类方法。

背景技术

高光谱遥感的出现是遥感界的一场革命，它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱图像可以获得数百条相同的窄带光谱通道，并能提供更丰富的光谱信息，以支持各种地表覆盖材料的精细识别。因此，高光谱图像受到越来越多的关注，它被应用到分类、目标检测、异常检测、光谱解混等方面。而其中的高光谱图像分类任务又对地质勘探农作物检测、国防军事等领域起着实质性的重要作用，值得更加深入的研究。

然而，在高光谱图像分类广泛应用的同时，它也面临着巨大的挑战，例如著名的休斯(Hughes)现象。Hughes现象是指在高光谱分析过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。为了解决这一问题，特征提取被看作是高光谱图像处理的一个关键步骤。然而，由于光谱特征的空间变异性，高光谱图像特征提取是高光谱图像处理中最具挑战性的任务之一。

最常用的高光谱图像特征提取方法是核方法，因其采用简单的线性加权方式，可以实现空间信息和光谱信息的联合学习与利用。核方法是指为了充分挖掘和利用高光谱数据蕴含的光谱信息和空间信息，构造新型核函数，实现样本相似性度量意义下不同异构特征融合，进而在SVM框架下完成分类，以有效提高分类性能。从近年研究进展来看，针对高光谱核函数的设计经历了光谱加权核、空谱混合核、多核学习三个阶段。与仅考虑光谱信息的分类方法相比，结合空间信息和光谱信息的分类方法能够取得更好的分类效果。然而，由于空间核所采用的空间区域的大小和形状是固定的，常常导致高光谱图像的空间纹理无法得到充分的利用。

超像素分割能够根据高光谱图像的空间结构自适应的改变区域的形状，并且利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征，能够很大程度上降低图像后处理的复杂度。基于超像素的复合核方法将超像素看作一个局部邻域，可以利用超像素来获得空间信息，从而避免了最佳空间邻域的选择。基于超像素的多核方法利用多个核函数来有效利用超像素的光谱空间信息，相比较基于超像素的单核方法，基于超像素的多核方法不仅利用了超像素内的空间信息，也利用了超像素间的空间信息，分类精度更高。然而，基于超像素的方法也存在缺陷：超像素内空间信息用像素的均值来表示，会丢失超像素内像素的边缘信息。

发明内容

本发明提供了基于LBP特征的超像素空谱多核高光谱图像分类方法，以解决现有的基于超像素的方法的超像素内空间信息用像素的均值来表示，会丢失超像素内的边缘信息，导致图像分类的效率低、精度差等问题。

本发明提供的基于LBP特征的超像素空谱多核高光谱图像分类方法，包括以下步骤：

步骤1，采用熵率超像素分割算法对高光谱图像进行索引，生成带有超像素索引的高光谱图像；

步骤2：利用所述带有超像素索引的高光谱图像获得三个核函数，所述三个核函数包括光谱核、基于超像素内的空间核和基于超像素间的空间核；

步骤3：将得到的所述三个核函数进行融合，将获得的融合结果输入支持向量机分类器，完成训练后进行分类，得到分类结果图。

进一步地，在一种实现方式中，所述步骤1包括：