[发明专利]基于局部相关熵矩阵的高光谱图像分类方法和系统

说明书

本发明提供一种基于局部相关熵矩阵的高光谱图像分类方法和系统，首先，对高光谱图像数据进行降维处理，去除噪声并减小计算量，然后通过边界复制的方式对降维后的图像进行边界填充处理；其次，针对图像中的每一个像素，构建局部相关熵矩阵，抽取高光谱图像的局部特征；最后，将获得的局部相关熵矩阵作为特征输入到支持向量机中进行分类，得到每个像素的类别标签。本发明构建的局部相关熵矩阵充分利用了高光谱数据的“空谱合一”特性；利用本发明的方法，可以获取非线性的空谱特征；由于本发明属于手工设计特征方法，因此不需要大量的训练样本学习特征，具有较小的样本复杂度，更适合实际应用。

技术领域

本发明属于遥感影像处理技术领域，具体涉及一种高光谱图像分类方法和系统，可用于精准农业、环境监测、城市规划以及防灾减灾等领域。

背景技术

近年来随着高光谱成像技术的迅猛发展，高光谱图像已在军事测绘和侦察、城市规划分析、医疗信息诊断、精准农业以及灾害预警等国防和民用领域得到广泛应用。然而由于高光谱图像具有数据维数高、训练样本少以及光谱特征空间变化大等特点，传统的图像分类方法在处理高光谱图像时往往并不奏效。如何从冗余的非线性高光谱数据中提取有效特征，实现高精度的分类，是一个亟待解决的问题。

随着遥感技术的快速发展，高光谱数据的波段范围越来越广，光谱分辨率也日益提高。虽然在计算机技术的辅助下，高光谱数据的应用场景越来越多，但当前对高光谱数据分类依然面临着较大的困难和挑战。

首先，高光谱数据的数据量大且复杂。高光谱图像的波段多且连续，造成其特征维度较高，在高光谱分类问题中，随着特征维度的增加，分类效果会先增加后降低，即所谓的Huge现象或维度诅咒现象(curse of dimensionality)。且并不是所有的波段都对分类有积极的作用，大量数据中还存在着数据冗余。因此，合理地对高光谱数据波段进行维度缩减对提升分类效果具有重要的意义。

其次，存在大量成像干扰现象。高光谱图像是包含空间、光谱信息的多维图像，由于光谱成像时的天气、光照及成像角度等原因，数据采集的过程中容易受到各种不确定性的干扰，这将导致不同的地表物质表现出相同的光谱特征或相同的物质表现出不同的光谱反射现象的发生，即“异物同谱”和“同物异谱”现象。因此，在设计分类方法时需要同时考虑空间特征和光谱特征。

最后，实际应用中缺少足够的标记样本。一方面，星载的高光谱成像仪获得的数据集很少，且一般是不公开的。另一方面，在遥感领域，对高光谱数据标注需要人类专家耗费大量时间进行实地信息采集，获取标签样本是一项十分费时费力的工作。如何在可获取的样本十分有限的情况下取得优越的分类效果仍是当前高光谱图像领域的一个尚需解决的问题。

综上，本发明在深入分析高光谱图像特性基础之上，设计一种基于相关熵矩阵的空谱特征学习方法，具有广阔的应用前景和重要的理论价值。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于相关熵矩阵的高光谱图像分类方法，以解决现有技术在高光谱图像空谱特征提取方面的困难，提升光谱图像分类的性能。

实现本发明目的技术解决方案为：首先，对高光谱图像数据进行降维处理，去除噪声并减小计算量；其次，针对图像中的每一个像素，构建局部相关熵矩阵，抽取高光谱图像的局部特征；最后，将获得的局部相关熵矩阵作为特征输入到支持向量机(Support VectorMachine，SVM)中进行分类。具体步骤如下：

步骤1，输入一幅高光谱图像，并对图像进行降维处理；

步骤2，通过边界复制的方式对降维后的图像进行边界填充处理；

步骤3，逐像素构建局部相关熵矩阵，将局部相关熵矩阵向量化后作为像素的空谱特征；

步骤4，从该高光谱图像中选择p％的像素作为训练样本，剩余的(100-p)％的标记像素作为测试样本；