[发明专利]融合曲率滤波的高光谱图像分类方法、装置、设备和介质

说明书

本发明提供了一种融合曲率滤波的高光谱图像分类方法、装置、设备和介质，其中方法包括以下步骤：S1、获取待处理的高光谱图像，并将所述高光谱图像进行归一化处理，得到高光谱数据集W；S2、对所述高光谱数据集W进行降维：每相邻n个波段叠加后平均，得到降维后的高光谱数据集J；S3、采用高斯曲率滤波对降维后的高光谱数据J进行滤波处理，提取空间特征；S4、利用支持向量机对空间特性进行分类，得到第一分类结果，利用大间隔分布机对空间特征进行分类得到第二分类结果，并将第一分类结果和第二分类结果进行对比，得到较优分类结果。本发明采用高斯曲率滤波挖掘空间特征，并通过集成分类提高高光谱图像分类方法的分类精度和泛化能力。

技术领域

本发明属于图像处理技术领域，尤其涉及一种融合曲率滤波的高光谱图像分类方法、装置、设备和介质。

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：虽然SVM可以通过从高光谱图像中提取空间特征来获得更好的分类结果，但仍然存在一些不足，过去边缘保持滤波器提取空间特征有限，因此利用空间特征进行高光谱图像分类的方法有一定局限，同时分类模型的最大间隔模型优化是针对单个间隔的，并且不能表示整个训练数据集间隔分布，另外过去单一的分类器不能适应各种复杂的高光谱图像数据集，导致泛化能力较弱。

发明内容

本发明的目的在于提供一种融合曲率滤波的高光谱图像分类方法、系统、设备和介质，采用高斯曲率滤波挖掘空间特征，并通过集成分类提高高光谱图像分类方法的分类精度和泛化能力。

本发明是通过以下技术方案实现的：

一种融合曲率滤波的高光谱图像分类方法，包括以下步骤：

S1、获取待处理的高光谱图像，并将高光谱图像进行归一化处理，得到高光谱数据集W；

S2、对高光谱数据集W进行降维:每相邻n个波段叠加后平均，得到降维后的高光谱数据集J；

S3、采用高斯曲率滤波对降维后的高光谱数据J进行滤波处理，提取空间特征；

S4、利用支持向量机对空间特性进行分类，得到第一分类结果，利用大间隔分布机对空间特征进行分类，得到第二分类结果，将第一分类结果和第二分类结果进行对比，得到较优分类结果。

进一步地，采用高斯曲率滤波对降维后的高光谱数据J进行滤波处理的步骤包括：

S31、在高光谱数据集J中选取第m个波段图像作为目标图像；

S32、将目标图像域分解为四个区域；

S33、将目标图像的每一像素(i，j)视为中心像素，在领域像素构成的八个切平面，分别计算中心像素到八个切平面的投影距离d_l，l＝1、……、8：

S34、计算出投影距离d_l中的最小绝对值d_m，根据最小绝对值d_m更新中心像素，当目标图像中所有像素更新后，完成目标图像的一次更新；

S35、根据步骤S34获得的目标图像，计算其能量函数，若计算的能量函数小于更新前目标图像的能量函数，则转到步骤S32，否则停止更新，输出更新后的目标图像；