[发明专利]基于超像素分割及两阶段分类策略的超光谱图像分类方法、装置及介质

说明书

本发明提出了一种基于超像素分割及两阶段分类策略的超光谱图像分类方法，包括以下步骤：A、准备待处理的超光谱图像以及初始训练样本数据集；B、对超光谱图像执行超像素分割处理，并判断超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的初始训练样本数据只属于一类时，将超像素数据中的所有数据分类到与初始训练样本数据相同的类，并将已分类超像素数据添加到初始训练样本数据集，以生成扩大的训练样本数据集；C、判断超光谱图像中的数据是否已分类到一个类，若否，则基于扩大训练样本数据集对未进行分类的数据实施第二分类处理。

技术领域

本发明涉及超光谱图像处理领域，特别涉及一种基于超像素分割及两阶段分类策略的超光谱图像分类方法。

背景技术

谱-空间高光谱图像分类(HIC)方法是先进的HIC方法。与那些仅使用光谱信息的方法相比，谱-空间HIC方法结合光谱和空间信息进一步改善分类精度。近年来，基于超像素的方法已经受到越来越多的关注。超像素由许多具有相似光谱特征的一个小区域的像素组成。超像素在表征HSI中的空间背景信息方面发挥着重要作用。

由于超像素对HSI中物体空间结构的强大表现能力，近年来已经提出了许多基于超像素分割的谱-空间HIC方法。文献[1]中提出了一种基于超像素和极限学习机的HIC框架；文献 [3]中提出了一种基于超像素聚类策略和模糊逻辑组合规则的改进的谱-空间分类框架。文献[4] 中将支持向量机(SVM)和超像素分割结合在一起用于HIC。文献[5]中通过多核(SC-MK) 引入了基于超像素的分类，利用均值滤波器和加权平均滤波器来提取超像素内的空间特征，提出了一种基于超像素的多核(SC-MK)HIC方法。文献[6]提出了超像素级高光谱图像的SRC 框架。文献[7]基于多尺度超像素稀疏表示来利用多尺度超像素的谱-空间信息。文献[8]中提出了一种基于集合到集合的距离的基于超像素过分割技术的谱-空间分类方法。文献[9]中提出了一种基于区域的松弛多核协作表示方法，称为R²MK。文献[10]中利用超像素提取空间光谱特征，并为HIC提出了一个基于超像素的多任务学习框架。文献[11]中提出了一种基于局部二值模式(LBP)的HIC超像素级决策融合方法。文献[2]将基于超像素的分裂增广拉格朗日收缩算法(SuperSALSA)用于解决基于超像素的空间凸正则化问题。

在上面提到的那些基于超像素的HIC方法中，熵率超像素(ERS)[12]算法是一种基于图形的方法，可以形成均匀聚类，已被广泛用于超像素分割[6,8,9,11,13,14]。另一种超像素分割算法是简单线性迭代聚类(SLIC)[15]，最初是为了在CILAB色图中着色图像而引入的，参见文献[2,16,17]。

另外，在HIC[18,19]中，获得已知类别标签的训练样本通常是困难并且成本高昂，并且小标签训练样本量(SLTSS)问题仍然是超光谱图像(HSI)分类中的一个重要的亟待解决的问题，该问题影响超光谱图像分类精确度。

发明内容

本发明针对谱-空间高光谱图像分类中的小标签训练样本量问题，提出一种基于超像素分割及两阶段分类策略的超光谱图像分类方法。

首先，本发明提出一种基于超像素分割及两阶段分类策略的超光谱图像分类方法，包括以下步骤：

A、准备待处理的超光谱图像以及初始训练样本数据集；

B、对所述超光谱图像实施第一分类处理，所述第一分类处理包括以下处理：对所述超光谱图像执行超像素分割处理，并判断所述超光谱图像中的每一个超像素数据是否包含初始训练样本数据，若是，并当其所包含的所述初始训练样本数据只属于一类时，将所述超像素数据中的所有数据分类到与所述初始训练样本数据相同的类，并将所述已分类超像素数据添加到初始训练样本数据集，以生成扩大的训练样本数据集；

C、判断所述超光谱图像中的数据是否已分类到一个类，若否，则基于所述扩大训练样本数据集对未进行分类的数据实施第二分类处理。