基于mnf变换结合扩展属性滤波的高光谱影像分类方法

文档序号:6514637阅读:733来源:国知局
基于mnf变换结合扩展属性滤波的高光谱影像分类方法
【专利摘要】本发明公开一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,包括:步骤1,对高光谱遥感影像进行最小噪声分离变换;步骤2,选择MNF分量数目,并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目;步骤3,对每一个MNF分量执行扩展属性滤波剖面;步骤4,将每一个MNF分量的影像属性开剖面、属性闭剖面及分量本身堆叠成起来,然后采用K型-SVM进行分类,得到最终的高光谱分类图像。该方法通过MNF在降噪的同时,能够有效地降低高光谱数据的维数。在此基础上,将降维后的光谱信息和EAP滤波所得的纹理信息组合,再利用K-type?SVM降低计算代价同时又和RBF核具有相似的性能的特点,从而提高了高光谱遥感影像的分类精度。
【专利说明】基于MNF变换结合扩展属性滤波的高光谱影像分类方法
【技术领域】
[0001]本发明涉及一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,属于遥感影像处理【技术领域】。
【背景技术】
[0002]高光谱图像可将反映目标的光谱信息与反映目标空间和几何关系的图像信息有机地结合在一起,目前在国民经济的各个领域都得到了广泛的应用。
[0003]目前常用的高光谱图像分类算法可分为监督和非监督算法。传统的监督分类方法包括光谱角填图法、平行六面体方法、最大似然法、最小距离法、马氏距离法;传统的非监督分类方法包括IsoData方法、K-Means方法等。除了以上传统方法,还有新的分类方法,如神经网络、决策树、SVM和专家系统等。
[0004]传统的高光谱图像的分类主要是基于光谱信息,而很少考虑空间信息。另外,随着成像技术的发展,获取的高光谱图像具有越来越高的空间分辨率,从图像的空域信息中可以提取出对分类处理有帮助的信息。将空域信息引入到高光谱分类并综合运用谱域特征有助于在应用中提升分类器的性能。普遍使用的融合空间信息及光谱信息的高光谱图像的分类方法包括马尔可夫随机场、形态学指针和形态学滤波。然而这些方法使用固定的窗口得到空间信息,导致了尺寸比例的选择问题。另一个分类方法是将空间信息集成到多核学习方法中,该方法也存在尺寸比例的选择问题,同时该方法的计算成本非常高。再有一种融合空间信息的方法是将逐像素的分类结果和划分聚类(Partitional Clustering)得到的分割的结果融合起来,但这种方法的结果是不稳健的。

【发明内容】

[0005]发明目的:针对现有技术中存在的问题,本发明提供一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法。该方法通过MNF在降噪的同时,能够有效地降低高光谱数据的维数。在此基础上,将降维后的光谱信息和EAP滤波所得的纹理信息组合,再利用K-type SVM降低计算代价同时又和RBF核具有相似的性能的特点,从而提高了高光谱遥感影像的分类精度。
[0006]技术方案:一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,包括下述步骤:
[0007]步骤I,对高光谱遥感影像进行最小噪声分离(Minimum Noise Fraction, MNF)变换。
[0008]步骤2,选择MNF分量数目,并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目。
[0009]步骤3,对每一个MNF分量执行扩展属性滤波剖面(Extended AttributeProfile, ΕΑΡ)。
[0010]ΕΑΡ = {ΑΡ (MNF1),AP (MNF2),…,AP (MNFc)},其中 c 是保留的 MNF 分量数目。[0011]步骤4将MNF分量及其扩展属性滤波剖面堆叠组合,然后采用K型-SVM进行分类,得到最终的高光谱分类图像。
[0012]有益效果:与现有技术相比,本发明提供的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,具有如下优点:
[0013](1)采用EAP提取高光谱图像的纹理特征,其滤波窗口尺寸的选择不是固定的,而是自适应变化的。
[0014](2) K型-SVM中K型核函数避免了 RBF核函数复杂的指数运算,同时具有多项式核函数计算量小和RBF核函数逼近精度高与泛化能力强的优点。
[0015](3)分类过程中融合了光谱特征和纹理特征两类特征,高光谱分类的精度进一步提闻。
【专利附图】

【附图说明】
[0016]图1为本发明实施例的方法流程图;
[0017]图2(a)为本发明实施例采用的ROSIS高光谱图像三个波段合成的示意图,(b)为ROSIS高光谱图像训练区图像;(c)为ROSIS高光谱图像测试图像;
[0018]图3为本发明实施例中ROSIS高光谱图像MNF变换前22个分量所对应的特征值示意图。
【具体实施方式】
[0019]下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0020]如图1所示,MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,具体实施步骤如下:
[0021]步骤1,对高光谱遥感影像进行最小噪声分离变换。
[0022]步骤1.1设高光谱图像X有ρ个波段,X = [X1, X2, , xp]T, MNF变换是一种线性变换:
[0023]Zi =a'X, /= 1,2,...,/;
[0024]Zi的噪声比例在所有正交于Zj (j =的成分中最大,Bi为矩阵Σ-1 Σν的特征向量,Σ和ΣΝ分别为X及其所包含的噪声的协方差矩阵。
[0025]步骤2,选择MNF分量数目,并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目。
[0026]步骤2.1对矩阵S-1Sn的特征值设定阈值tl,同时设定两个相邻的特征值差的阈值t2,特征值大于t1;且相邻特征值差大于t2时,选择的MNF变换分量个数为保留的MNF分量。
[0027]步骤3,对每一个MNF分量执行扩展属性滤波剖面。
[0028]EAP = {AP (MNF1),AP (MNF2),...,AP (MNFc)},其中 c 是保留的 MNF 分量数目。
[0029]步骤3.1对每一个MNF变换分量图像MNFj (j = 1,2,...,N),设其灰度级为L+1,其层级定义为X1(MNF) = {p e MNFjIMNFj(P)≥1},对图像MNFj在每一灰度级上进行二值化,得到一系列二值图像X1 (MNFj)。
[0030]步骤3.2对每一个二值图像,其属性开变换定义为:
【权利要求】
1.一种MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,其特征在于,包括: 步骤I,对高光谱遥感影像进行最小噪声分离变换; 步骤2,选择MNF分量数目,并根据波段数的特征值及相邻波段特征值的梯度两个约束来选择待保留的MNF分量数目; 步骤3,对每一个MNF分量执行扩展属性滤波剖面; 步骤4,将每一个MNF分量的影像属性开剖面、属性闭剖面及分量本身堆叠成起来,然后采用K型-SVM进行分类,得到最终的高光谱分类图像。
2.如权利要求1所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,其特征在于: 设高光谱图像X有P个波段,X = [X1, X2,, Xp]T, MNF变换是一种线性变换:
3.如权利要求2所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,其特征在于:步骤2中,对矩阵的特征值设定阈值tl,同时设定两个相邻的特征值差的阈值t2,特征值大于t1;且相邻特征值差大于t2时,选择的MNF变换分量个数为保留的MNF分量。
4.如权利要求3所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,其特征在于,步骤3具体为以下步骤: 步骤3.1对每一个MNF变换分量图像MNFj ( =1,2,...,N),设其灰度级为L+1,其层级定义为X1 (MNFj) = {p e MNFj | MNFj (p) 1},对图像MN。在每一灰度级上进行二值化,得到一系列二值图像X1 (MNFj); 步骤3.2对每一个二值图像,其属性开变换定义为:
5.如权利要求4所述的MNF变换结合扩展属性滤波的高光谱遥感影像分类方法,其特征在于,K型-SVM中的K型核函数定义如下:
【文档编号】G06K9/62GK103500343SQ201310464800
【公开日】2014年1月8日 申请日期:2013年9月30日 优先权日:2013年9月30日
【发明者】石爱业, 严威, 申邵洪, 夏晨阳, 吴国宝, 程学军, 文雄飞, 陈鹏霄 申请人:河海大学, 长江水利委员会长江科学院
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1