一种高光谱图像分类方法和装置的制造方法
【专利摘要】本发明提供了一种高光谱图像分类方法和装置，其中，该方法包括：获取高光谱图像并从高光谱图像中提取多种图像特征；对提取的多种图像特征分别构建训练样本和测试样本；为每个测试样本提取自适应形状邻域，并构建与提取的自适应形状邻域对应的自适应形状邻域矩阵；对每个自适应形状邻域矩阵进行计算，得到多特征稀疏系数矩阵；通过多特征稀疏系数矩阵和训练样本重构测试样本，对所述测试样本进行分类。本发明实施例提供的高光谱图像分类方法和装置，可以提高分类精度。
【专利说明】
-种高光谱图像分类方法和装置
技术领域
[0001] 本发明设及图像处理技术领域，具体而言，设及一种高光谱图像化yperspec化曰1 Image，HSI)分类方法和装置。
【背景技术】
[0002] 目前，高光谱遥感技术的不断发展使得高光谱图像处理技术在各个领域的应用越 来越广泛，而高光谱图像处理领域中的一大重要分支便是高光谱图像分类技术。根据地表 物质对高光谱传感器不同波段光谱信号的反馈不同，从而对高光谱图像进行分类，可在图 表中描绘出不同物质的光谱曲线，运种光谱曲线的差异为地物分类提供了依据。
[0003] 相关技术中，对高光谱图像进行分类时，可W W光谱值特征为基本分类依据，并利 用高光谱图像的其他多种空间特征充分挖掘和利用空间信息来对高光谱图像进行分类。
[0004] 在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
[0005] 上述高光谱图像分类方法的计算量较大，运算时间长，并且难W有效利用多特征 间的相关性，且并未考虑它们间的差异性。
【发明内容】
[0006] 有鉴于此，本发明实施例的目的在于提供一种高光谱图像分类方法和装置，W提 高分类精度。
[0007] 第一方面，本发明实施例提供了一种高光谱图像分类方法，包括：
[000引获取高光谱图像并从所述高光谱图像中提取多种图像特征，所述多种图像特征包 括:光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面特征；
[0009] 对提取的多种所述图像特征分别构建训练样本和测试样本；
[0010] 为每个测试样本提取自适应形状邻域，并构建与提取的每个所述自适应形状邻域 对应的自适应形状邻域矩阵；
[0011] 对每个所述自适应形状邻域矩阵进行计算，得到多特征稀疏系数矩阵；
[0012] 通过所述多特征稀疏系数矩阵和训练样本重构测试样本，对所述测试样本进行分 类。
[0013] 结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中：
[0014] 所述对提取的多种所述图像特征分别构建训练样本，包括：
[0015] 从所述多种图像特征中的每种图像特征中选取预设比例的样本作为训练样本，表 不为{Dk}k=l,2,3,4;
[0016] 其中，Dk表示第k个特征的训练字典
C表示样本类别总 数，Nk表示第k个图像特征的样本向量的维数，M表示训练样本的总数量，R表示实数。
[0017] 结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中：
[0018] 所述为每个测试样本提取自适应形状邻域，并构建与提取的每个所述自适应形状 邻域对应的自适应形状邻域矩阵，包括：
[0019] 通过形状自适应的算法为得到的所述每个测试样本中提取自适应形状邻域；
[0020] 通过提取的所述自适应邻域内的像素，构建与提取的每个所述自适应形状邻域对 应的自适应形状邻域矩阵"[XiJy;
[0021] 其中
表示第k个图像特征的自适应形状邻域矩阵，Xf表示第k个 图像特征的自适应形状邻域矩阵内的第一个样本向量，r表示自适应形状邻域内像素的总 个数。
[0022] 结合第一方面，本发明实施例提供了第一方面的第=种可能的实施方式，其中：
[0023] 所述对每个所述自适应形状邻域矩阵进行计算，得到多特征稀疏系数矩阵，包括：
[0024] 通过W下公式得到多特征稀疏系数矩阵：
[0025]
[00%]其中，S和§表示多特征稀疏系数矩阵，Sk表示多特征稀疏系数矩阵中属于第k个特 征部分的子矩阵，F表示Frobenius范数，M S M adaptive,日表示自适应的矩阵范数，K日表示稀疏 度。
[0027] 结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中：所 述通过所述多特征稀疏系数矩阵和训练样本重构测试样本，对所述测试样本进行分类，包 括:通过所述多特征稀疏系数矩阵与所述训练样本重构所述测试样本的多个特征的测试信 号；
[0028] 根据重构的所述测试样本的多个特征的测试信号和W下公式，判定所述测试样本 的类别：
[0029]
[0030] 其中，Class(X)表示测试样本的类别，Df各;表示重构的第k个特征图像中测试样本 的自适应形状邻域的测试信号，巧:表示第k个图像特征中的第C类训练样本，^表示多特征 稀疏系数矩阵中对应于第k个特征和第C类样本的子矩阵部分。
[0031] 第二方面，本发明实施例还提供一种高光谱图像分类装置，包括：
[0032] 图像获取模块，用于获取高光谱图像并从所述高光谱图像中提取多种图像特征， 所述多种图像特征包括:光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学 剖面特征；
[0033] 样本构建模块，用于对提取的多种所述图像特征分别构建训练样本和测试样本；
[0034] 图像处理模块，用于为每个测试样本中提取自适应形状邻域，并构建与提取的每 个所述自适应形状邻域对应的自适应形状邻域矩阵；
[0035] 计算模块，用于对每个所述自适应形状邻域矩阵进行计算，得到多特征稀疏系数 矩阵；
[0036] 分类模块，用于通过所述多特征稀疏系数矩阵和训练样本重构测试样本，对所述 测试样本进行分类。
[0037] 结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中：所 述样本构建模块，包括：
[0038] 选取单元，用于从所述多种图像特征中的每种图像特征中选取预设比例的样本作 为训练样本，表示为{〇k}k=l,2,3,4;
[0039] 其中，Dk表示第k个特征的训练字典
，(：表示样本类别总 数，妒表示第k个图像特征的样本向量的维数，M表示训练样本的总数量，R表示实数。
[0040] 结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中：所 述图像处理模块，包括：
[0041 ]计算单元，用于通过形状自适应的算法为每个测试样本中提取自适应形状邻域；
[0042] 矩阵构建单元，用于通过提取的所述自适应邻域内的像素，构建与提取的每个所 述自适应形状邻域对应的自适应形状邻域矩阵W ;
[0043] 其中， ^
^表示第k个图像特征的自适应形状邻域矩阵，Xf表示第k个 图像特征的自适应形状邻域矩阵内的第一个样本向量，r表示自适应形状邻域内像素的总 个数。
[0044] 结合第二方面，本发明实施例提供了第二方面的第=种可能的实施方式，其中：所 述计算模块，包括：
[0045] 确定单元，用于通过W下公式得到多特征稀疏系数矩阵：
[0046]
[0047] 其中，S和容表示多特征稀疏系数矩阵，Sk表示第多特征稀疏系数矩阵中属于第k个 特征部分的子矩阵，F表示Frobenius范数，M S M adaptive,日表示自适应的矩阵范数，K日表示稀 疏度。
[004引结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中：所 述分类模块，包括：
[0049] 重构单元，用于通过所述多特征稀疏系数矩阵与所述训练样本重构所述测试样本 的多个特征的测试信号；
[0050] 分类单元，用于根据重构的所述测试样本的多个特征的测试信号和W下公式，判 定所述测试样本的类别：
[0化1 ]
[0化2]其中，Class(X)表示测试样本的类别，D择;表示重构的第k个特征图像中测试样本 的自适应形状邻域的测试信号，Df表示第k个图像特征中的第C类训练样本，表示多特征 稀疏系数矩阵中对应于第k个特征和第C类样本的子矩阵部分。
[0053]本发明实施例提供的高光谱图像分类方法和装置，通过获取到的高光谱图像并从 高光谱图像中提取光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面特 征，对提取的多种图像特征分别构建训练样本和测试样本，并在此基础上得到与每个测试 样本的自适应形状邻域对应的自适应形状邻域矩阵和多特征稀疏系数矩阵，从而通过每个 测试样本的自适应形状邻域矩阵和多种图像特征的多特征稀疏系数矩阵，对测试样本进行 分类，与现有技术中提出的高光谱图像分类方法相比，能自适应地选取与被测试像素相似 度更高的邻域像素块，并同时考虑了多个特征之间的相似性和差异性，提高了分类精度。
[0054] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合 所附附图，作详细说明如下。
【附图说明】
[0055] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，应当理解，W下附图仅示出了本发明的某些实施例，因此不应被看作是对 范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据运 些附图获得其他相关的附图。
[0056] 图1示出了本发明实施例1所提供的一种高光谱图像分类方法的流程图；
[0057] 图2示出了本发明实施例所提供的一种高光谱图像分类装置的结构示意图。
【具体实施方式】
[0058] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅 是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实 施例的组件可WW各种不同的配置来布置和设计。因此，W下对在附图中提供的本发明的 实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实 施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所 有其他实施例，都属于本发明保护的范围。
[0059] 相关技术中，对高光谱图像进行分类时，可W W光谱值特征为基本分类依据，并利 用高光谱图像的其他多种空间特征充分挖掘和利用空间信息来对高光谱图像进行分类。基 于此，本申请提供的一种高光谱图像分类方法和装置。
[0060] 实施例1
[0061] 为便于对本实施例进行理解，首先对本发明实施例所公开的一种高光谱图像分类 方法进行详细介绍。
[0062] 本实施例提供的高光谱图像分类方法，执行主体是计算设备，计算设备获取高光 谱图像中的各种图像特征，并根据获取的各种图像特征对高光谱图像进行分类。
[0063] 计算设备，可W使用现有的任何计算机或者服务器，来对高光谱图像进行分类，运 里不再一一寶述。
[0064] 参见图1，本实施例提供一种高光谱图像分类方法，包括W下步骤：
[0065] 步骤100、获取高光谱图像并从高光谱图像中提取多种图像特征。
[0066] 其中，多种图像特征包括:光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差 分形态学剖面特征。
[0067] 在上述步骤100中，W原始高光谱数据作为光谱值特征，表示为XiGR2WXi;采用扩 展形态学滤波算法(算法参数:开运算和闭运算次数为4,滤波核的步长为2个像素单位)从 HSI的第一、第二、第=主成分分析图中提取出形态学滤波剖面特征，表示为X2GR27Xi;然 后，采用不同尺度和相位的Gabor滤波核(尺度为[1，2,3,4,5,6,7,8,9，10]个像素单位，相 位为[30°，60°，90° ,120° ,150° ,180°])从HSI的第一主成分分析图中提取出Gabor纹理特 征，表示为X3GRWXi;采用差分形态学滤波算法(参数:开运算和闭运算的核半径为[3,5,7， 9,11，13,15,17]个像素单位)从HSI的第一、第二、第S主成分分析图中提取出差分形态学 剖面特征，表示为X4 G R48Xi。
[0068] 其中，第一、第二、第=主成分分析图是从原始高光谱数据中提取出来的。
[0069] 步骤102、对提取的多种图像特征分别构建训练样本和测试样本。
[0070] 在步骤102中，上述对提取的多种图像特征分别构建训练样本的过程包括W下步 骤：
[0071] 从多种图像特征中的每种图像特征中选取预设比例的样本作为训练样本，表示为
{D }k=l,2,3,4；
[0072] 其中，Dk表示第k个特征的训练字典， ：表示样本类别总 数，Nk表示第k个图像特征的样本向量的维数，M表示训练样本的总数量，R表示实数。
[0073] 上述样本类别，是指可W从高光谱图像中可W确定的物质种类。
[0074] 上述测试样本数量=图像的总样本数量-M。
[0075] 步骤104、为每个测试样本提取自适应形状邻域，并构建与提取的每个自适应形状 邻域对应的自适应形状邻域矩阵。
[0076] 上述步骤104是通过局部多项式逼近的估计方法估计测试像素与其邻域像素的相 似性，为每个测试样本提取自适应形状邻域。该自适应形状邻域是W自身为中屯、，八个方向 可WW[1，2,3,5,7,9]个像素单位拓展的八边形区域。
[0077] 可W采用现有的任何局部多项式逼近的估计方法，为每个测试样本提取自适应形 状邻域，运里不再一一寶述。
[0078] 步骤106、对每个自适应形状邻域矩阵计算，得到多特征稀疏系数矩阵。
[0079] 上述步骤106中，通过W下公式得到多特征稀疏系数矩阵：
[0080]
[0081] 其中，S和慧表示多特征稀疏系数矩阵，Sk表示第多特征稀疏系数矩阵中属于第k个 特征部分的子矩阵，F表示Frobenius范数，I I S| Iadaptive,日表示自适应的矩阵范数，K日表示稀 疏度。其中，容表示最终求解的S。
[0082] 具体地，MsMadaptive,日是自适应的矩阵范数，可选择S中几个自适应集，每个自适 应集代表了多特征稀疏系数中非零系数的索引，而运些索引是不同的，但被约束在多特征 稀疏系数矩阵的同一类中。
[0083] 步骤108、通过多特征稀疏系数矩阵和训练样本重构测试样本，对测试样本进行分 类。
[0084] 上述步骤108具体包括W下步骤(1)至步骤(2):
[0085] (1)通过多特征稀疏系数矩阵与训练样本重构测试样本的多个特征的测试信号；
[0086] (2)根据重构的测试样本的多个特征的测试信号和W下公式，判定测试样本的类 别：
[0087]
[0088] 其中，Class(X)表示测试样本的类别，D凌4表示重构的第k个特征图像中测试样本 的自适应形状邻域的测试信号，Df表示第k个图像特征中的第C类训练样本，苗表示多特征 稀疏系数矩阵中对应于第k个特征和第C类样本的子矩阵部分。
[0089] 在步骤（1)中，将每个训练样本中属于某一类的部分与多特征稀疏系数矩阵中属 于该特征和该类的部分相乘，可重构该类和该特征的测试信号，同理可重构其他特征和其 他类的测试信号。
[0090] 综上所述，本实施例提供的高光谱图像分类方法，通过获取到的高光谱图像并从 高光谱图像中提取光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面特 征，对提取的多种图像特征分别构建训练样本和测试样本，并在此基础上得到多与每个测 试样本的自适应形状邻域对应的邻域矩和阵特征稀疏系数矩阵，从而通过每个自适应形状 邻域相应的邻域矩阵和多种图像特征的多特征稀疏系数矩阵，对测试样本进行分类，与现 有技术中提出的高光谱图像分类方法相比，能自适应地选取与被测试像素相似度更高的邻 域像素块，并同时考虑了多个特征之间的相似性和差异性，提高了分类精度。
[0091] 相关技术中，为了得到每个测试样本对应的邻域矩阵，会通过固定窗口邻域跨边 缘或跨类别选取邻域像素块，但是所选取的邻域像素块由于处于图像的边缘处或者不同类 别的衔接处，会导致所选取的邻域像素块与测试样本之间的相似度较低，从而降低了高光 谱图像的分类精度。所W，为了提高对高光谱图像的分类精度，本实施例所提出的高光谱图 像分类方法中，从构建的多个测试样本中的每个测试样本中提取自适应形状邻域，并构建 与提取的每个测试样本对应的邻域矩阵，包括W下步骤(1)至步骤(2):
[0092] (1)通过形状自适应的算法从得到的每个测试样本中提取自适应形状邻域；
[0093] (2)通过提取的自适应邻域内的像素，构建与提取的每个自适应形状邻域对应的 邻域矩阵{XLL.W;
[0094] 其中，
I示第k个图像特征的自适应形状邻域矩阵，<表示第k个 图像特征的自适应形状邻域矩阵内的第一个样本向量，r表示自适应形状邻域内像素的总 个数。
[00%]综上所述，通过形状自适应算法选取与自适应邻域内的像素相似度更高的邻域像 素块，在图像的边缘处或者不同类别的衔接处能很好的避开固定窗口邻域跨边缘或跨类别 选取邻域像素块的不足，提高了对高光谱图像的分类精度。
[0096] 实施例2:
[0097] 参见图2,本实施例提供一种高光谱图像分类装置，用于执行上述的高光谱图像分 类方法，包括：
[0098] 图像获取模块200,用于获取高光谱图像并从高光谱图像中提取多种图像特征，多 种图像特征包括:光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面特 征；
[0099] 样本构建模块202,用于对提取的多种图像特征分别构建训练样本和测试样本；
[0100] 图像处理模块204,用于为每个测试样本中提取自适应形状邻域，并构建与提取的 每个自适应形状邻域对应的自适应形状邻域矩阵；
[0101] 计算模块206,用于对每个自适应形状邻域矩阵进行计算，得到多特征稀疏系数矩 阵；
[0102] 分类模块208,用于通过多特征稀疏系数矩阵和训练样本重构测试样本，对测试样 本进行分类。
[0103 ]具体地，样本构建模块202，包括：
[0104]选取单元，用于从多种图像特征中的每种图像特征中选取预设比例的样本作为训 练样本，表示为{〇k}k=l,2,3,4;
[01化]其中，Dk表示第k个特征的训练字典，
，C表示样本类别总 数，Nk表示第k个图像特征的样本向量的维数，M表示训练样本的总数量，R表示实数。
[0106] 计算模块206,包括:确定单元，用于通过W下公式得到多特征稀疏系数矩阵：
[0107]
[0108] 其中，S和旨表示多特征稀疏系数矩阵，Sk表示多特征稀疏系数矩阵中属于第k个特 征部分的子矩阵，F表示Frobenius范数，I |S| Adaptive,日表示自适应的矩阵范数，K日表示稀疏 度。
[0109] 分类模块208,包括:重构单元，用于通过多特征稀疏系数矩阵与训练样本重构测 试样本的多个特征的测试信号；
[0110] 分类单元，用于根据重构的测试样本的多个特征的测试信号和W下公式，判定测 试样本的类别：
[0111]
[0112] 其中，Class(X)表示测试样本的类别，表示重构的第k个特征图像中测试样本 的自适应形状邻域的测试信号，Df表示第k个图像特征中的第C类训练样本，驾表示多特征 稀疏系数矩阵中对应于第k个特征和第C类样本的子矩阵部分。
[0113] 相关技术中，为了得到每个测试样本对应的邻域矩阵，会通过固定窗口邻域跨边 缘或跨类别选取邻域像素块，但是所选取的邻域像素块由于处于图像的边缘处或者不同类 别的衔接处，会导致所选取的邻域像素块与测试样本之间的相似度较低，从而降低了高光 谱图像的分类精度。所W，为了提高对高光谱图像的分类精度，本实施例所提出的高光谱图 像分类装置中，图像处理模块204，包括：
[0114] 计算单元，用于通过形状自适应的算法为得到的每个测试样本提取自适应形状邻 域；
[0115] 矩阵构建单元，用于通过提取的自适应邻域内的像素，构建与提取的每个自适应 形状邻域对应的自适应形状邻域矩阵;
[0116] 其中
g示第k个图像特征的自适应形状邻域矩阵，皆表示第k个 图像特征的自适应形状邻域矩阵内的第一个样本向量，r表示自适应形状邻域内像素的总 个数。
[0117] 综上所述，通过形状自适应算法选取与自适应邻域内的像素相似度更高的邻域像 素块，在图像的边缘处或者不同类别的衔接处能很好的避开固定窗口邻域跨边缘或跨类别 选取邻域像素块的不足，提高了对高光谱图像的分类精度。
[0118] 综上所述，本实施例提供的高光谱图像分类装置，通过获取到的高光谱图像并从 高光谱图像中提取光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面特 征，对提取的多种图像特征分别构建训练样本和测试样本，并在此基础上得到与每个测试 样本的自适应形状邻域对应的自适应形状邻域矩阵和多特征稀疏系数矩阵，从而通过每个 自适应形状邻域矩阵和多种图像特征的多特征稀疏系数矩阵，对测试样本进行分类，与现 有技术中提出的高光谱图像分类方法相比，能自适应地选取与被测试像素相似度更高的邻 域像素块，并同时考虑了多个特征之间的相似性和差异性，提高了分类精度。
[0119] 本发明实施例所提供的进行高光谱图像分类方法的计算机程序产品，包括存储了 程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中 所述的方法，具体实现可参见方法实施例，在此不再寶述。
[0120] 所属领域的技术人员可W清楚地了解到，为描述的方便和简洁，上述描述的系统、 装置和单元的具体工作过程，可W参考前述方法实施例中的对应过程，在此不再寶述。
[0121] 在本申请所提供的几个实施例中，应该理解到，所掲露的系统、装置和方法，可W 通过其它的方式实现。W上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分， 仅仅为一种逻辑功能划分，实际实现时可W有另外的划分方式，又例如，多个单元或组件可 W结合或者可W集成到另一个系统，或一些特征可W忽略，或不执行。另一点，所显示或讨 论的相互之间的禪合或直接禪合或通信连接可W是通过一些通信接口，装置或单元的间接 禪合或通信连接，可W是电性，机械或其它的形式。
[0122] 所述作为分离部件说明的单元可W是或者也可W不是物理上分开的，作为单元显 示的部件可W是或者也可W不是物理单元，即可W位于一个地方，或者也可W分布到多个 网络单元上。可W根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目 的。
[0123] 另外，在本发明各个实施例中的各功能单元可W集成在一个处理单元中，也可W 是各个单元单独物理存在，也可W两个或两个W上单元集成在一个单元中。
[0124] 所述功能如果W软件功能单元的形式实现并作为独立的产品销售或使用时，可W 存储在一个计算机可读取存储介质中。基于运样的理解，本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可WW软件产品的形式体现出来，该计 算机软件产品存储在一个存储介质中，包括若干指令用W使得一台计算机设备(可W是个 人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。 而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memo巧）、随机存取存 储器(RAM,Random Access Memory)、磁碟或者光盘等各种可W存储程序代码的介质。
[0125] W上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明掲露的技术范围内，可轻易想到变化或替换，都应涵 盖在本发明的保护范围之内。因此，本发明的保护范围应所述W权利要求的保护范围为准。
【主权项】
1. 一种高光谱图像分类方法，其特征在于，包括： 获取高光谱图像并从所述高光谱图像中提取多种图像特征，所述多种图像特征包括： 光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面特征； 对提取的多种所述图像特征分别构建训练样本和测试样本； 为每个测试样本提取自适应形状邻域，并构建与提取的自适应形状邻域对应的自适应 形状邻域矩阵； 对每个所述自适应形状邻域矩阵进行计算，得到多特征稀疏系数矩阵； 通过多特征稀疏系数矩阵和训练样本重构测试样本，对所述测试样本进行分类。2. 根据权利要求1所述的方法，其特征在于，所述对提取的多种所述图像特征分别构建 训练样本，包括： 从所述多种图像特征中的每种图像特征中选取预设比例的样本作为训练样本，表示为 {Dk}k=l，2,3,4; 其中，Dk表示第k个特征的训练字j，C表示样本类别总数，Nk 表示第k个图像特征的样本向量的维数，M表示训练样本的总数量，R表示实数。3. 根据权利要求2所述的方法，其特征在于，所述为每个测试样本提取自适应形状邻 域，并构建与提取的每个所述自适应形状邻域对应的自适应形状邻域矩阵，包括： 通过形状自适应的算法为得到的所述每个测试样本提取自适应形状邻域； 通过提取的所述自适应邻域内的像素，构建与提取的每个所述自适应形状邻域对应的 自适应形状邻域矩阵其[〖示第k个图像特征的自适应形状邻域矩阵，xf表示第k个图像 特征的自适应形状邻域矩阵内的第一个样本向量，F表示自适应形状邻域内像素的总个 数。4. 根据权利要求3所述的方法，其特征在于，所述对每个所述自适应形状邻域矩阵进行 计算，得到多特征稀疏系数矩阵，包括： 通过以下公式得到多特征稀疏系数矩阵：其中，3和§表示多特征稀疏系数矩阵，Sk表示多特征稀疏系数矩阵中属于第k个特征部 分的子矩阵，F表示Frobenius范数，I |S| |adaptive,ο表示自适应的矩阵范数，Ko表示稀疏度。5. 根据权利要求4所述的方法，其特征在于，所述通过所述多特征稀疏系数矩阵和训练 样本重构测试样本，对所述测试样本进行分类，包括:通过所述多特征稀疏系数矩阵与所述 训练样本重构所述测试样本的多个特征的测试信号； 根据重构的所述测试样本的多个特征的测试信号和以下公式，判定所述测试样本的类 别.其中，Class(X)表示测试样本的类别，表示重构的第k个特征图像中测试样本的自 适应形状邻域的测试信号，表示第k个图像特征中的第c类训练样本，表示多特征稀疏 系数矩阵中对应于第k个特征和第c类样本的子矩阵部分。6. -种高光谱图像分类装置，其特征在于，包括： 图像获取模块，用于获取高光谱图像并从所述高光谱图像中提取多种图像特征，所述 多种图像特征包括:光谱值特征、扩展形态学剖面特征、Gabor纹理特征和差分形态学剖面 特征； 样本构建模块，用于对提取的多种所述图像特征分别构建训练样本和测试样本； 图像处理模块，用于为每个测试样本提取自适应形状邻域，并构建与提取的每个所述 自适应形状邻域对应的自适应形状邻域矩阵； 计算模块，用于对每个所述自适应形状邻域矩阵进行计算，得到多特征稀疏系数矩阵； 分类模块，用于多特征稀疏系数矩阵和训练样本重构测试样本，对所述测试样本进行 分类。7. 根据权利要求6所述的装置，其特征在于，所述样本构建模块，包括：选取单元，用于从所述多种图像特征中的每种图像特征中选取预设比例的样本作为训 练样本，表不为{Dk}k=l,2,3,4; 其中，Dk表示第k个特征的训练字典， ，C表示样本类别总数，Nk 表示第k个图像特征的样本向量的维数，M表示训练样本的总数量，R表示实数。8. 根据权利要求7所述的装置，其特征在于，所述图像处理模块，包括： 计算单元，用于通过形状自适应的算法为得到的所述每个测试样本提取自适应形状邻 域； 矩阵构建单元，用于通过提取的所述自适应邻域内的像素，构建与提取的每个所述自 适应形状邻域对应的自适应形状邻域矩罔其中良示第k个图像特征的自适应形状邻域矩阵，<表示第k个图像 特征的自适应形状邻域矩阵内的第一个样本向量，F表示自适应形状邻域内像素的总个 数。9. 根据权利要求8所述的装置，其特征在于，所述计算模块，包括： 确宙里元.用干诵忖W下公忒徨刹名賠征稀疏系教矩阵：其中，3和§表示多特征稀疏系数矩阵，Sk表示多特征稀疏系数矩阵中属于第k个特征部 分的子矩阵，F表示Frobenius范数，I |S| |adaptive,ο表示自适应的矩阵范数，Ko表示稀疏度。10. 根据权利要求9所述的装置，其特征在于，所述分类模块，包括： 重构单元，用于通过所述多特征稀疏系数矩阵与所述训练样本重构所述测试样本的多 个特征的测试信号； 分类单元，用于根据重构的所述测试样本的多个特征的测试信号和以下公式，判定所 述测试样本的类别：其中，Class(X)表示测试样本的类别，表示重构的第k个特征图像中测试样本的自 适应形状邻域的测试信号，D)表示第k个图像特征中的第c类训练样本，&表示多特征稀疏 系数矩阵中对应于第k个特征和第c类样本的子矩阵部分。
【文档编号】G06K9/62GK106022358SQ201610312677
【公开日】2016年10月12日
【申请日】2016年5月11日
【发明人】李树涛, 王成, 方乐缘
【申请人】湖南大学