一种高光谱图像分类方法、装置、电子设备和介质

本发明涉及高光谱图像分类，特别是涉及一种高光谱图像分类方法、一种高光谱图像分类装置、一种电子设备以及一种计算机可读介质。

背景技术：

1、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。

2、当前高光谱图像空间纹理特征提取用于分类的研究中取得了一定成效，但仍然存在一些不足：传统方法提取的空间特征并未有效改进空间分辨率，因此提取的空间特征对于辅助高光谱图像分类效果比较有限；并且过去超像素分割对图像进行处理后，图像局部信息依然存在模糊不清，边缘不清晰等不足，分类效果不佳。

技术实现思路

1、鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种高光谱图像分类方法和相应的一种高光谱图像分类装置、一种电子设备以及一种计算机可读介质。

2、本发明实施例公开了一种高光谱图像分类方法，所述方法包括：

3、获取高光谱图像；

4、对所述高光谱图像进行超像素分割，得到超像素分割结果；

5、对所述超像素分割结果进行归一化处理；

6、对经过归一化处理的超像素分割结果进行自适应流形滤波处理，得到所述高光谱图像的空间特征；

7、将所述空间特征输入大间隔分布机分类模型，得到所述高光谱图像的分类结果。

8、可选地，对所述高光谱图像进行超像素分割，得到超像素分割结果的步骤，包括：

9、初始化所述超像素分割结果的节点和边构建无向图；所述节点为像素点构成的超像素；

10、计算随机熵率和平衡项，并建立目标函数；

11、根据所述目标函数分割所述无向图，得到超像素分割结果。

12、可选地，对经过归一化处理的超像素分割结果进行自适应流形线性滤波处理，得到空间特征的步骤，包括：

13、将所述经过归一化处理的超像素分割结果的像素投射到流形树上并对流形树进行高斯距离加权，得到加权结果；

14、对所述加权结果进行平滑滤波处理，得到平滑滤波结果；

15、采用所述平滑滤波结果计算每个像元的滤波响应；

16、计算所述经过归一化处理的超像素分割结果的流形树高度；

17、根据所述流形树高度和所述滤波响应递归得到递归结果；

18、将超像素分割结果每一波段图像的基础空间信息和所述递归结果线性融合得到所述高光谱图像的空间特征。

19、可选地，所述大间隔分布机分类模型的生成方法，包括：

20、获取高光谱图像数据集；

21、对所述高光谱图像数据集进行超像素分割，得到超像素分割结果；

22、对所述超像素分割结果进行归一化处理；

23、对经过归一化处理的超像素分割结果进行自适应流形线性滤波处理，得到空间特征数据集；

24、采用所述空间特征数据集对大间隔分布机初始模型进行训练，得到所述大间隔分布机分类模型。

25、可选地，采用所述空间特征数据集对大间隔分布机初始分类模型进行训练，得到所述大间隔分布机分类模型的步骤，包括：

26、将所述空间特征数据集分为训练集和测试集；

27、采用所述训练集对所述大间隔分布机初始模型进行训练，得到大间隔分布机分训练模型；

28、采用交叉验证法优化所述大间隔分布机分训练模型的模型参数并采用所述测试集进行模型性能测试，得到所述大间隔分布机分类模型。

29、本发明实施例还公开了一种高光谱图像分类装置，所述装置包括：

30、图像获取模块，用于获取高光谱图像；

31、分割模块，用于对所述高光谱图像进行超像素分割，得到超像素分割结果；

32、归一化模块，用于对所述超像素分割结果进行归一化处理；

33、滤波模块，用于对经过归一化处理的超像素分割结果进行自适应流形滤波处理，得到所述高光谱图像的空间特征；

34、分类模块，用于将所述空间特征输入大间隔分布机分类模型，得到所述高光谱图像的分类结果。

35、可选地，超像素分割模块，包括：

36、初始化构图子模块，用于初始化所述超像素分割结果的节点和边构建无向图；所述节点为像素点构成的超像素；

37、目标函数建立子模块，用于计算随机熵率和平衡项，并建立目标函数；

38、分割子模块，用于根据所述目标函数分割所述无向图，得到超像素分割结果。

39、可选地，滤波模块，包括：

40、投射处理子模块，用于将所述经过归一化处理的超像素分割结果的像素投射到流形树上并对流形树进行高斯距离加权，得到加权结果；

41、平滑处理子模块，用于对所述加权结果进行平滑滤波处理，得到平滑滤波结果；

42、聚合处理子模块，用于采用所述平滑滤波结果计算每个像元的滤波响应；

43、流形树高度计算子模块，用于计算所述经过归一化处理的超像素分割结果的流形树高度；

44、递归滤波处理子模块，用于根据所述流形树高度和所述滤波响应递归得到递归结果；

45、线性结合子模块，用于将超像素分割结果每一波段图像的基础空间信息和所述递归结果线性融合得到所述高光谱图像的空间特征。

46、可选地，所述装置，包括：

47、图像数据集获取模块，用于获取高光谱图像数据集；

48、第二超像素分割模块，用于对所述高光谱图像数据集进行超像素分割，得到超像素分割结果；

49、第二归一化模块，用于对所述超像素分割结果进行归一化处理；

50、第二滤波模块，用于对经过归一化处理的超像素分割结果进行自适应流形线性滤波处理，得到空间特征数据集；

51、模型训练模块，用于采用所述空间特征数据集对大间隔分布机初始模型进行训练，得到所述大间隔分布机分类模型。

52、可选地，所述模型训练模块，包括：

53、数据集划分子模块，用于将所述空间特征数据集分为训练集和测试集；

54、模型初始训练子模块，用于采用所述训练集对所述大间隔分布机初始模型进行训练，得到大间隔分布机分训练模型；

55、模型参数优化子模块，用于采用交叉验证法优化所述大间隔分布机分训练模型的模型参数并采用所述测试集进行模型性能测试，得到所述大间隔分布机分类模型。

56、本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；

57、所述存储器，用于存放计算机程序；

58、所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的高光谱图像分类方法。

59、本发明实施例还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的高光谱图像分类方法。

60、本发明实施例包括以下优点：

61、本发明实施例的高光谱图像分类方法，通过获取高光谱图像，对高光谱图像进行超像素分割，得到超像素分割结果，对超像素分割结果进行归一化处理，对经过归一化处理的超像素分割结果进行自适应流形线性滤波处理，得到高光谱图像的空间特征，将空间特征输入大间隔分布机分类模型，得到高光谱图像的分类结果。本发明对高光谱图像进行超像素分割重建后，对分割后的图像进一步进行滤波处理提取更为清晰的空间特征，最后采用大间隔分布机ldm实现像元高精度分类，该方法充分利用了高光谱像元间的空间相关性，能够提取清晰的局部和全局空间特征，有效改进高光谱图像空间分辨率和图像清晰度，获得良好的高光谱图像分类效果。