专利摘要

本发明公开了一种结合空间信息的高光谱分类结果优化方法。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息，往往忽视图像空间域信息。本发明在利用数据进行自身光谱特征分类的同时采用自适应阈值边缘提取和内部膨胀法相结合的空间域有效信息对光谱分类结果进行补充。本发明首先采用基于支持向量机的分类方法对数据进行谱域分类。之后采用自适应阈值边缘提取和内部膨胀法引入空间域有效信息对光谱分类结果进行修正。本发明更加充分地利用了高光谱数据包含的信息，提高了高光谱图像分类精度。

权利要求

1.结合空间信息的高光谱分类结果优化方法，其特征在于该方法包括以下步骤：

1）高光谱谱域分类；

首先对数据做归一化处理，并依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本构成训练样本集；然后进行分类器的训练，采用的分类器为支持向量机；最后用训练好的分类器进行数据的测试，即能得到谱域分类的结果；

2）自适应阈值边缘提取；

自适应阈值边缘提取分为提取多波段梯度图和用一个自适应阈值二值化处理两部分；

2.1）提取多波段梯度图，具体是：

第一步：选择n个目标边缘清晰的波段组成用于目标边缘提取的数据集；

并计算各波段每个像素点在横坐标和纵坐标下的偏导数：

$u_n=\frac{\partial f\left(n\right)}{\partial x},n=\mathrm{1,2,3}......m---\left(1\right)$

$v_n=\frac{\partial f\left(n\right)}{\partial y},n=\mathrm{1,2,3}....m---\left(2\right)$

其中f(n)表示每波段数据；

第二步：计算各波段偏导数点乘的和：

$g_{\mathrm{xx}}=\underset{n=1}{\overset{m}{\Sigma }}(u_n·u_n)=\underset{n=1}{\overset{m}{\Sigma }}\left({u_n}^T{u}_n\right)=\frac{\partial f\left(1\right)}{\partial x}·\frac{\partial f\left(1\right)}{\partial x}+\frac{\partial f\left(2\right)}{\partial x}·\frac{\partial f\left(2\right)}{\partial x}·+......+\frac{\partial f\left(n\right)}{\partial x}·\frac{\partial f\left(n\right)}{\partial x}---\left(3\right)$

$g_{\mathrm{yy}}=\underset{n=1}{\overset{m}{\Sigma }}(v_n·v_n)=\underset{n=1}{\overset{m}{\Sigma }}\left({v_n}^T{v}_n\right)=\frac{\partial f\left(1\right)}{\partial x}·\frac{\partial f\left(1\right)}{\partial x}+\frac{\partial f\left(2\right)}{\partial x}·\frac{\partial f\left(2\right)}{\partial x}·+......+\frac{\partial f\left(n\right)}{\partial x}·\frac{\partial f\left(n\right)}{\partial x}---\left(4\right)$

$g_{\mathrm{xy}}=\underset{n=1}{\overset{m}{\Sigma }}(u_n·v_n)=\underset{n=1}{\overset{m}{\Sigma }}\left({u_n}^T{v}_n\right)=\frac{\partial f\left(1\right)}{\partial x}·\frac{\partial f\left(1\right)}{\partial y}+\frac{\partial f\left(2\right)}{\partial x}·\frac{\partial f\left(2\right)}{\partial y}·+......+\frac{\partial f\left(n\right)}{\partial x}·\frac{\partial f\left(n\right)}{\partial y}---\left(5\right)$

即可得到3个矩阵；

第三步：计算最大变化率方向θ和该方向上的变化率F(θ)：

$\theta =\frac{1}{2}\arctan \left[\frac{2g_{\mathrm{xy}}}{(g_{\mathrm{xy}}-g_{\mathrm{yy}})}\right]---\left(6\right)$

$F\left(\theta \right)={\left\{\frac{1}{2}\right[(g_{\mathrm{xx}}+g_{\mathrm{yy}})+(g_{\mathrm{xx}}-g_{\mathrm{yy}})\cos 2\theta +2g_{\mathrm{xy}}\sin 2\theta \left]\right\}}^{\frac{1}{2}}---\left(7\right)$

即可得到多波段数据边缘梯度图F(θ)；

2.2）自适应阈值二值化处理，具体是：

首先，根据同一靶标的像素点应该是成区域分布这一特性，把光谱域分类结果点自动分为多块区域，并计算每一块区域的中心点；

然后，以每个中心点为圆心，画一个圆，半径根据每块区域目标点聚类的个数求得，选择圆的面积是分块区域像素点的3倍，这样就能基本覆盖每个目标，提取圆内的梯度图，从而能得到N幅目标梯度图；

同时计算每个圆内像素梯度的均值K_N,根据公式

T_N＝aK_N+b    （8）

计算得到每个圆内梯度图的阈值T_N，其中a,b是两个变量，需根据实际数据大小调节；

最后，用每个阈值T_N对每个圆内梯度图进行二值化处理和边缘细化处理，即能得到N个目标的边缘；求并集，即是所有目标的边缘；

3）内部膨胀,具体是：

第一步：提取目标现有的像素点，并判断每一个像素点（i,j）是否在每个轮廓区域内,判断的步骤为：（1）选取与该像素点同行的轮廓点坐标(X_1n,Y_1n)，n=1,2,...和与该像素点同列的轮廓点坐标(X_2m,Y_2m),m=1,2,...；（2）如果存在 且 则可判断该像素点在目标区域内部；

第二步：如果该像素点在目标内部，则对该点进行一次膨胀,新得到的点归为目标点；其中，膨胀操作采用的模板为：

$p=\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right]$

第三步：重复步骤第一步和第二步，直到没有点增加时结束；

第四步：对结果做并集就能得到目标和轮廓的叠加图；减掉所有轮廓点即能得到纯目标点，对图像再做一次膨胀；即可得到最终的结果图。

说明书

技术领域

本发明属于信息技术领域，涉及到模式识别、图像处理技术，具体是结合空间信息的高光谱分类结果优化方法。

背景技术

高光谱遥感数据具有较高的光谱分辨率，包含丰富的地物光谱信息。传统的高对光谱遥感图像进行分类与识别时，往往只着重于数据光谱维上的信息，却忽略了空间维包含的信息，一般效果欠佳。其实，高光谱遥感影像能从空间维、光谱维两个不同的角度对地物进行表达。在对高光谱数据进行光谱维分析时，引入空间维信息，可以增加大量隐含的对地物识别与处理有用的信息，从而对光谱维分类结果进行优化。

发明内容

本发明的目的就是针对现有技术的不足，提供了一种结合空间信息的高光谱分类结果优化方法。该方法弥补了传统模式分类方法在高光谱分类问题上忽视了空间维的信息的不足。为了对光谱维分类的结果进行优化，本发明引入空间维信息，可用自适应阈值边缘提取和内部膨胀法来实现。

本发明方法包括以下步骤：

1）高光谱谱域分类。

首先对数据做归一化处理，并依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本构成训练样本集；然后进行分类器的训练，采用的分类器为支持向量机；最后用训练好的分类器进行数据的测试，即能得到谱域分类的结果。

2）自适应阈值边缘提取

自适应阈值边缘提取分为提取多波段梯度图和用一个自适应阈值二值化处理两部分。

2.1）提取多波段梯度图

提取多波段梯度图的具体步骤为：

第一步：选择n个目标边缘清晰的波段(假设n=m)组成用于目标边缘提取的数据集。

并计算各波段每个像素点在横坐标和纵坐标下的偏导数：

un=∂f(n)∂x,n=1,2,3......m---(1)]]>

vn=∂f(n)∂y,n=1,2,3....m---(2)]]>

其中f(n)表示每波段数据。

第二步：计算各波段偏导数点乘的和：

gxx=Σn=1m(un·un)=Σn=1m(unTun)=∂f(1)∂x·∂f(1)∂x+∂f(2)∂x·∂f(2)∂x·+......+∂f(n)∂x·∂f(n)∂x---(3)]]>

gyy=Σn=1m(vn·vn)=Σn=1m(vnTvn)=∂f(1)∂x·∂f(1)∂x+∂f(2)∂x·∂f(2)∂x·+......+∂f(n)∂x·∂f(n)∂x---(4)]]>

gxy=Σn=1m(un·vn)=Σn=1m(unTvn)=∂f(1)∂x·∂f(1)∂y+∂f(2)∂x·∂f(2)∂y·+......+∂f(n)∂x·∂f(n)∂y---(5)]]>

即可得到3个矩阵。

第三步：计算最大变化率方向θ和该方向上的变化率F(θ)：

θ=12arctan[2gxy(gxy-gyy)]---(6)]]>

F(θ)={12[(gxx+gyy)+(gxx-gyy)cos2θ+2gxysin2θ]}12---(7)]]>

即可得到多波段数据边缘梯度图F(θ)。

2.2）自适应阈值二值化处理

在得到梯度图后，如果采用单一阈值T对整幅梯度图进行二值化处理，很难做到在提取较多目标边缘的同时，抑制较多的背景边缘。本发明提出了一种对图像先分块，然后选取一个自适应的阈值对每一块进行二值化处理的方法。每一块的最佳阈值的大小和其梯度均值成正比。

首先，根据同一靶标的像素点应该是成区域分布这一特性，可以把光谱域分类结果点自动分为多块区域，（把距离小于3个像素点的结果点归为一块）并认为每块区域像素点很少的为噪声，删去,最后得到N块区域。并计算每一块区域的中心点；

然后，以每个中心点为圆心，画一个圆，半径可根据每块区域目标点聚类的个数求得，可以选择圆的面积是分块区域像素点的3倍，这样就能基本覆盖每个目标，提取圆内的梯度图，从而能得到N幅目标梯度图。

同时计算每个圆内像素梯度的均值K_N,根据公式

T_N＝aK_N+b    （8）

计算得到每个圆内梯度图的阈值T_N，其中a,b是两个变量，需根据实际数据大小调节。

最后，用每个阈值T_N对每个圆内梯度图进行二值化处理和边缘细化处理，即能得到N个目标的边缘。求并集，即是所有目标的边缘。

3）内部膨胀法

本发明还提出了一种用于空间域结果优化的内部膨胀法。在得到目标点分块区域和边缘轮廓信息后，对在轮廓内部的像素点膨胀，直到充满这个边缘轮廓。

第一步：提取目标现有的像素点（删除步骤4得到的噪声点后），并判断每一个像素点（i,j）是否在每个轮廓区域内,判断的步骤为：（1）选取与该像素点同行的轮廓点坐标(X_1n,Y_1n)，n=1,2,...和与该像素点同列的轮廓点坐标(X_2m,Y_2m),m=1,2,...；（2）如果存在且 则可判断该像素点在目标区域内部。

第二步：如果该像素点在目标内部，则对该点进行一次膨胀,新得到的点归为目标点。其中，膨胀操作采用的模板为：

p=010111010]]>

与常用的3x3全为1的模板相比，因为模板p的四个角都为0，在遇到目标边缘为斜边或较不规则的情况时，目标点就不会膨胀到目标外部。

第三步：重复步骤1和2，直到没有点增加时结束。

第四步：对结果做并集就能得到目标和轮廓的叠加图。减掉所有轮廓点即能得到纯目标点，但这也减去了目标的最外面一圈轮廓和内部的一些像素点，为了解决这个问题，可以对图像再做一次膨胀。即可得到最终的结果图。

本发明有益效果：本发明更加充分地利用了高光谱数据包含的信息，提高了高光谱图像分类精度。

附图说明

图1为145波段的灰度图。

图2为本发明方法流程图。

图3为目标1和目标2光谱维分类结果图。

图4为127到148波段数据梯度图。

图5为目标1的边缘轮廓。

图6为目标1和目标2的分类结果优化图。

具体实施方式

本发明根据空间域信息，首先提出了一种用自适应阈值求取高光谱图像边缘轮廓的方法：传统的用单波段数据、单阈值进行边缘提取的方法效果欠佳，所以本发明先用多个波段的数据提取梯度图，然后用一组自适应的阈值进行边缘提取。

然后又提出了一种内部膨胀法。在得到边缘轮廓后，采用传统的区域生长法进行优化需要完全封闭的边缘轮廓，但这在实际应用时很难得到，而本发明提出的内部膨胀法即使面对不完全封闭的边缘轮廓，也能取得较好的结果。

结合着两种方法可以对基于SVM支持向量机的高光谱分类结果进行优化。

以下结合实施例对本发明作进一步描述。

1）数据概述

实验数据由中国科学院长春光学精密机械与物理研究所提供。数据大小为226×500×155像素，右上方半挂车上从左至右包含有军绿铁板靶标5个（为目标1，每个靶标大小约16×29像素），左上方从左至右包含军绿木板靶标5个（为目标2，每个靶标大小约17×30像素），其他为背景，包含无关非目标靶标4个、厢式货车1辆、半挂车2辆、树林、矮灌木等。第145波段数据如图1所示。

本发明方法流程图如图2所示。

2）光谱域分类

选择支持向量机作为分类器对数据进行分类。

首先，选择2%的背景像素点、30%目标1和30%目标2区域的像素点组成训练样本集；然后是分类器的训练，选择高斯径向基函数为支持向量机的核函数，采取网格搜索法对参数c和γ寻优（c为惩罚因子、γ为核函数参数）；最后用训练好的分类器对数据进行分类。目标1和目标2光谱维分类结果如图3所示。

光谱维分类结果显示，对于军绿铁板的分类正确率只有23.44%，对于军绿木板的分类正确率只有30.17%，总体分类正确率为26.80%，分类结果很不理想。

3）目标边缘提取

第一步：首先选择目标边缘较清晰的127到148波段的高光谱数据组成用于目标边缘提取的数据集。

第二步：根据公式（1）和公式（2）计算每个像素点在横坐标和纵坐标下的偏导数，梯度算子为Sobel算子；再根据公式（3）-（7）计算得到多波段数据的梯度图，127到148波段数据梯度图如图4所示。

第三步：载入光谱域分类结果，把距离小于3个像素点的结果点归为一块区域，同时删除像素点数小于5的区域，目标1和目标2都能被分成了5块区域。

第四步：求取每块区域的梯度均值K_N，根据公式（8）即可求得每块区域的自适应阈值T_N，其中，a、b值取了2和-0.39。目标1的边缘轮廓如图5所示。

4）内部膨胀

在得到目标点分块结果和目标轮廓区域后，就可以用内部膨胀法进行处理，目标1和目标2的分类结果优化图如图6所示。

5）结果与分析

光谱维分类结果和优化后分类准确率统计表如表1所示。

表1.分类结果统计表（%）

分类结果表明，传统的基于SVM支持向量机的光谱域分类效果较差；在引入空间信息后，目标1（军绿铁板靶标）的分类准确率从23.44%上升到93.52%，目标2（军绿木板靶标）的分类准确率从30.17%上升到95.48%，分别提高了70.08%和65.37%。

实验证明，在用传统的分类方法对高光谱数据进行目标分类时，引入空间信息有利于分类精度的提升。

结合空间信息的高光谱分类结果优化方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。