基于主成分分析网络和空间坐标的高光谱图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109492593A(43)申请公布日2019.03.19(21)申请号201811366518.1(22)申请日2018.11.16(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人慕彩红刘逸刁许玲刘若辰熊涛李阳阳刘敬(74)专利代理机构陕西电子工业专利中心61205代理人王品华张问芬(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书7页附图2页(54)发明名称基于主成分分析网络和空间坐标的高光谱图像分类方法(57)摘要本发明公开了一种基于主成分分析网络与空间坐标的高光谱图像分类方法，主要解决了现有技术空间与光谱信息融合复杂或不充分以及利用主成分分析网络进行高光谱分类时计算复杂度大等问题。其实现的方案为：先读取高光谱图像的数据集；再将数据集按空间分块随机选取训练集与测试集；然后对光谱信息进行降维、归一化及边缘保留滤波处理；接着将空间坐标扩充并与光谱特征融合；然后训练主成分分析网络，得训练好的主成分分析网络；将测试集数据输入训练好的主成分分析网络，得到测试集中每个像素点的特征向量；最后利用支持向量机SVM得到分类结果。本发明降低了计算复杂度，提高了分类效果，可应用于资源勘探、森林覆盖、灾害监测中的目标识别。CN109492593ACN109492593A权利要求书1/2页1.一种基于主成分分析网络和空间坐标的高光谱图像分类方法，其特征在于，包括如下：(1)输入待分类高光谱图像对应的数据集；(2)将输入的高光谱图像数据集，按照图像中像素点的空间位置，均匀分割成100份的小数据集，在每一个小数据集中，对每一个地物类别按照固定的比例随机选取训练样本，并将选出的训练样本合并到一起进行随机打乱，作为训练集，其余像素点组成测试集；(3)对输入的待分类高光谱图像依次进行降维、归一化和滤波处理，得到预处理后的光谱特征；(4)获取待分类高光谱图像中每一个像素点所在的空间坐标值，并对这些空间坐标进行扩充；(5)将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合，得到每个像素点的融合特征；(6)对高光谱图像的每个像素点选取3*3邻域块后，将该邻域块内所有像素点的融合特征按列排列，得到每个像素点对应的二维特征矩阵；(7)利用训练集中每个像素点对应的二维特征矩阵训练主成分分析网络，得到训练好的主成分分析网络；(8)将测试集中每个像素点对应的二维特征矩阵输入到训练好的主成分分析网络中，得到测试集中每个像素点对应的特征向量；(9)将测试集中每个像素点对应的特征向量输入支持向量机SVM进行分类，得到测试集中每个像素点的分类结果。2.根据权利要求1所述的方法，其特征在于(3)中对待分类高光谱图像进行降维，是利用主成分分析法PCA，其实现如下：(3a)将高光谱图像矩阵中每个像素点的所有维光谱展开成一个光谱特征向量，所有像素点的光谱特征向量按行排列组成光谱特征矩阵；(3b)对光谱特征矩阵中的元素按列求平均值，并用光谱特征矩阵中的每个元素分别减去该元素在光谱特征矩阵中对应列的平均值；(3c)对光谱特征矩阵中每两列元素求协方差，构造光谱特征矩阵的协方差矩阵；(3d)利用协方差矩阵的特征方程，求得与光谱特征向量一一对应的所有协方差矩阵的特征值；(3e)将所有特征值按照从大到小排序，从排序中选择前3个特征值，将这3个特征值分别对应的光谱特征向量按列组成主特征矩阵；(3f)将高光谱图像矩阵投影到主特征矩阵上，得到降维后的高光谱图像。3.根据权利要求1所述的方法，其特征在于(3)中对降维后的待分类高光谱图像进行归一化，通过如下公式进行：其中，是降维后的第i维光谱图像中的第j个像素值，是降维后的第i维光谱图像中的最小像素值，是降维后的第i维光谱图像中的最大像素值。2CN109492593A权利要求书2/2页4.根据权利要求1所述的方法，其特征在于(3)中对降维、归一化后的待分类高光谱图像进行滤波处理，是对降维、滤波后的高光谱图像的每一维光谱图像利用RGF边缘保留滤波进行滤波操作，其公式如下：其中，p是像素点，q是像素点p的邻域中的像素点，σs是空间权重，σr是范围权重，t为迭代次数，I(q)为输入图像中的像素点q的像素值，N(p)是像素点p的邻域，Jt(p)是像素点p第t次迭代后的值，Jt(q)是像素点q第t次迭代后的值，Jt+1(p)是像素点p迭代t+1次的值。5.根据权利要求1所述的方法，其特征在于(5)中将每个像素点扩充后的空间坐标与预处理后光谱特征进行融合，其实现如下：对于像素点p，假设其通过主成分分析法降维后的光谱特征为p＝(p1,p2,…,pm)，坐标值为(x,y)，扩充后的空间坐标值为