一种基于空间光谱协同稀疏解混的高光谱图像分类方法

本发明属于高光谱图像分类，具体涉及一种基于空间光谱协同稀疏解混的高光谱图像分类方法。

背景技术：

1、图像分类是遥感影像处理和应用的一项重要内容，其目标是对图像中的每个像元进行唯一的类别划分。高光谱遥感影像相较于其它遥感影像蕴含更丰富的地物光谱信息，其分类研究也更具挑战性。目前的高光谱图像分类方法主要有像元级、对象级和亚像元级三种主流类别。像元级分类利用像元级的光谱信息，通过光谱向量的特征提取与差异度量等方法实现像元的类别划分，也可以采用机器学习算法学习像元的标签数据，掌握像元光谱的潜在特征差异，构建有监督分类器；对象级分类考虑了图像的空间信息，利用图像分割技术，如多尺度分割算法获得不同对象或区域，然后提取对象级特征并将其用于分类；亚像元级分类则考虑像元内部的细微物质构成和结构信息，挖掘像元在物质构成上的特征相似性和差异性，实现更精细的地物目标分类。随着高光谱成像技术的发展和成像设备的进步，高光谱图像的空间分辨率和光谱分辨率日益提升，为精细化的高光谱图像亚像元分类提供了现实条件。

2、在现有的基于亚像元信息的高光谱图像分类方法中主要有以下两种：①基于软分类技术和光谱解混相结合的分类方法(该方法所在论文的doi：10.1109/jstsp.2010.2096798)。该方法面向混合像素存在下的高光谱图像，提出了一种基于解混丰度信息的空间正则化方法。该方法首先采用支撑向量机对类别确定性比较强的像素进行分类，而对于类别不确定性的像素，通过在亚像素尺度上挖掘不同类的丰度系数，并利用模拟退火方法进行空间正则化，对每个像素内的土地覆盖类进行空间定位，实现了混合像元的亚像素级分类。②基于svm(支撑向量机)的高光谱图像亚像元分类方法(该方法所在论文的doi：10.13203/j.whugis20150443)。该方法首先采用简化的训练样本训练基于径向基核函数的svm分类器。然后，采用全变分正则去噪模型，率先对高光谱图像中可能存在的随机噪声进行去噪，并采用全约束混合像元分解得到像元的解混结果，剔除纯净像元。最后将混合像元带入svm分类器进行回归分析，得到亚像元分类结果。该方法综合考虑了中心像元及其邻近像元丰度值对亚像元类别归属的影响，通过剔除纯净像元来缩减样本数量，在保证精度的同时提高了算法效率。

3、基于软分类技术和光谱解混相结合的分类方法有以下局限：一方面，需要选择合适的阈值以判定类别确定性较强的像元，同时需要设置缩放因子以确定亚像元分类的粒度；另一方面，基于模拟退化算法的空间正则化方法对缩放因子较敏感，较大的缩放因子在提升亚像元分类粒度的同时，会导致计算复杂度剧烈增加。此外，基于svm的高光谱图像亚像元分类方法亦有以下局限：一方面，纯像元的剔除虽然可以提高分类效率，但可能会损失不同类别的差异特征，模糊不同类别像元的分类边际；另一方面，仅利用全变分正则化模型进行图像去噪，没有利用全变分项的平滑诱导作用实现高光谱相似像元的类别归并与杂点剔除。

4、尽管尚存在其它利用亚像元信息的高光谱图像分类方法，但大多将其作为辅助手段，纯粹依赖高光谱解混信息的图像分类方法仍然匮乏。而且，现有的亚像元级图像分类方法没有充分挖掘和利用图像的地物构成信息，没有有效结合图像的空间分布特征。因此，有必要探索高光谱图像亚像元构成信息的有效利用方式，结合高光谱图像的空间结构先验，实现其在亚像元层面的低维特征表示与差异度量，建立高效的高光谱图像亚像元分类方法。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于空间光谱协同稀疏解混的高光谱图像分类方法。本发明要解决的技术问题通过以下技术方案实现：

2、一种基于空间光谱协同稀疏解混的高光谱图像分类方法包括：

3、s100，获取待分类的高光谱图像y、适用的光谱库a以及该光谱库a中部分像元的类别标签，其中，所述光谱库a包括众多基本物质的光谱特征，所述高光谱图像的像元光谱由光谱库a中的基本物质的光谱特征组合而成，组成系数由丰度矩阵x表示；

4、s200，根据所述高光谱图像y对所述光谱库a进行修剪，得到与之匹配的光谱库子集a1；

5、s300，利用光谱库子集a1构建空间光谱协同稀疏解混模型，并求解其亚像元表征{a1，x}；

6、s400，提取所述亚像元表征{a1，x}中的丰度矩阵x的非零行，并重组得到亚像元表征信息x1；

7、s500，利用所述亚像元表征信息x1的任一列与该列对应的类别标签，训练预设的svm分类器模型；

8、s600，利用训练好的svm分类器模型，对所述亚像元表征信息x1中剩余列进行分类得到类别标签，并作为所述高光谱图像y中对应像元的分类结果。

9、有益效果：

10、本发明提供了一种基于空间光谱协同稀疏解混的高光谱图像分类方法，包括：获取待分类的高光谱图像y以及适用的光谱库a；根据所述高光谱图像y对所述光谱库a进行修剪，得到与之匹配的光谱库子集a1；利用光谱库子集a1构建空间光谱协同稀疏解混模型，并求解其亚像元表征{a1，x}；提取所述亚像元表征{a1，x}中的丰度矩阵x的非零行，并重组得到亚像元表征信息x1；利用所述亚像元表征信息x1与s100中的类别标签信息训练预设的svm分类器模型：利用训练好的svm分类器模型，对矩阵x1的列进行分类，得到所述高光谱图像y的分类结果。本发明通过对高光谱图像y解混得到其丰度矩阵x根据该矩阵对像元进行分类，准确性显著提高；而且基于丰度矩阵的图像分类方法减少了特征维度，简化了分类器的输入，从而提高了分类的效率，尤其是对于大规模高光谱图像数据的处理；并且本发明利用全变分项诱导局部邻域中像元构成的相似性，能够抑制不同程度的噪声和遮挡。而且，通过诱导相邻像元丰度向量的相似性，可以促进相似像元所属类别的归并，取得更好的分类效果。

11、以下将结合附图及实施例对本发明做进一步详细说明。

技术特征：

1.一种基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，包括：

2.根据权利要求1所述的基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，s200包括：

3.根据权利要求2所述的基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，s220中的投影算子表示为：

4.根据权利要求1所述的基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，s300包括：

5.根据权利要求4所述的基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，

6.根据权利要求1所述的基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，s400包括：

7.根据权利要求1所述的基于空间光谱协同稀疏解混的高光谱图像分类方法，其特征在于，s500包括：

技术总结本发明提供了一种基于空间光谱协同稀疏解混的高光谱图像分类方法，包括：获取高光谱图像Y以及光谱库A；根据高光谱图像Y对所述光谱库A进行修剪得到光谱库子集A<subgt;1</subgt;，之后构建空间光谱协同稀疏解混模型，求解其亚像元表征{A<subgt;1</subgt;，X}，并从中提取丰度矩阵X的非零行构成矩阵X<subgt;1</subgt;，再结合类别标签信息训练预设的SVM分类器模型，实现对高光谱图像Y的分类。本发明利用丰度矩阵对像元进行分类可以显著提高准确性，并且减少特征维度简化了分类器的输入从而提高了分类的效率；此外，本发明利用全变分项诱导局部邻域中像元构成的相似性，能够抑制不同程度的噪声和光谱差异性，可以促进相似像元所属类别的归并，取得更好的分类效果。技术研发人员：赵雨星,刘芝含,张世乐,蒋祥明,刘洁怡,李豪,张明阳受保护的技术使用者：西安电子科技大学技术研发日：技术公布日：2024/9/29