專利名稱：一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種同時(shí)利用光譜和空間信息的高光譜數(shù)據(jù)分類方法，屬于 高光譜數(shù)據(jù)處理方法與應(yīng)用技術(shù)領(lǐng)域，適用于高光譜數(shù)據(jù)無(wú)監(jiān)督分類的理論 方法和應(yīng)用技術(shù)研究。(二) 背景技術(shù)高光譜成像儀是一種新型的遙感載荷，其光譜具有緊密、連續(xù)的特點(diǎn)，可以同時(shí)記錄被測(cè)同 一地物的光i普和空間信息特征，使本來(lái)在寬波段遙感中 不可能探測(cè)的物質(zhì)在高光譜遙感中能被探測(cè)到。目標(biāo)檢測(cè)與地物分類是高光 譜遙感數(shù)據(jù)應(yīng)用的主要方向之一 ，該類技術(shù)的發(fā)展能夠大大推動(dòng)高光譜數(shù)據(jù) 的應(yīng)用，并不斷擴(kuò)展高光譜數(shù)據(jù)的應(yīng)用深度和廣度。數(shù)學(xué)形態(tài)學(xué)作為一種經(jīng)典的非線性空間信息處理技術(shù)，目的在于分析像 元之間的空間關(guān)系。數(shù)學(xué)形態(tài)學(xué)是一門(mén)基于集合理論和拓樸、幾何概念的形 狀和結(jié)構(gòu)的科學(xué)，目前，數(shù)學(xué)形態(tài)學(xué)已經(jīng)成為圖像處理領(lǐng)域一個(gè)高效的方法， 并成為一個(gè)強(qiáng)有力的數(shù)學(xué)理論，其已經(jīng)成功地應(yīng)用到各種學(xué)科，如礦物學(xué)、 醫(yī)學(xué)診斷、計(jì)算機(jī)視覺(jué)、數(shù)字圖像處理和模式識(shí)別。數(shù)學(xué)形態(tài)學(xué)中兩個(gè)基本 的操作是腐蝕和膨脹，這兩個(gè)操作最初均是定義于二值圖像，但是目前已經(jīng) 擴(kuò)展到了灰度圖像中。在灰度數(shù)學(xué)形態(tài)學(xué)中，圖像被作為連續(xù)值集合處理。設(shè)/(x,力是輸入圖像，6(x,力是結(jié)構(gòu)元素，且是子圖像函數(shù)。用結(jié)構(gòu)元素6對(duì)圖像/進(jìn)行的灰度膨脹和腐蝕分別定義如下<formula>formula see original document page 5</formula>其中，D,和D,，分別是/和6的定義域，(x-", (x + ", (y-/)和(;;+ /)必須在/的定義域內(nèi)，而且^和,必須在6的定義域內(nèi)?；叶刃螒B(tài)學(xué)運(yùn)算中最主要的任 務(wù)是如何在圖像中每個(gè)像素的鄰域內(nèi)計(jì)算出最大或最小值，這與定義的結(jié)構(gòu) 元素的大小和形狀密切相關(guān)。為了算法簡(jiǎn)便，易實(shí)現(xiàn)， 一般只考慮符合凸函數(shù)的結(jié)構(gòu)元素，通常設(shè)6為正方形且60力=0， O,0eDA。在灰度數(shù)學(xué)形態(tài)學(xué)中，將像素的數(shù)值大小作為排序關(guān)系進(jìn)行最大或最小 灰度值的計(jì)算，而在高光譜圖像中，每個(gè)像素都是多維的，不能筒單直觀的 比較它們的大小。因此，將數(shù)學(xué)形態(tài)學(xué)擴(kuò)展到高光譜圖像中最大的挑戰(zhàn)就是 定義一個(gè)合適的排序關(guān)系對(duì)w維向量空間中的元素進(jìn)行排序，確定最大/最 小元素。目前，擴(kuò)展數(shù)學(xué)形態(tài)學(xué)方法已經(jīng)受到高光譜數(shù)據(jù)端元提取、數(shù)據(jù)降 維與分類等研究領(lǐng)域的關(guān)注。
發(fā)明內(nèi)容本發(fā)明的目的是提出一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法， 它克服了現(xiàn)有地物無(wú)監(jiān)督分類從數(shù)據(jù)光譜或空間或特征信息的單一方面出 發(fā)進(jìn)行地物分類等的不足，有效地抑制了背景影響，它是一種穩(wěn)定性強(qiáng)、可 靠性高、精確度高的高光譜地物無(wú)監(jiān)督分類方法。本發(fā)明的技術(shù)解決方案是 一種在目標(biāo)與背景未知的情況下，同時(shí)利用 光譜和空間信息實(shí)現(xiàn)高光譜數(shù)據(jù)分類的方法。該方法主要是基于數(shù)學(xué)形態(tài)學(xué) 的理論，利用擴(kuò)展膨脹和腐蝕操作，并通過(guò)計(jì)算形態(tài)離心率指數(shù)進(jìn)行高光譜 數(shù)據(jù)的特征提取，最后利用最小距離方法實(shí)現(xiàn)高光譜數(shù)據(jù)的分類。形態(tài)偏心 率指數(shù)是利用擴(kuò)展膨脹和腐蝕的結(jié)果計(jì)算數(shù)據(jù)的正交投影散度，從而將地物 類型特征提取出來(lái)，并且在本發(fā)明中為了避免由于形態(tài)學(xué)中結(jié)構(gòu)元素的大小 對(duì)算法性能的限制，采用迭代的方法，改變結(jié)構(gòu)元素的尺寸來(lái)實(shí)現(xiàn)。本發(fā)明 一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法，其步驟如下 (1 )高光譜數(shù)據(jù)的讀入；(2) 確定結(jié)構(gòu)元素的最小尺寸；(3) 由擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作計(jì)算每一個(gè)結(jié)構(gòu)元素鄰域內(nèi)的像元間差異性；(4) 由步驟(3)擴(kuò)展膨脹和腐蝕結(jié)果計(jì)算得到形態(tài)離心率指數(shù) (Morphological Eccentricity Index, MEI)值；(5) 上述步驟隨結(jié)構(gòu)元素的尺寸增加不斷重復(fù)，直到達(dá)到結(jié)構(gòu)元素的 最大尺寸；(6 )形態(tài)離心率指數(shù)M EI值在迭代過(guò)程中通過(guò)獲得的新的值不斷更新，最終的形態(tài)離心率指數(shù)MEI在迭代過(guò)程結(jié)束后產(chǎn)生； (7)由形態(tài)離心率指數(shù)MEI圖像實(shí)現(xiàn)數(shù)據(jù)的特征提取，即產(chǎn)生地物類型信息，并通過(guò)最小距離分類器實(shí)現(xiàn)地物的精細(xì)分類。 其中，步驟(2)中所述的結(jié)構(gòu)元素最小尺寸為3x3; 其中，步驟(3)所述的"由擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作計(jì)算每一 個(gè)結(jié)構(gòu)元素鄰域內(nèi)的像元間差異性"，其擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作定 義^口下<formula>formula see original document page 7</formula>arg—M"x， arg—M/"分別表示使得"達(dá)到最到和最小的像素向量；D是為了確 定根據(jù)目標(biāo)與背景差異的多維向量的排序關(guān)系，引入的一個(gè)多維向量的度量 算子。該度量算子由結(jié)構(gòu)元素內(nèi)各個(gè)像素累加距離計(jì)算得到，定義如下 <formula>formula see original document page 7</formula>其中，血f是測(cè)量iV維向量的逐點(diǎn)線性距離。為了有效地利用高光語(yǔ)數(shù)據(jù)提 供的光譜和空間信息，本發(fā)明采用正交投影散度(Orthogonal Projection Divergence, OPD )計(jì)算該距離，考慮兩個(gè)vV維光譜信號(hào)...,%〗r, ~ =[ ,~2,..., ]7',則TV維光譜信號(hào)s,和^之間的正交投影散度OPD表示為<formula>formula see original document page 7</formula>《=/歸1(")乂，""'，并且/歸是NTN維的單位矩陣。因此，累加距離D能夠根據(jù)目標(biāo)與背景的差異大小排序結(jié)構(gòu)元素中的向 量。通過(guò)以上的分析表明，擴(kuò)展到高光譜圖像的膨脹結(jié)果得到的是在結(jié)構(gòu)元 素內(nèi)與背景差異性較大的像元，腐蝕結(jié)果得到的是在結(jié)構(gòu)元素內(nèi)與背景相似 的像元。其中，步驟(4)中所述的"由步驟(3)擴(kuò)展膨脹和腐蝕結(jié)果計(jì)算得到 形態(tài)離心率指數(shù)值"，其含義說(shuō)明如下通過(guò)正交投影散度融合結(jié)構(gòu)元素鄰 域內(nèi)膨脹和腐蝕結(jié)果，計(jì)算得到形態(tài)離心率指數(shù)MEI,計(jì)算公式如下細(xì)/(jc,力=OP，(x，y)' e(x， y)] 其中，步驟(5)中結(jié)構(gòu)元素的最大尺寸為9x9。其中，步驟(6)中所述的"形態(tài)離心率指數(shù)MEI值在迭代過(guò)程中通過(guò) 獲得的新的值不斷更新"，其含義說(shuō)明如下設(shè)ME/,(x,力為第,'次迭代計(jì)算 得到的像元點(diǎn)(x,力的MEI值，M￡/,—,(x,力為第,'-l次迭代計(jì)算得到的(x,力的 M EI <直，更新準(zhǔn)則為若ikffi/, (x,力< ikffi/,—, 0,力，則Affi/, (x,力=M￡/M (x,力。其中，步驟(7)中所述的"由形態(tài)離心率指數(shù)MEI圖像實(shí)現(xiàn)數(shù)據(jù)的特 征提取，即產(chǎn)生地物類型信息，并通過(guò)最小距離分類器實(shí)現(xiàn)地物的精細(xì)分 類"，其含義說(shuō)明如下其地物類型分類是利用最小距離方法在利用MEI 進(jìn)行特征提取的結(jié)果圖像上完成的。最小距離分類器是判別函數(shù)型分類器的 一種特例，是基于最小距離準(zhǔn)則構(gòu)建的分類器，其在計(jì)算上具有一定的優(yōu)勢(shì)， 并且容易在計(jì)算機(jī)上實(shí)現(xiàn)。假設(shè)在特征空間定義了 R個(gè)點(diǎn)，v,，、,…， 是類W,，W2,…,、的樣本模式，最小距離分類器將待分類模式x識(shí)別為其距離最近的樣本模式所在類別。最小距離分類器定義如下d(x) = wr o |vr _ x| = min |vs — x|1 s=l,...，r本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于克服了傳統(tǒng)高光譜數(shù)據(jù)無(wú)監(jiān)督分類 方法從光譜/空間/特征空間單一方面出發(fā)進(jìn)行數(shù)據(jù)處理的局限，本方法同時(shí) 利用了高光譜數(shù)據(jù)提供的光譜和空間信息，實(shí)現(xiàn)了無(wú)監(jiān)督情況下的地物類型精細(xì)分類。它具有以下的優(yōu)點(diǎn)(1 )基于數(shù)學(xué)形態(tài)學(xué)的理論和光譜相似度 測(cè)量原理，同時(shí)利用了高光譜數(shù)據(jù)提供的光譜和空間信息，提高了算法的可 靠性；(2)通過(guò)擴(kuò)展形態(tài)學(xué)膨脹和腐蝕操作實(shí)現(xiàn)目標(biāo)與背景的差異性度量； (3)利用正交投影散度融合擴(kuò)展膨脹和腐蝕結(jié)果，計(jì)算形態(tài)離心率指數(shù)， 實(shí)現(xiàn)了高光譜數(shù)據(jù)特征提取，有效地抑制了背景等因素對(duì)特征提取結(jié)果的影 響；(4)采用迭代的方法，改變結(jié)構(gòu)元素的尺寸來(lái)克服由于形態(tài)學(xué)中結(jié)構(gòu) 元素的大小對(duì)算法性能的限制。(四)


圖1為結(jié)構(gòu)元素內(nèi)擴(kuò)展數(shù)學(xué)形態(tài)學(xué)操作結(jié)果，其中圖1 (a)為本發(fā)明的擴(kuò)展膨脹操作結(jié)果；圖1 (b)為本發(fā)明的擴(kuò)展腐蝕結(jié)果。 圖2 (a)為本發(fā)明的使用數(shù)據(jù)的地面信息參考圖像； 圖2 (b)為本發(fā)明方法的地物分類結(jié)果。 圖中符號(hào)說(shuō)明如下b—結(jié)構(gòu)元素；d—結(jié)構(gòu)元素鄰域內(nèi)的擴(kuò)展膨脹結(jié)果； e—結(jié)構(gòu)元素鄰域內(nèi)的擴(kuò)展腐蝕結(jié)果。C4一代表水稻；V2—代表紅薯；V13—代表香菜；W2—代表池塘； T6、 T7—代表不同品種的樹(shù)木。
具體實(shí)施方式
為了更好的說(shuō)明本發(fā)明涉及的光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類 方法，利用PHI航空高光謙數(shù)據(jù)進(jìn)行江蘇方麓茶場(chǎng)地區(qū)農(nóng)作物精細(xì)分類。本 發(fā)明 一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法，具體實(shí)現(xiàn)步驟如下 (1 )高光譜數(shù)據(jù)的讀入讀入方麓茶場(chǎng)PHI高光譜數(shù)據(jù)；(2) 確定結(jié)構(gòu)元素的最小尺寸根據(jù)數(shù)據(jù)和算法特點(diǎn)，結(jié)構(gòu)元素最小尺寸為3x3;(3) 由擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作計(jì)算每一個(gè)結(jié)構(gòu)元素鄰域內(nèi)的像元間差異性；為了實(shí)現(xiàn)更加可靠、穩(wěn)定、精確的高光譜數(shù)據(jù)分類，本發(fā)明中的方法同 時(shí)利用了光譜和空間信息，由此引入了擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作，定義如下<formula>formula see original document page 10</formula>其中，arg—M/x, arg—M'"分別表示使得"達(dá)到最到和最小的像素向量；Z)是 為了確定根據(jù)目標(biāo)與背景差異的多維向量的排序關(guān)系，引入的 一 個(gè)多維向量 的度量算子。該度量算子由結(jié)構(gòu)元素內(nèi)各個(gè)像素累加距離計(jì)算得到，定義如 下<formula>formula see original document page 10</formula>其中，^,是測(cè)量w維向量的逐點(diǎn)線性距離。為了有效地利用高光譜數(shù)據(jù)提 供的光鐠和空間信息，本發(fā)明采用正交投影散度OPD計(jì)算該距離，考慮兩 個(gè)維光譜信號(hào)& =，&,...,]7', ~ = , ,...， f ,則iV維光譜信號(hào)a和、.之間的正交投影散度OPD表示為<formula>formula see original document page 10</formula>其中，《=/歸1"、)—'《，"U'，并且/歸是^N維的單位矩陣。因此，累加距離"能夠根據(jù)目標(biāo)與背景的差異大小排序結(jié)構(gòu)元素中的向 量。通過(guò)以上的分析表明，擴(kuò)展到高光譜圖像的膨脹結(jié)果得到的是在結(jié)構(gòu)元 素內(nèi)與背景差異性較大的像元，腐蝕結(jié)果得到的是在結(jié)構(gòu)元素內(nèi)與背景相似 的像元，擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作計(jì)算如圖1 (a)和圖1 (b)所示。 (4)由步驟(3)擴(kuò)展膨脹和腐蝕結(jié)果計(jì)算得到形態(tài)離心率指數(shù)值； 為了克服利用單一膨脹或腐蝕操作人為引入的噪聲和背景影響，以及為 了定量化目標(biāo)與背景之間的差異性，采用了形態(tài)離心率指數(shù)。通過(guò)正交投影散度融合結(jié)構(gòu)元素鄰域內(nèi)膨脹和腐蝕結(jié)果，計(jì)算得到形態(tài)離心率指數(shù)MEI，實(shí)現(xiàn)高光譜數(shù)據(jù)的特征提取。<formula>formula see original document page 11</formula>(5)上述步驟隨結(jié)構(gòu)元素的尺寸增加不斷重復(fù)，直到達(dá)到結(jié)構(gòu)元素的 最大尺寸結(jié)構(gòu)元素的最大尺寸選擇為9x9即能達(dá)到較好的分類效果；(6 )形態(tài)離心率指數(shù)MEI值在迭代過(guò)程中通過(guò)獲得的新的值不斷更新， 最終的形態(tài)離心率指數(shù)MEI在迭代過(guò)程結(jié)束后產(chǎn)生；設(shè)ME/,(x,力為第/次迭代計(jì)算得到的像元點(diǎn)(u)的MEI值，AffiK;c,力為 第Z-l次迭代計(jì)算得到的(x,力的MEI值，更新準(zhǔn)則為若ME/,(x,y)〈 M￡/M(x,})， 則細(xì)/, (x, j;) = ikffi/,一 (x， _y)。(7)由形態(tài)離心率指數(shù)MEI圖像實(shí)現(xiàn)數(shù)據(jù)的特征提取，即產(chǎn)生地物類型信息，并通過(guò)最小距離分類器實(shí)現(xiàn)地物的精細(xì)分類。地物類型分類是利用最小距離方法在利用MEI進(jìn)行特征提取的結(jié)果圖 像上完成的。最小距離分類器是判別函數(shù)型分類器的一種特例，是基于最小 距離準(zhǔn)則構(gòu)建的分類器，其在計(jì)算上具有一定的優(yōu)勢(shì)，并且容易在計(jì)算機(jī)上 實(shí)現(xiàn)。假設(shè)在特征空間定義了 R個(gè)點(diǎn)，、,^,..., 是類 ，2,...，、的樣本模式，最小距離分類器將待分類模式x識(shí)別為其距離最近的樣本模式所在類別。最小距離分類器定義如下<formula>formula see original document page 11</formula>通過(guò)本發(fā)明一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法，利用PHI 航空高光譜數(shù)據(jù)進(jìn)行江蘇方麓茶場(chǎng)地區(qū)農(nóng)作物精細(xì)分類，圖2 (a)給出了 數(shù)據(jù)的地面參考信息，其中，參考標(biāo)識(shí)C4代表水稻，V2代表紅薯，V13 代表香菜，W2代表池塘，T6、 T7代表不同品種的樹(shù)木為背景。圖2(b) 給出了本發(fā)明涉及方法的非監(jiān)督分類結(jié)果，實(shí)現(xiàn)了在未知任何地面信息的情 況下的高光語(yǔ)數(shù)據(jù)農(nóng)作物精細(xì)分類。通過(guò)圖2 (a)與圖2 (b)的比較與分 析，可以看出本發(fā)明涉及方法的分類結(jié)果中不存在錯(cuò)分類，分類精度較高。
權(quán)利要求
1、一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法，其特征在于它包含以下步驟(1)高光譜數(shù)據(jù)的讀入；(2)確定結(jié)構(gòu)元素的最小尺寸；(3)由擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作計(jì)算每一個(gè)結(jié)構(gòu)元素鄰域內(nèi)的像元間差異性；(4)由步驟(3)擴(kuò)展膨脹和腐蝕結(jié)果計(jì)算得到形態(tài)離心率指數(shù)值；(5)上述步驟隨結(jié)構(gòu)元素的尺寸增加不斷重復(fù)，直到達(dá)到結(jié)構(gòu)元素的最大尺寸；(6)形態(tài)離心率指數(shù)值在迭代過(guò)程中通過(guò)獲得的新的值不斷更新，最終的形態(tài)離心率指數(shù)在迭代過(guò)程結(jié)束后產(chǎn)生；(7)由形態(tài)離心率指數(shù)圖像實(shí)現(xiàn)數(shù)據(jù)的特征提取，即產(chǎn)生地物類型信息，并通過(guò)最小距離分類器實(shí)現(xiàn)地物的精細(xì)分類。
2、 根據(jù)權(quán)利要求1所述的一種光語(yǔ)和空間信息結(jié)合的高光譜數(shù)據(jù)分類 方法，其特征在于步驟(2)中所述的結(jié)構(gòu)元素最小尺寸為3x3。
3、 根據(jù)權(quán)利要求1所述的一種光語(yǔ)和空間信息結(jié)合的高光譜數(shù)據(jù)分類 方法，其特征在于步驟(3)中所述的"由擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操 作計(jì)算每一個(gè)結(jié)構(gòu)元素鄰域內(nèi)的像元間差異性"，其擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和 腐蝕操作如下<formula>formula see original document page 2</formula> 其中，arg一M/x， arg—M&分別表示使得"達(dá)到最到和最小的像素向量；D是為了確定根據(jù)目標(biāo)與背景差異的多維向量的排序關(guān)系，引入的一個(gè)多維向量的度量算子；該度量算子由結(jié)構(gòu)元素內(nèi)各個(gè)像素累加距離計(jì)算得到，定義如 下其中，壺/是測(cè)量iV維向量的逐點(diǎn)線性距離；為了有效地利用高光譜數(shù)據(jù)提 供的光語(yǔ)和空間信息，本發(fā)明采用正交投影散度計(jì)算該距離，考慮兩個(gè)JV維 光譜信號(hào)s, ~ ,則W維光譜信號(hào)A和、之間的正交投影散度OPD表示為<formula>formula see original document page 3</formula>其中'《=H(")—'《'并且/歸是NTN維的單位矩陣。
4、 根據(jù)權(quán)利要求1所述的一種光譜和空間信息相結(jié)合的高光譜數(shù)據(jù)分 類方法，其特征在于其步驟(4)中所述的"由步驟(3)擴(kuò)展膨脹和腐蝕 結(jié)果計(jì)算得到形態(tài)離心率指數(shù)值"，其含義說(shuō)明如下通過(guò)正交投影散度融 合結(jié)構(gòu)元素鄰域內(nèi)膨脹和腐蝕結(jié)果，計(jì)算得到形態(tài)離心率指數(shù)MEI，計(jì)算公 式為M五/(x，力^(9PZ)[c (x，少)'e(x,y)]。
5、 根據(jù)權(quán)利要求1所述的一種光譜和空間信息相結(jié)合的高光譜數(shù)據(jù)分 類方法，其特征在于其步驟(5)中結(jié)構(gòu)元素的最大尺寸為9x9。
6、 根據(jù)權(quán)利要求1所述的一種光譜和空間信息相結(jié)合的高光譜數(shù)據(jù)分 類方法，其特征在于步驟(6)中所述的"形態(tài)離心率指數(shù)MEI值在迭代 過(guò)程中通過(guò)獲得的新的值不斷更新"，其含義說(shuō)明如下設(shè)M五/,(x，力為第/次 迭代計(jì)算得到的像元點(diǎn)(x,力的MEI值，,(x,力為第i-l次迭代計(jì)算得到的 (x,力的M E M直，更一斤準(zhǔn)則為若M￡7,0,力< M￡/,_, (x，力，則M￡7, O，力=(>, y)。
7、 根據(jù)權(quán)利要求1所述的一種光譜和空間信息相結(jié)合的高光譜數(shù)據(jù)分 類方法，其特征在于步驟(7)中所述的"由形態(tài)離心率指數(shù)MEI圖像實(shí) 現(xiàn)數(shù)據(jù)的特征提取，即產(chǎn)生地物類型信息，并通過(guò)最小距離分類器實(shí)現(xiàn)地物的精細(xì)分類"，其含義說(shuō)明如下其地物類型分類是利用最小距離方法在利 用M曰進(jìn)行特征提取的結(jié)果圖像上完成的；假設(shè)在特征空間定義了 R個(gè)點(diǎn)， 、,^,..., 是類^,^，...，、的樣本模式，最小距離分類器將待分類模式x識(shí)別 為其距離最近的樣本模式所在類別，最小距離分類器定義為d(x) = wr |vr - x| = min |vs — x| 。
全文摘要
一種光譜和空間信息結(jié)合的高光譜數(shù)據(jù)分類方法，其步驟如下(1)高光譜數(shù)據(jù)讀入；(2)確定結(jié)構(gòu)元素的最小尺寸；(3)由擴(kuò)展數(shù)學(xué)形態(tài)學(xué)膨脹和腐蝕操作計(jì)算每一個(gè)結(jié)構(gòu)元素鄰域內(nèi)的像元間差異性；(4)由步驟(3)擴(kuò)展膨脹和腐蝕結(jié)果計(jì)算得到形態(tài)離心率指數(shù)值；(5)上述步驟隨結(jié)構(gòu)元素的尺寸增加不斷重復(fù)，直到達(dá)到結(jié)構(gòu)元素的最大尺寸；(6)形態(tài)離心率指數(shù)MEI值在迭代過(guò)程中通過(guò)獲得的新的值不斷更新，最終的形態(tài)離心率指數(shù)MEI在迭代過(guò)程結(jié)束后產(chǎn)生；(7)由形態(tài)離心率指數(shù)MEI圖像實(shí)現(xiàn)數(shù)據(jù)的特征提取，即產(chǎn)生地物類型信息，并通過(guò)最小距離分類器實(shí)現(xiàn)地物的精細(xì)分類。該方法是一種穩(wěn)定性強(qiáng)、可靠性高、精確度高的高光譜地物無(wú)監(jiān)督分類方法。
文檔編號(hào)G01J3/00GK101236106SQ20081005611
公開(kāi)日2008年8月6日 申請(qǐng)日期2008年1月11日 優(yōu)先權(quán)日2008年1月11日
發(fā)明者娜 李, 賈國(guó)瑞, 趙慧潔 申請(qǐng)人:北京航空航天大學(xué)