專利名稱:基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法
技術(shù)領(lǐng)域:
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,更進(jìn)一步涉及目標(biāo)識(shí)別領(lǐng)域中基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法。該方法可應(yīng)用于目標(biāo)識(shí)別圖像信息的獲取、超光譜圖像目標(biāo)識(shí)別,能夠?qū)D像的不同區(qū)域進(jìn)行準(zhǔn)確分類。
背景技術(shù):
遙感圖像處理領(lǐng)域的一項(xiàng)重要任務(wù),就是地物分類。而地物分類方面的一個(gè)焦點(diǎn)就是超光譜圖像的分類。超光譜圖像可通過(guò)數(shù)百個(gè)連續(xù)且細(xì)分的光譜波段對(duì)地表區(qū)域同時(shí)成像,進(jìn)而獲得三維圖像數(shù)據(jù)。高光譜圖像信息通過(guò)較窄的波段區(qū)間,較多的波段數(shù)量而提供,包含豐富的光譜信息,且表現(xiàn)出非常強(qiáng)的譜相關(guān)性和空間相關(guān)性,這為特征提取、目標(biāo)識(shí)別和分類提供了可能,使得地物分類具有更高的精度和魯棒性。目前,有很多超光譜數(shù)據(jù)分類的方法被提出。其中一個(gè)主要的研究方向就是將統(tǒng)計(jì)的方法應(yīng)用于超光譜圖像的分類。部分現(xiàn)有的理論中存在一些顯著問(wèn)題,如需要對(duì)觀測(cè)到的超光譜圖像像素值做明確的建模、僅考慮了像素的譜矢量信息而忽略其空間相關(guān)性。北京航空航天大學(xué)在其專利申請(qǐng)“基于免疫進(jìn)化策略的高光譜圖像分類方法”(專利申請(qǐng)?zhí)?0101013擬49. 2,公開(kāi)號(hào)CN101擬6160A)中提出了一種基于免疫進(jìn)化策略的高光譜圖像分類方法。該方法雖然能夠自適應(yīng)地選取不同場(chǎng)景下不同地物分類所需的最佳波段組合,但仍存在的不足是,忽略了高光譜圖像的空間鄰域信息,分類準(zhǔn)確度不高。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足,提出了一種基于基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法。本發(fā)明簡(jiǎn)化了超光譜圖像的分類過(guò)程,充分利用了超光譜圖像的譜相關(guān)性及空間相關(guān)性,且避免了對(duì)觀測(cè)數(shù)據(jù)的建模。本發(fā)明實(shí)現(xiàn)上述目的的思路是采用條件隨機(jī)場(chǎng)模型,結(jié)合譜矢量信息(一元?jiǎng)輬F(tuán)信息)和空間鄰域信息(二元?jiǎng)輬F(tuán)信息),直接對(duì)分類的后驗(yàn)概率進(jìn)行建模,通過(guò)計(jì)算后驗(yàn)概率來(lái)確定分類結(jié)果。本發(fā)明實(shí)現(xiàn)的具體步驟如下(1)初始化,對(duì)原始數(shù)據(jù)所有像素值進(jìn)行初始化,使其滿足均值為0、方差為1 ;(2)輸入分別與待分類超光譜圖像地物類別分別對(duì)應(yīng)的訓(xùn)練樣本集;(3)采用多項(xiàng)式對(duì)數(shù)歸一(MLR)法訓(xùn)練一元?jiǎng)輬F(tuán)信息量的參數(shù)3a)確定一元?jiǎng)輬F(tuán)信息量的黑塞矩陣(Hessian matrix)邊界;3b)確定一元?jiǎng)輬F(tuán)信息量的梯度矢量(Gradient vector);3c)確定一元?jiǎng)輬F(tuán)信息量的參數(shù);(4)采用多項(xiàng)式對(duì)數(shù)歸一(MLR)法訓(xùn)練二元?jiǎng)輬F(tuán)信息量的參數(shù)4a)確定二元?jiǎng)輬F(tuán)信息量的黑塞矩陣(Hessian matrix)邊界;4b)確定二元?jiǎng)輬F(tuán)信息量的梯度矢量(Gradient vector);
4c)確定二元?jiǎng)輬F(tuán)信息量的參數(shù);(5)輸入待分類的測(cè)試數(shù)據(jù);(6)確定一元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率;(7)確定二元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率;(8)信息更新,求一元?jiǎng)輬F(tuán)信息量后驗(yàn)概率矢量和二元?jiǎng)輬F(tuán)信息量后驗(yàn)概率矢量的平均矢量,一元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率,表示為L(zhǎng)維概率矢量,L為超光譜圖像的類別數(shù), 二元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率,取兩相鄰像元同屬于每一類的概率,表示為L(zhǎng)維概率矢量;(9)確定類標(biāo)9a)從后驗(yàn)概率平均矢量中選取最大值;9b)將最大值對(duì)應(yīng)的類標(biāo)作為最終類標(biāo)。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)第一,由于本發(fā)明采用條件隨機(jī)場(chǎng)模型,直接將后驗(yàn)概率建模為吉布斯(GitDbs) 分布,克服了現(xiàn)有技術(shù)對(duì)觀測(cè)到的超光譜數(shù)據(jù)的明確建模,使得本發(fā)明可用于各種具有不同統(tǒng)計(jì)特性的超光譜圖像的分類,具有普遍適用性。第二,由于本發(fā)明采用條件隨機(jī)場(chǎng)模型,結(jié)合了空間鄰域信息,克服了現(xiàn)有技術(shù)忽略了超光譜圖像的空間鄰域信息,使得本發(fā)明所分類的圖像正確率較高。第三,由于本發(fā)明采用條件隨機(jī)場(chǎng)模型,無(wú)論是在標(biāo)記樣本還是觀測(cè)數(shù)據(jù)中,空間鄰域信息可通過(guò)條件隨機(jī)場(chǎng)模型直接獲取,克服了現(xiàn)有技術(shù)需對(duì)觀測(cè)數(shù)據(jù)空間鄰域信息做復(fù)雜的建模,使得本發(fā)明的計(jì)算復(fù)雜度低。
圖1是本發(fā)明的流程圖;
具體實(shí)施例方式參照?qǐng)D1,本發(fā)明的具體實(shí)施步驟如下。步驟1.初始化,按如下步驟操作第一步,按照下式求原始數(shù)據(jù)對(duì)應(yīng)矩陣RHSI所有像素的平均值k = XXX(RHSiyN其中,k為所有像素的平均值,Σ表示疊加,i表示矩陣行數(shù),j表示矩陣列數(shù),h表示波段數(shù),Σ為所有行疊加,?為所有列疊加,Σ為所有波段疊加,RHSI為原始數(shù)據(jù)對(duì)應(yīng)的
矩陣,
權(quán)利要求
1.一種基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,包括如下步驟(1)初始化,對(duì)原始數(shù)據(jù)所有像素值進(jìn)行初始化,使其滿足均值為0、方差為1;(2)輸入分別與待分類超光譜圖像地物類別分別對(duì)應(yīng)的訓(xùn)練樣本集;(3)采用多項(xiàng)式對(duì)數(shù)歸一(MLR)法訓(xùn)練一元?jiǎng)輬F(tuán)信息量的參數(shù) 3a)確定一元?jiǎng)輬F(tuán)信息量的黑塞矩陣(Hessian matrix)邊界; 3b)確定一元?jiǎng)輬F(tuán)信息量的梯度矢量(Gradient vector); 3c)確定一元?jiǎng)輬F(tuán)信息量的參數(shù);(4)采用多項(xiàng)式對(duì)數(shù)歸一(MLR)法訓(xùn)練二元?jiǎng)輬F(tuán)信息量的參數(shù) 4a)確定二元?jiǎng)輬F(tuán)信息量的黑塞矩陣(Hessian matrix)邊界; 4b)確定二元?jiǎng)輬F(tuán)信息量的梯度矢量(Gradient vector); 4c)確定二元?jiǎng)輬F(tuán)信息量的參數(shù);(5)輸入待分類的測(cè)試數(shù)據(jù);(6)確定一元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率;(7)確定二元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率;(8)信息更新,求一元?jiǎng)輬F(tuán)信息量后驗(yàn)概率矢量和二元?jiǎng)輬F(tuán)信息量后驗(yàn)概率矢量的平均矢量,一元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率,表示為L(zhǎng)維概率矢量,L為超光譜圖像的類別數(shù),二元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率,取兩相鄰像元同屬于每一類的概率,表示為L(zhǎng)維概率矢量;(9)確定類標(biāo)9a)從后驗(yàn)概率平均矢量中選取最大值; 9b)將最大值對(duì)應(yīng)的類標(biāo)作為最終類標(biāo)。
2.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 (1)所述的初始化的步驟是第一步,按照下式求原始數(shù)據(jù)對(duì)應(yīng)矩陣RHSI所有像素的平均值
3.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 3a)所述的一元?jiǎng)輬F(tuán)信息量的黑塞矩陣(Hessian matrix)邊界按照下式求得
4.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟3b)所述的一元?jiǎng)輬F(tuán)信息量的梯度矢量(Gradient vector)按照下式求得
5.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 3c)所述的一元?jiǎng)輬F(tuán)信息量的參數(shù)按照下式求得
6.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 4a)所述的二元?jiǎng)輬F(tuán)信息量的黑塞矩陣(Hessian matrix)邊界按照下式求得其中,B為二元?jiǎng)輬F(tuán)信息量的黑塞矩陣的邊界,符號(hào)E表示定義為,〗SL維單位矩陣,L 為超光譜圖像的類別數(shù),1 = [1,1,. . .,1]τ是L維矢量,上標(biāo)τ表示轉(zhuǎn)置, 表示Kronecker 矩陣乘積,Σ表示疊加,μ u為像元組(i,j)的特征矢量。
7.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 4b)所述的二元?jiǎng)輬F(tuán)信息量的梯度矢量(Gradient vector)按照下式求得
8.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 4c)所述的二元?jiǎng)輬F(tuán)信息量的參數(shù)按照下式求得
9.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 (6)所述的一元?jiǎng)輬F(tuán)后驗(yàn)概率按照下式求得
10.根據(jù)權(quán)利要求1所述的基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其特征在于步驟 (7)所述的二元?jiǎng)輬F(tuán)后驗(yàn)概率按照下式求得其中,P((Xi, Xj) ^kl Uij(Y), ν)表示像元組(i,j)類標(biāo)為k的后驗(yàn)概率,k e {1, 2,. . .,L+1},L為超光譜圖像的類別數(shù),L+1表示像元組(i,j)中兩個(gè)像元類別不同,μ u (y) 為連接像元i與像元j的譜矢量所得的特征矢量,像元j為像元i的四鄰域像元,ν為二元?jiǎng)輬F(tuán)信息量的參數(shù),exp為指數(shù)函數(shù),Vkk為第k類對(duì)應(yīng)參數(shù),上標(biāo)τ表示轉(zhuǎn)置,Σ表示疊加, Vnn為第η類對(duì)應(yīng)參數(shù)。
全文摘要
本發(fā)明公開(kāi)了一種基于條件隨機(jī)場(chǎng)的超光譜圖像分類方法,其實(shí)現(xiàn)步驟為(1)初始化;(2)輸入分別與待分類超光譜圖像地物類別分別對(duì)應(yīng)的訓(xùn)練樣本集;(3)訓(xùn)練一元?jiǎng)輬F(tuán)信息量的參數(shù);(4)訓(xùn)練二元?jiǎng)輬F(tuán)信息量的參數(shù);(5)輸入待分類的測(cè)試數(shù)據(jù);(6)確定一元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率;(7)確定二元?jiǎng)輬F(tuán)信息量的后驗(yàn)概率;(8)信息更新;(9)確定類標(biāo)。本發(fā)明采用條件隨機(jī)場(chǎng)模型避免了對(duì)觀測(cè)數(shù)據(jù)的明確建模;既利用了空間鄰域信息,又避免了空間鄰域信息的復(fù)雜建模,具有計(jì)算復(fù)雜度低,分類準(zhǔn)確率高,算法適應(yīng)性廣泛的優(yōu)點(diǎn)??蓱?yīng)用于遙感圖像的地物分類、目標(biāo)檢測(cè)及識(shí)別、軍事偵察等領(lǐng)域。
文檔編號(hào)G06K9/62GK102521603SQ20111036647
公開(kāi)日2012年6月27日 申請(qǐng)日期2011年11月17日 優(yōu)先權(quán)日2011年11月17日
發(fā)明者侯彪, 劉瑞清, 張向榮, 焦李成, 王爽, 馬文萍 申請(qǐng)人:西安電子科技大學(xué)