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)