本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種高光譜遙感圖像分類方法及裝置。

背景技術(shù)：

高光譜遙感圖像是指由傳感器在電磁波譜的可見光，近紅外，中紅外和熱紅外波段范圍內(nèi)，在不同波段成像獲得的高光譜圖像數(shù)據(jù)。因此，高光譜遙感圖像包含了豐富的空間、輻射和光譜三重信息，為地表物質(zhì)的精細(xì)分類和識別提供了可能。

目前，在對地表物質(zhì)進(jìn)行分類時(shí)，由于三維gabor特征的幅值信息具有穩(wěn)定性好的優(yōu)點(diǎn)，所以通常被直接用于分類，但由于對于高光譜遙感圖像來說，三維gabor特征中包含了豐富的相位特征，所以僅采用gabor特征的幅值特征對地表特征進(jìn)行分類將使得分類準(zhǔn)確率不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種高光譜遙感圖像分類方法及裝置，以期可以提高地物分類準(zhǔn)確率。

第一方面，本發(fā)明實(shí)施例提供一種高光譜遙感圖像分類方法，其特征在于，所述方法包括：

獲取n個(gè)預(yù)設(shè)gabor濾波器，所述n為正整數(shù)；

基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征；

利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

第二方面，本發(fā)明實(shí)施例提供一種高光譜遙感圖像分類裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取n個(gè)預(yù)設(shè)gabor濾波器，所述n為正整數(shù)；

提取模塊，用于基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征；

確定模塊，用于利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

可以看出，本發(fā)明實(shí)施例所提供的技術(shù)方案中，首先獲取n個(gè)預(yù)設(shè)gabor濾波器，然后再基于該n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征，最后利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中地物的所屬類別。由于高光譜遙感圖像的相位特征包括了豐富的相位特征，并且三維gabor幅值特征與三維gabor相位特征互補(bǔ)，所以在本發(fā)明實(shí)施例中通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于確定高光譜遙感圖像中的地物類別，提高對高光譜遙感圖像的地物分類準(zhǔn)確度。

進(jìn)一步地，由于三維gabor相位信息對地物的空間位置具有極高的敏感上，所以通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于分類，降低了分類魯棒性。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類方法的第一實(shí)施例流程示意圖；

圖2是本發(fā)明實(shí)施例提供的一種三維gabor特征的頻率域關(guān)系示意圖；

圖3是本發(fā)明實(shí)施例提供的從三個(gè)不同視角觀察到的平行于光譜維度方向的三維gabor濾波器；

圖4-a為本發(fā)明實(shí)施例提供的高光譜遙感圖像；

圖4-b是本發(fā)明實(shí)施例提供的三維gabor幅值特征集；

圖4-c是本發(fā)明實(shí)施例提供的高光譜遙感圖像的相位特征集及編碼特征集；

圖5示出了本發(fā)明實(shí)施例所提供的高光譜遙感圖像的分類示意圖；

圖6是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類方法的第二實(shí)施例流程示意圖；

圖7是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類裝置的第一實(shí)施例的結(jié)構(gòu)示意圖；

圖8是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類裝置的第二實(shí)施例的結(jié)構(gòu)示意圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種高光譜遙感圖像分類方法及裝置，以期可以提高地物分類準(zhǔn)確率。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分的實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”和“第三”等是用于區(qū)別不同對象，而非用于描述特定順序。此外，術(shù)語“包括”以及它們?nèi)魏巫冃危鈭D在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選地還包括對于這些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類方法，包括：

獲取n個(gè)預(yù)設(shè)gabor濾波器，所述n為正整數(shù)；基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)gabor幅值特征與n個(gè)三維gabor相位特征；利用預(yù)設(shè)特征融合算法對所述n個(gè)gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

參見圖1，圖1是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類方法的第一實(shí)施例流程示意圖。如圖1所示，本發(fā)明實(shí)施例提供的高光譜遙感圖像分類方法包括以下步驟：

s101、獲取n個(gè)預(yù)設(shè)gabor濾波器。

其中，所述n為正整數(shù)，該n個(gè)預(yù)設(shè)gabor濾波器用于后續(xù)進(jìn)行高光譜遙感圖像的幅值特征和相位特征的提取。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，該n個(gè)預(yù)設(shè)gabor濾波器為平行于所述高光譜遙感圖像的光譜維度方向的gabor濾波器。

可以理解，由于相位信息對空間位置的敏感性，不同gabor濾波器獲得的gabor相位特征對于地物的分類能力存在巨大差異，不能全部用于后續(xù)的編碼和分類過程，并且如果不加選擇地利用所有的gabor濾波器用于高光譜遙感圖像的分類，將使得計(jì)算量非常大，所以僅選擇平行于高光譜遙感圖像的光譜維度方向的gabor濾波器提取的特征用于高光譜遙感圖像的分類將極大地提高算法的計(jì)算效率。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，可以通過以下公式獲取n個(gè)平行于高光譜遙感圖像的光譜維度方向的gabor濾波器

其中，f是預(yù)設(shè)gabor濾波器的頻率，是所述預(yù)設(shè)gabor濾波器與ω軸的夾角，θ是預(yù)設(shè)gabor濾波器與u-v平面的夾角，表示gabor濾波器的方向，(x,y,b)分別表示高光譜遙感圖像的像素的x坐標(biāo)、y坐標(biāo)以及光譜坐標(biāo)，σ是高斯包絡(luò)的寬度。

具體地，在本發(fā)明的一個(gè)示例中，若θ＝π/2，參見圖2，圖2是本發(fā)明實(shí)施例提供的一種三維gabor特征的頻率域關(guān)系示意圖，由圖2可見，該頻率f所指的方向即為高光譜遙感圖像的光譜維度方向。

具體地，在本發(fā)明的一個(gè)示例中，若設(shè)置頻率fj＝[0.5,0.25,0.125,0.0625]，則可以得到4個(gè)平行于高光譜遙感圖像的三維gabor濾波器{ψi,i＝1,...,4}，用于后續(xù)三維gabor特征提取。具體可參見圖3，圖3是本發(fā)明實(shí)施例提供的從三個(gè)不同視角觀察到的平行于光譜維度方向的三維gabor濾波器。

可選地，在本發(fā)明的一些實(shí)施例中，該gabor濾波器可以為log-gabor濾波器，haar-gabor濾波器。

s102、基于所述n個(gè)預(yù)設(shè)gabor濾波器提取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，通過將高光譜遙感圖像與n個(gè)預(yù)設(shè)gabor濾波器進(jìn)行卷積運(yùn)算得到三維gabor特征，然后對高光譜圖像的每一個(gè)像素進(jìn)行編碼進(jìn)一步得到高光譜圖像的幅值特征和相位特征。

具體地，首先通過如下公式將高光譜遙感圖像與n個(gè)三維gabor濾波器進(jìn)行卷積操作得到i個(gè)三維gabor特征gi(x,y,b)，其中，r表示該高光譜遙感圖像，gi表示第i個(gè)三維gabor特征，其中，i的取值為1至n之間的任意整數(shù)。

當(dāng)?shù)玫絥個(gè)三維gabor特征后，再利用如下公式計(jì)算該高光譜遙感圖像的幅值特征mi(x,y,b)與相位特征fi(x,y,b)：

mi(x,y,b)＝abs(gi(x,y,b))；

其中，re(gi(x,y,b))和im(gi(x,y,b))分別是gabor特征的實(shí)部和虛部。

舉例說明，在本發(fā)明的一個(gè)示例中，若n的取值為4，首先獲取到圖3所示的4個(gè)三維gabor濾波器，再將高光譜遙感圖像與生成的4個(gè)三維gabor濾波器進(jìn)行卷積運(yùn)算后，將得到4個(gè)三維gabor濾波器特征，并進(jìn)一步通過上述公式得到4個(gè)三維gabor幅值特征gi(x,y,b)以及三維gabor相位特征fi(x,y,b)，其中，i的取值為1至4之間的任一整數(shù)。具體可參見圖4-a，圖4-b，以及圖4-c，圖4-a為本發(fā)明實(shí)施例提供的高光譜遙感圖像，取4個(gè)三維gabor濾波器中的兩個(gè)gabor濾波器為例，得到圖4-b的三維gabor幅值特征集以及圖4-c的三維gabor相位特征集。其中，圖4-b是本發(fā)明實(shí)施例提供的三維gabor幅值特征集；圖4-c是本發(fā)明實(shí)施例提供的高光譜遙感圖像的相位特征集及編碼特征集。在圖4-c中，第一列表示該兩個(gè)三維gabor濾波器得到的三維gabor相位特征；第二列表示當(dāng)對第一列三維gabor特征中的實(shí)部編碼得到的特征；第三列表示對第一列三維gabor特征中的虛部編碼得到的特征。

可以理解，上述三維gabor幅值特征與三維gabor相位特征在計(jì)算過程中不需要訓(xùn)練樣本的參與，所以可以提高該方案的實(shí)用性。

可選地，在本發(fā)明的另一些實(shí)施例中，也可以使用其它方式來獲取三維gabor相位特征，例如，基于融合編碼的方式或基于競爭編碼的方式。

s103、利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

其中，該預(yù)設(shè)特征融合算法是指用于對三維gabor幅值特征和相位特征進(jìn)行融合，以能同時(shí)將三維gabor幅值特征與三維gabor相位特征用于遙感圖像的分類的一種算法。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，所述利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別，包括：

基于所述n個(gè)三維gabor幅值特征中的任一gabor幅值特征mi獲取所述遙感圖像屬于p個(gè)類別中任一類別p的置信度以及基于所述n個(gè)三維gabor相位特征中的任一gabor相位特征fi獲取所述遙感圖像與所述p個(gè)類別中的任一類別p的相似性度量距離p為正整數(shù)；

確定所述p個(gè)類別中所述置信度與所述相似性度量距離在所述n個(gè)gabor濾波器下的平方差之和為最大的類別為所述高光譜遙感圖像中的地物類別。

其中，置信度取值在0至1之間，用于反映該高光譜遙感圖像屬于第p類別的概率，從而當(dāng)置信度越大，該高光譜遙感圖像屬于第p類的概率越大，漢明距離取值在0至1之間，用于反映高光譜遙感圖像與類別p之間的匹配度，當(dāng)漢明距離越小，該高光譜遙感圖像屬于第p類的概率越大。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，所述基于所述n個(gè)三維gabor幅值特征中的任一三維gabor幅值特征mi獲取所述遙感圖像屬于p個(gè)類別中任一類別p的置信度包括：

利用以下公式基于所述n個(gè)三維gabor幅值特征中的任一三維gabor幅值特征mi獲取所述高光譜遙感圖像屬于p個(gè)類別中任一類別p的置信度

其中，所述d為基于支持向量機(jī)獲取的所述遙感圖像的決策矩陣，所述np為所述決策矩陣d中第p行非零元素的個(gè)數(shù)。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，可以通過如下方式獲取該決策矩陣p：假設(shè)有p類地物，針對每一個(gè)測試樣本t，利用一對一策略建立p×(p-1)個(gè)支持向量機(jī)的分類器。其中，對于任意兩個(gè)類別c1和c2，通過投票可以得到?jīng)Q策值δ；進(jìn)一步建立決策矩陣d，其中當(dāng)δ>0時(shí)，dc1c2＝δ，否則dc1c2＝-δ，決策矩陣d中的其他元素為零。由于支持向量機(jī)在用于分類上的良好效果，所以基于支持向量機(jī)的方式來確定置信度有效提升了融合決策的精度。

可以看出，該置信度的取值為0至1之間，并且當(dāng)置信度越大時(shí)，該高光譜遙感圖像屬于類別p的概率越大。

可選地，在本發(fā)明的另一些實(shí)施例中，也可以使用相加、相乘的方式來計(jì)算置信度

可選地，在本發(fā)明的一個(gè)實(shí)施例中，該相似性度量距離為漢明距離，所述基于所述n個(gè)三維gabor相位特征中的任一三維gabor相位特征fi獲取所述高光譜遙感圖像與所述p個(gè)類別中的任一類別p的相似性度量距離包括：

利用以下公式獲取所述高光譜遙感圖像t和訓(xùn)練集合a中任意訓(xùn)練樣本s之間的相似性度量：

其中，b為高光譜圖像的光譜維度；

獲取所述高光譜遙感圖像t與所述任一類別p之間的相似性度量距離為：

可以看出，該漢明距離的取值為0至1之間，并且當(dāng)漢明距離越小時(shí)，該高光譜遙感圖像屬于類別p的概率越大，對于高光譜遙感圖像與類別p的最優(yōu)匹配下，漢明距離為零。

可選地，在本發(fā)明的另一些實(shí)施例中，也可以使用基于稀疏表示的分類、k緊鄰分類等方式來計(jì)算上述漢明距離

可選地，在本發(fā)明的另一些實(shí)施例中，該相似性度量距離也可以其它距離，例如，萊文斯坦距離，李距離。

可以理解，上述置信度與漢明距離的計(jì)算公式中各參數(shù)均為確定的參數(shù)，所以在利用上述公式計(jì)算時(shí)，不需要進(jìn)行參數(shù)估計(jì)，將使得計(jì)算更為準(zhǔn)確。

可以看出，若定義融合特征值為e^p，該e^p定義為所述置信度與所述漢明距離在所述n個(gè)gabor濾波器下的平方差之和，也即由于當(dāng)置信度越大時(shí)，該高光譜遙感圖像屬于類別p的概率越大，當(dāng)漢明距離越小，該高光譜遙感圖像屬于類別p的概率越大，從而當(dāng)融合三維gabor幅值特征和三維gabor相位特征后，e^p越大，該高光譜遙感圖像屬于類別p的概率越大，最后將得到e^p最大的值所對應(yīng)的類別即為該高光譜遙感圖像中的地物類別?？梢岳斫?，通過上述方式，可以在確定高光譜遙感圖像中的地物類別時(shí)，同時(shí)使用高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征，從而使得所確定的類別更為準(zhǔn)確。

可選地，在本發(fā)明的另一些實(shí)施例中，該融合特征值e^p也可以定義為其它形式，例如，平方形式、指數(shù)形式等。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，若取n＝4，首先獲得圖3所示的4個(gè)三維gabor濾波器，然后再利用步驟s102計(jì)算得到圖4-b所示的三維gabor幅值特征與圖4-c所示的三維gabor相位特征。進(jìn)一步地，若通過支持向量機(jī)對圖4-b所示的gabor幅值特征進(jìn)行分類，獲得高光譜遙感圖像4-a屬于每一類的置信度通過正則化的漢明距離，利用最近鄰策略對圖4-c所示的gabor相位編碼特征進(jìn)行分類，獲得高光譜遙感圖像屬于每一類的漢明距離然后再利用e^p融合置信度和漢明距離以對高光譜遙感圖像進(jìn)行分類，確定該高光譜遙感圖像屬于哪個(gè)地物類別。參見圖5，圖5示出了本發(fā)明實(shí)施例所提供的高光譜遙感圖像的分類示意圖。

可以看出，本實(shí)施例的方案中，首先獲取n個(gè)預(yù)設(shè)gabor濾波器，然后再基于該n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征，最后利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。由于高光譜遙感圖像的相位特征包括了豐富的相位特征，并且三維gabor幅值特征與三維gabor相位特征互補(bǔ)，所以在本發(fā)明實(shí)施例通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于確定高光譜遙感圖像中地物的所屬類別，提高對高光譜遙感圖像的地物分類準(zhǔn)確度。

進(jìn)一步地，由于三維gabor相位信息對地物的空間位置具有極高的敏感上，所以通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于分類，降低了分類魯棒性。

參見圖6，圖6是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類方法的第二實(shí)施例流程示意圖。圖6所示的方法中，與圖1所示方法相同或類似的內(nèi)容可以參考圖1中的詳細(xì)描述，此處不再贅述。如圖6所示，本發(fā)明實(shí)施例提供的高光譜遙感圖像分類方法包括以下步驟：

s601、獲取n個(gè)預(yù)設(shè)gabor濾波器。

具體地，可以獲取到4個(gè)平行于高光譜遙感圖像的光譜維度方向的gabor濾波器。

s602、基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征。

s603、基于所述n個(gè)三維gabor幅值特征中的任一gabor幅值特征mi獲取所述遙感圖像屬于p個(gè)類別中任一類別p的置信度

s604、基于所述n個(gè)三維gabor相位特征中的任一gabor相位特征fi獲取所述遙感圖像與所述p個(gè)類別中的任一類別p的漢明距離

s605、確定所述p個(gè)類別中所述置信度與所述相似性度量距離在所述n個(gè)gabor濾波器下的平方差之和為最大的類別為所述高光譜遙感圖像中的地物類別。

需要說明，上述步驟s603和s604之間沒有嚴(yán)格的先后順序。

可以看出，本實(shí)施例的方案中，獲取目標(biāo)圖像，首先獲取n個(gè)預(yù)設(shè)gabor濾波器，然后再基于該n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征，最后利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中地物的所屬類別。由于高光譜遙感圖像的相位特征包括了豐富的相位特征，并且三維gabor幅值特征與三維gabor相位特征互補(bǔ)，所以在本發(fā)明實(shí)施例通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于確定高光譜遙感圖像中的地物類別，提高對高光譜遙感圖像的地物分類準(zhǔn)確度。

進(jìn)一步地，由于三維gabor相位信息對地物的空間位置具有極高的敏感上，所以通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于分類，降低了分類魯棒性。

本發(fā)明實(shí)施例還提供一種高光譜遙感圖像分類裝置，包括：

獲取模塊，用于獲取n個(gè)預(yù)設(shè)gabor濾波器，所述n為正整數(shù)；

提取模塊，用于基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征；

確定模塊，用于利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

具體地，請參見圖7，圖7是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類裝置的第一實(shí)施例的結(jié)構(gòu)示意圖，用于實(shí)現(xiàn)本發(fā)明實(shí)施例公開的一種高光譜遙感圖像分類方法。其中，如圖7所示，本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類裝置700可以包括：

獲取模塊710、提取模塊720和確定模塊730。

其中，獲取模塊710，用于獲取n個(gè)預(yù)設(shè)gabor濾波器，所述n為正整數(shù)。

其中，所述n為正整數(shù)，該n個(gè)預(yù)設(shè)gabor濾波器用于后續(xù)進(jìn)行高光譜遙感圖像的幅值特征和相位特征的提取。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，該n個(gè)預(yù)設(shè)gabor濾波器為平行于所述高光譜遙感圖像的光譜維度方向的gabor濾波器。

可以理解，由于相位信息對空間位置的敏感性，不同gabor濾波器獲得的gabor相位特征對于地物的分類能力存在巨大差異，不能全部用于后續(xù)的編碼和分類過程，并且如果不加選擇地利用所有的gabor濾波器用于高光譜遙感圖像的分類，將使得計(jì)算量非常大，所以僅選擇平行于高光譜遙感圖像的光譜維度方向的gabor濾波器提取的特征用于高光譜遙感圖像的分類將極大地提高算法的計(jì)算效率。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，可以通過以下公式獲取n個(gè)平行于高光譜遙感圖像的光譜維度方向的gabor濾波器

其中，f是預(yù)設(shè)gabor濾波器的頻率，是所述預(yù)設(shè)gabor濾波器與ω軸的夾角，θ是預(yù)設(shè)gabor濾波器與u-v平面的夾角，表示gabor濾波器的方向，(x,y,b)分別表示高光譜遙感圖像的像素的x坐標(biāo)、y坐標(biāo)以及光譜坐標(biāo)，σ是高斯包絡(luò)的寬度。

具體地，在本發(fā)明的一個(gè)示例中，若θ＝π/2，參見圖2，圖2是本發(fā)明實(shí)施例提供的一種三維gabor特征的頻率域關(guān)系示意圖，由圖2可見，該頻率f所指的方向即為高光譜遙感圖像的光譜維度方向。

具體地，在本發(fā)明的一個(gè)示例中，若設(shè)置頻率fj＝[0.5,0.25,0.125,0.0625]，則可以得到4個(gè)平行于高光譜遙感圖像的三維gabor濾波器{ψi,i＝1,...,4}，用于后續(xù)三維gabor特征提取。具體可參見圖3，圖3是本發(fā)明實(shí)施例提供的從三個(gè)不同視角觀察到的平行于光譜維度方向的三維gabor濾波器。

可選地，在本發(fā)明的一些實(shí)施例中，該gabor濾波器可以為log-gabor濾波器，haar-gabor濾波器。

提取模塊720，用于基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，通過將高光譜遙感圖像與n個(gè)預(yù)設(shè)gabor濾波器進(jìn)行卷積運(yùn)算得到三維gabor特征，然后對高光譜圖像的每一個(gè)像素進(jìn)行編碼進(jìn)一步得到高光譜圖像的幅值特征和相位特征。

具體地，首先通過如下公式將高光譜遙感圖像與n個(gè)三維gabor濾波器進(jìn)行卷積操作得到i個(gè)三維gabor特征gi(x,y,b)，其中，r表示該高光譜遙感圖像，gi表示第i個(gè)三維gabor特征，其中，i的取值為1至n之間的任意整數(shù)。

當(dāng)?shù)玫絥個(gè)三維gabor特征后，再利用如下公式計(jì)算該高光譜遙感圖像的幅值特征mi(x,y,b)與相位特征fi(x,y,b)：

mi(x,y,b)＝abs(gi(x,y,b))；

其中，re(gi(x,y,b))和im(gi(x,y,b))分別是gabor特征的實(shí)部和虛部。

舉例說明，在本發(fā)明的一個(gè)示例中，若n的取值為4，首先獲取到圖3所示的4個(gè)三維gabor濾波器，再將高光譜遙感圖像與生成的4個(gè)三維gabor濾波器進(jìn)行卷積運(yùn)算后，將得到4個(gè)三維gabor濾波器特征，并進(jìn)一步通過上述公式得到4個(gè)三維gabor幅值特征gi(x,y,b)以及三維gabor相位特征fi(x,y,b)，其中，i的取值為1至4之間的任一整數(shù)。具體可參見圖4-a，圖4-b，以及圖4-c，圖4-a為本發(fā)明實(shí)施例提供的高光譜遙感圖像，取4個(gè)三維gabor濾波器中的兩個(gè)gabor濾波器為例，得到圖4-b的三維gabor幅值特征集以及圖4-c的三維gabor相位特征集。其中，圖4-b是本發(fā)明實(shí)施例提供的三維gabor幅值特征集；圖4-c是本發(fā)明實(shí)施例提供的高光譜遙感圖像的相位特征集及編碼特征集。在圖4-c中，第一列表示該兩個(gè)三維gabor濾波器得到的三維gabor相位特征；第二列表示當(dāng)對第一列三維gabor特征中的實(shí)部編碼得到的特征；第三列表示對第一列三維gabor特征中的虛部編碼得到的特征。

可以理解，上述三維gabor幅值特征與三維gabor相位特征在計(jì)算過程中不需要訓(xùn)練樣本的參與，所以可以提高該方案的實(shí)用性。

可選地，在本發(fā)明的另一些實(shí)施例中，也可以使用其它方式來獲取三維gabor相位特征，例如，基于融合編碼的方式或基于競爭編碼的方式。

確定模塊730，用于利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

其中，該預(yù)設(shè)特征融合算法是指用于對三維gabor幅值特征和相位特征進(jìn)行融合，以能同時(shí)將三維gabor幅值特征與三維gabor相位特征用于遙感圖像的分類的一種算法。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，所述確定模塊730包括：

獲取單元731，用于基于所述n個(gè)三維gabor幅值特征中的任一gabor幅值特征mi獲取所述遙感圖像屬于p個(gè)類別中任一類別p的置信度以及基于所述n個(gè)三維gabor相位特征中的任一gabor相位特征fi獲取所述遙感圖像與所述p個(gè)類別中的任一類別p的相似性度量距離p為正整數(shù)；

確定單元732，用于確定所述p個(gè)類別中所述置信度與所述相似性度量距離在所述n個(gè)gabor濾波器下的平方差之和為最大的類別為所述高光譜遙感圖像中的地物類別。

其中，置信度取值在0至1之間，用于反映該高光譜遙感圖像屬于第p類別的概率，從而當(dāng)置信度越大，該高光譜遙感圖像屬于第p類的概率越大，漢明距離取值在0至1之間，用于反映高光譜遙感圖像與類別p之間的匹配度，當(dāng)漢明距離越小，該高光譜遙感圖像屬于第p類的概率越大。

可選地，在本發(fā)明的一個(gè)實(shí)施例中，所述獲取單元731具體用于：

利用以下公式基于所述n個(gè)三維gabor幅值特征中的任一三維gabor幅值特征mi獲取所述高光譜遙感圖像屬于p個(gè)類別中任一類別p的置信度

其中，所述d為基于支持向量機(jī)獲取的所述遙感圖像的決策矩陣，所述np為所述決策矩陣d中第p行非零元素的個(gè)數(shù)。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，可以通過如下方式獲取該決策矩陣p：假設(shè)有p類地物，針對每一個(gè)測試樣本t，利用一對一策略建立p×(p-1)個(gè)支持向量機(jī)的分類器。其中，對于任意兩個(gè)類別c1和c2，通過投票可以得到?jīng)Q策值δ；進(jìn)一步建立決策矩陣d，其中當(dāng)δ>0時(shí)，dc1c2＝δ，否則dc1c2＝-δ，決策矩陣d中的其他元素為零。由于支持向量機(jī)在用于分類上的良好效果，所以基于支持向量機(jī)的方式來確定置信度有效提升了融合決策的精度。

可以看出，該置信度的取值為0至1之間，并且當(dāng)置信度越大時(shí)，該高光譜遙感圖像屬于類別p的概率越大。

可選地，在本發(fā)明的另一些實(shí)施例中，也可以使用相加、相乘的方式來計(jì)算置信度

可選地，在本發(fā)明的一個(gè)實(shí)施例中，若所述相似性度量距離包括漢明距離，所述獲取單元731具體用于：

利用以下公式獲取所述高光譜遙感圖像t和訓(xùn)練集合a中任意訓(xùn)練樣本s之間的相似性度量：

其中，b為原始高光譜數(shù)據(jù)的光譜維度；

獲取所述高光譜遙感圖像t與所述任一類別p之間的漢明距離為：

可以看出，該漢明距離的取值為0至1之間，并且當(dāng)漢明距離越小時(shí)，該高光譜遙感圖像屬于類別p的概率越大，對于高光譜遙感圖像與類別p的最優(yōu)匹配下，漢明距離為零。

可選地，在本發(fā)明的另一些實(shí)施例中，也可以使用基于稀疏表示的分類、k緊鄰分類等方式來計(jì)算上述漢明距離

可選地，在本發(fā)明的另一些實(shí)施例中，該相似性度量距離也可以其它距離，例如，萊文斯坦距離，李距離。

可以理解，上述置信度與漢明距離的計(jì)算公式中各參數(shù)均為確定的參數(shù)，所以在利用上述公式計(jì)算時(shí)，不需要進(jìn)行參數(shù)估計(jì)，將使得計(jì)算更為準(zhǔn)確。

可以看出，若定義融合特征值為e^p，該e^p定義為所述置信度與所述漢明距離在所述n個(gè)gabor濾波器下的平方差之和，也即由于當(dāng)置信度越大時(shí)，該高光譜遙感圖像屬于類別p的概率越大，當(dāng)漢明距離越小，該高光譜遙感圖像屬于類別p的概率越大，從而當(dāng)融合三維gabor幅值特征和三維gabor相位特征后，e^p越大，該高光譜遙感圖像屬于類別p的概率越大，最后將得到e^p最大的值所對應(yīng)的類別即為該高光譜遙感圖像中的地物類別。可以理解，通過上述方式，可以在確定高光譜遙感圖像中的地物類別時(shí)，同時(shí)使用高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征，從而使得所確定的類別更為準(zhǔn)確。

可選地，在本發(fā)明的另一些實(shí)施例中，該融合特征值e^p也可以定義為其它形式，例如，平方形式、指數(shù)形式等。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，若取n＝4，首先獲得圖3所示的4個(gè)三維gabor濾波器，然后再利用步驟s102計(jì)算得到圖4-b所示的三維gabor幅值特征與圖4-c所示的三維gabor相位特征。進(jìn)一步地，若通過支持向量機(jī)對圖4-b所示的gabor幅值特征進(jìn)行分類，獲得高光譜遙感圖像4-a屬于每一類的置信度通過正則化的漢明距離，利用最近鄰策略對圖4-c所示的gabor相位編碼特征進(jìn)行分類，獲得高光譜遙感圖像屬于每一類的漢明距離然后再利用e^p融合置信度和漢明距離以對高光譜遙感圖像進(jìn)行分類，確定該高光譜遙感圖像屬于哪個(gè)地物類別。參見圖5，圖5示出了本發(fā)明實(shí)施例所提供的高光譜遙感圖像的分類示意圖。

可以看出，本實(shí)施例的方案中，高光譜遙感圖像分類裝置700首先獲取n個(gè)預(yù)設(shè)gabor濾波器，然后再基于該n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征，最后利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中地物的所屬類別。由于高光譜遙感圖像的相位特征包括了豐富的相位特征，并且三維gabor幅值特征與三維gabor相位特征互補(bǔ)，所以在本發(fā)明實(shí)施例通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于確定高光譜遙感圖像中的地物類別，提高對高光譜遙感圖像的地物分類準(zhǔn)確度。

進(jìn)一步地，由于三維gabor相位信息對地物的空間位置具有極高的敏感上，所以通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于分類，降低了分類魯棒性。

在本實(shí)施例中，高光譜遙感圖像分類裝置700是以單元的形式來呈現(xiàn)。這里的“單元”可以指特定應(yīng)用集成電路(application-specificintegratedcircuit，asic)，執(zhí)行一個(gè)或多個(gè)軟件或固件程序的處理器和存儲器，集成邏輯電路，和/或其他可以提供上述功能的器件。

可以理解的是，本實(shí)施例的高光譜遙感圖像分類裝置700的各功能單元的功能可根據(jù)上述方法實(shí)施例中的方法具體實(shí)現(xiàn)，其具體實(shí)現(xiàn)過程可以參照上述方法實(shí)施例的相關(guān)描述，此處不再贅述。

參見圖8，圖8是本發(fā)明實(shí)施例提供的一種高光譜遙感圖像分類裝置的第二實(shí)施例的結(jié)構(gòu)示意圖，用于實(shí)現(xiàn)本發(fā)明實(shí)施例公開的高光譜遙感圖像分類方法。其中，該高光譜遙感圖像分類裝置800可以包括：至少一個(gè)總線801、與總線801相連的至少一個(gè)處理器802以及與總線801相連的至少一個(gè)存儲器803。

其中，處理器802通過總線801，調(diào)用存儲器中存儲的代碼以用于獲取n個(gè)預(yù)設(shè)gabor濾波器，所述n為正整數(shù)；基于所述n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征；利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別。

可選地，在本發(fā)明的一些可能的實(shí)施方式中，所述n個(gè)預(yù)設(shè)gabor濾波器為平行于所述高光譜遙感圖像的光譜維度方向的gabor濾波器。

可選地，在本發(fā)明的一些可能的實(shí)施方式中，所述處理器802利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中的地物類別，包括：

基于所述n個(gè)三維gabor幅值特征中的任一gabor幅值特征mi獲取所述遙感圖像屬于p個(gè)類別中任一類別p的置信度以及基于所述n個(gè)三維gabor相位特征中的任一gabor相位特征fi獲取所述遙感圖像與所述p個(gè)類別中的任一類別p的相似性度量距離p為正整數(shù)；

確定所述p個(gè)類別中所述置信度與所述相似性度量距離在所述n個(gè)gabor濾波器下的平方差之和為最大的類別為所述高光譜遙感圖像中的地物類別。

可選地，在本發(fā)明的一些可能的實(shí)施方式中，所述處理器802基于所述n個(gè)三維gabor幅值特征中的任一三維gabor幅值特征mi獲取所述遙感圖像屬于p個(gè)類別中任一類別p的置信度包括：

利用以下公式基于所述n個(gè)三維gabor幅值特征中的任一三維gabor幅值特征mi獲取所述高光譜遙感圖像屬于p個(gè)類別中任一類別p的置信度

其中，所述d為基于支持向量機(jī)獲取的所述遙感圖像的決策矩陣，所述np為所述決策矩陣d中第p行非零元素的個(gè)數(shù)。

可選地，在本發(fā)明的一些可能的實(shí)施方式中，若所述相似性度量距離為漢明距離，所述處理器802基于所述n個(gè)三維gabor相位特征中的任一三維gabor相位特征fi獲取所述高光譜遙感圖像與所述p個(gè)類別中的任一類別p的相似性度量距離包括：

利用以下公式獲取所述高光譜遙感圖像t和訓(xùn)練集合a中任意訓(xùn)練樣本s之間的相似性度量：

其中，b為原始高光譜數(shù)據(jù)的光譜維度；

獲取所述高光譜遙感圖像t與所述任一類別p之間的漢明距離為：

可以看出，本實(shí)施例的方案中，高光譜遙感圖像分類裝置800首先獲取n個(gè)預(yù)設(shè)gabor濾波器，然后再基于該n個(gè)預(yù)設(shè)gabor濾波器獲取高光譜遙感圖像的n個(gè)三維gabor幅值特征與n個(gè)三維gabor相位特征，最后利用預(yù)設(shè)特征融合算法對所述n個(gè)三維gabor幅值特征與所述n個(gè)三維gabor相位特征進(jìn)行特征融合以確定所述高光譜遙感圖像中地物的所屬類別。由于高光譜遙感圖像的相位特征包括了豐富的相位特征，并且三維gabor幅值特征與三維gabor相位特征互補(bǔ)，所以在本發(fā)明實(shí)施例通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于確定高光譜遙感圖像中的地物類別，提高對高光譜遙感圖像的地物分類準(zhǔn)確度。

進(jìn)一步地，由于三維gabor相位信息對地物的空間位置具有極高的敏感性，所以通過融合高光譜遙感圖像的三維gabor幅值特征與三維gabor相位特征用于分類，降低了分類魯棒性。

在本實(shí)施例中，高光譜遙感圖像分類裝置800是以單元的形式來呈現(xiàn)。這里的“單元”可以指特定應(yīng)用集成電路(application-specificintegratedcircuit，asic)，執(zhí)行一個(gè)或多個(gè)軟件或固件程序的處理器和存儲器，集成邏輯電路，和/或其他可以提供上述功能的器件。

可以理解的是，本實(shí)施例的高光譜遙感圖像分類裝置800的各功能單元的功能可根據(jù)上述方法實(shí)施例中的方法具體實(shí)現(xiàn)，其具體實(shí)現(xiàn)過程可以參照上述方法實(shí)施例的相關(guān)描述，此處不再贅述。

本發(fā)明實(shí)施例還提供一種計(jì)算機(jī)存儲介質(zhì)，其中，該計(jì)算機(jī)存儲介質(zhì)可存儲有程序，該程序執(zhí)行時(shí)包括上述方法實(shí)施例中記載的任何高光譜遙感圖像分類方法的部分或全部步驟。

需要說明的是，對于前述的各方法實(shí)施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明并不受所描述的動作順序的限制，因?yàn)橐罁?jù)本發(fā)明，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述的實(shí)施例均屬于優(yōu)選實(shí)施例，所涉及的動作和模塊并不一定是本發(fā)明所必須的。

在上述實(shí)施例中，對各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒有詳述的部分，可以參見其他實(shí)施例的相關(guān)描述。

在本申請所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的裝置，可通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明的各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲在一個(gè)計(jì)算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可為個(gè)人計(jì)算機(jī)、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機(jī)存取存儲器(ram，randomaccessmemory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。