[发明专利]高光谱图像监督分类方法

说明书

技术领域

本发明属于图像处理领域，涉及一种高光谱图像监督分类方法，可用于遥感图像分类与识别。

背景技术

高光谱图像的分类与识别是遥感图像处理领域的一个新的重要分支，近年来在植被研究、矿物识别以及水文和海洋勘测等领域有着广泛的应用。高光谱遥感，是指具有很高的光谱分辨率的遥感技术，它能够在很窄的连续波段上记录地物，如地表、水域、大气的光谱反射特性，使得获取待测地物类别的细节成为现实。成像光谱仪能够为每个像素提供数十个至数百个窄波段，高光谱图像的每一帧都是对同一场景在不同波长上的成像，从而产生一条完整而连续的光谱曲线，提供所观测地物丰富的光谱信息。

针对高光谱遥感技术的上述特点，常用的高光谱图像的分类方法有：

从光谱角度出发，有SAM算法和混合像素分解技术。SAM方法通过比较目标光谱曲线和已有的样本库中的各类平均光谱曲线之间的相似程度来判定待分类光谱的类别归属；而混合像素光谱分解技术是通过将每个像素点分解为不同的基本单元即端元，来实现类别的划分。该类方法通常需要预先建立待分类图像所包含地物的光谱库，因而在实现上比较困难。

从统计模型角度出发，有基于统计距离的方法和基于概率模型的方法，最小距离分类法是基于统计距离的方法中最简单的一种，该方法通过比较待分类像素和利用训练样本计算出的各类中心点之间的距离，来实现像素点的类别划分。而基于概率模型的方法中最典型的就是高斯极大似然分类方法，该方法将像素向量作为特征向量，在假定各类服从正态分布的基础上，根据有关概率判决函数的贝叶斯准则进行分类。该类方法应用广泛，但由于算法的复杂度和数据维数的平方成正比，且类别参数由于训练样本的相对较少无法可靠估计。

还有基于决策树的分类方法，如二元层级分类器BHC，该方法假设高光谱数据中各类服从一定分布，将贝叶斯规则用在每层的决策中，不断的将一个K类分类问题转化为K-1个的二元分类问题，从而解决分类问题。该方法相比之前的方法，计算简单且易于实现，但由于没有很好的加入先验信息，忽略了图像中像素之间的相互关系，导致分类过程中对空间信息的利用不足，限制了分类精度的提高。

发明内容

本发明的目的在于克服上述已有技术的不足，提供一种树状的马尔可夫随机场模型TS-MRF的高光谱图像监督分类方法，以有效地利用图像中像素之间的空间关系，提高分类精度。

实现本发明目的的技术方案是：使用简洁高效的二叉树结构，结合马尔可夫随机场对图像像素之间的空间信息的利用，对高光谱图像进行监督分类，具体实现步骤如下：

(1)对于待分类的高光谱图像，依据训练样本集，建立二叉树模型，得到节点标号，将内部节点标号及其包含的类别组存储于索引表中：

1a)计算训练样本集中各个类别的均值向量，将其作为各类特征；

1b)使用欧式距离作为衡量各类别之间差异的度量，计算出每两个类别i₁，i₂之间的空间距离diff(i₁，i₂)，所有类别之间的空间距离构成一个大小为K×K的可分性判别矩阵D，K为类别总数；

1c)找出可分性判别矩阵中最大值max(D)对应的两个类别i，j，将其作为两个类别组C1和C2的初始值，即C1＝{i}，C2＝{j}；逐个比较每个剩余类别i′与类别i和类别j的空间距离，若i′与类别i的空间距离diff(i′，i)小于i′与类别j的空间距离diff(i′，j)，则将类别i′划到第一类别组C1中；否则将i′划到第二类别组C2中，即下式：