[发明专利]一种高光谱与红外数据多级决策融合分类方法

权利要求书

1.一种高光谱与红外数据多级决策融合分类方法，其特征在于：它包含以下步骤：

(1)、对高光谱与红外数据进行抑噪处理与空间配准；

(2)、根据高光谱与红外数据特点，建立高光谱与红外数据联合特征空间；

(3)、根据待分地物类别与训练样本，对步骤(2)建立的联合特征空间进行监督分类，得到地物分类决策；

(4)、根据目标尺寸，确定需要进行小目标加强决策提取的地物种类，利用步骤(2)建立的联合特征空间进行小目标加强决策提取；

(5)、对步骤(1)得到的抑噪后的高光谱数据进行端元提取与丰度估计，得到丰度决策；

(6)、设计融合规则，融合由步骤(3)获取的分类决策、步骤(4)获取的小目标加强决策与步骤(5)获取的丰度决策，得到融合分类结果。

2.根据权利要求1所述的一种高光谱与红外数据多级决策融合分类方法，其特征在于：步骤(1)中所采用的抑噪方法：采用小波方法对红外图像抑噪，采用改进最小噪声分离变换对高光谱数据抑噪，在改进最小噪声分离变换中采用一种基于高光谱多维梯度分块甄选的循环光谱-空间去相关噪声估计方法估计高光谱数据波段噪声协方差矩阵Cov，其具体步骤如下：

a)令循环标号T＝1，K^(T)为完整的高光谱数据空间，将K^(T)空间维分成Len×Len大小的相接且不重叠的方块，Len∈[5，15]，并在K^(T)标记分块情况，将无法划分成块的图像部分剔除K^(T)；

b)基于K^(T)，利用光谱-空间去相关法求解波段噪声为波段i的噪声方差，1≤i≤L，L为高光谱数据的光谱维数，若T＞1且|E^(T)-E^(T-1)|＜ε，ε＝10^-4，根据当前K^(T)利用光谱-空间去相关法计算波段噪声协方差矩阵Cov，结束循环；否则进行下一步骤c)；

c)根据波段噪声E^(T)计算高光谱多维权重梯度的权重因子w(T)={w1(T),w2(T),···,wL(T)},]]>计算公式如下：

wi(T)=(1σi2)/(Σi=1L1σi2);]]>

d)利用w^(T)求解高光谱数据每个像元(x，y)的梯度G_x，y，计算公式如下：

Gx,y=Σk=1Lwk(T)ρδ(zk),]]>

其中ρ_δ(z_k)为第k波段的形态学梯度，1≤k≤L，δ为结构元，z_k为第k波段像元(x，y)处的灰度值，ρ_δ(z_k)计算公式如下：

ρ_δ(z_k)＝d_δ(z_k)-e_δ(z_k)，

其中d_δ和e_δ为膨胀与腐蚀算子；

e)重新将原始高光谱数据空间维分成Len×Len大小的相接且不重叠的方块，剔除无法划分成块的图像部分，得到Q^(T)，并在Q^(T)标记分块情况，计算每块高光谱数据的平均梯度，公式如下：

Gq‾=1Len2Σ(x.y)∈BqGx,y,]]>

其中B^q为块q在原高光谱数据的坐标集合；

f)设定平均梯度阈值参数γ，γ∈[0.1，0.8]，根据下式计算平均梯度阈值：

THG=Gminq+γ(Gmaxq-Gminq),]]>Gminq=minq{Gq‾}Gmaxq=maxq{Gq‾},]]>

若块q是同质区域，否则为非同质区域，从Q^(T)上剔除非同质区域，更新Q^(T)，T＝T+1，令K^(T)＝Q^(T-1)，返回步骤b)。