[发明专利]一种基于高斯分布的自适应高光谱分类方法

权利要求书

1.一种基于高斯分布的自适应高光谱分类方法，其特征在于，包括以下步骤：

步骤一：对高光谱图像二维灰度直方图的最佳一维投影进行高斯拟合得到最佳阈值；

步骤二：对高光谱图像矩阵依次完成降元操作，所述降元操作是指：对中心像元判断与其直接关联的8个像元的相似性,将具有相似性的像元划入同一像块，像元具有相似性的判断标准是该像元余弦夹角小于最佳阈值；

步骤三：利用一元回归线性模型在步骤二所获得的像块中选择用于合并的像块，并合并像块实现图像分类。

2.如权利要求1所述基于高斯分布的自适应高光谱分类方法，其特征在于，所述步骤一具体为：

2.1在高光谱图像的二维灰度函数f(x,y)坐标中任取一像素点(x,y)，计算其局部灰度平均值g(x,y),计算方法如式（1）所示，

g(x,y)=1n2Σi=-llΣj=-llf(x-i,y-j),n=2l+1---(1)]]>

式（1）中，f(x,y)是一幅M×N的数字图像表示成的二维灰度函数，M×N为图像大小，M为行，N为列；x为横坐标，y为纵坐标；(-l,l)为不包括(x,y)点的领域中像素坐标的集合，即去心领域；n表示集合(-l,l)内像素的总数；

2.2计算图像f(x,y)的邻域均值灰度直方图H(k),计算方法如式（2）所示，

H(k)=Σx=1MΣy=1Ng(x,y)δ(k-g(x,y))---(2)]]>

式（2）中，k为灰度值，δ(k-g(x,y))为冲激函数；

2.3将邻域均值灰度直方图H(k)的包络看作一条曲线，通过计算曲线的极值点获得直方图H(k)的峰谷位置和个数；谷点对应于曲线的极小值点，极小值点需同时满足峰点对应于曲线的极大值点，极大值点需同时满足∂2H(k)∂k2<0;]]>

2.4计算邻域均值灰度直方图H(k)的一阶差分H'(k)，计算方法如式（3）所示，

H'(k)＝H(k+1)-H(k)(k＝0,1,...,L-1)   （3）

式（3）中，L是图像的灰度级；

2.5计算H'(k)的过零点，由正到负为峰点，由负到正为谷点,定义相邻谷点间的区域为一个峰区；

2.6计算峰值点i的均值估计μ_i，具体方法为：计算峰区中以各灰度级为中心的样本偏度，取其绝对值最小的偏度所对应的灰度级作为该峰区的均值估计μ_i；

2.7计算峰值点i的标准差估计σ_i和正态拟合函数p_i(μ_i)，具体方法为：

设拟合分布的概率密度函数为其中A_i为常量系数；取x=μ_i,峰值点i的正态拟合函数经进一步推导得出其中k为灰度值；再进一步推导解出标准差估计

2.8计算最佳阈值T_i，具体方法为：

设相邻两峰区正态拟合函数为p_i(x)和p_i+1(x)，最佳阈值T_i应满足p_i(T_i)＝p_i+1(T_i)，经进一步推导得出式（4），再进一步可以由式（4）解出最佳阈值T_i，

ATi2+BTi+C=0A=σi2-σi+12B=2(μiσi+12-μi+1σi2)C=σi2μi+12-σi2μi2+2σi22σi+12ln(pi+1(μi+1)/pi(μi))---(4)]]>

式（4）中，μ_i+1是样本峰值点i+1点的均值估计，σ_i+1是样本峰值点i+1点的标准差估计，p_i+1(μ_i+1)是样本峰值点i+1的正态拟合函数。