[发明专利]一种基于高斯分布的自适应高光谱分类方法

说明书

技术领域

本发明属于高光谱图像处理领域，特别是一种基于高斯分布的自适应高光谱分类方法。

背景技术

对于高光谱图像的目标分类，国内外的研究者一直致力于寻求高执行效率、低虚警概率、高分类概率的分类方法。高光谱分类最常见、最具代表性的是K-MEANS和ISODATA两种方法，这两种方法假设类内像元满足多元高斯分布，以高斯混合模型建模，采用欧拉距离作为基本测度手段。由于上述两种方法较简单、使用普遍,已经被集成在某些遥感图像处理软件中，而且这类算法只考虑了光谱信息忽略了图像空间特性，毗邻像元具有更高相似可能性——图像空间一致性。基于此特征的分类将更符合人类对图像的解析。

Reed和Yu两位学者利用一幅图像的局部灰度统计特性可以用高斯分布描述的性质，将一幅图像分成若干子块，认为如果背景灰度值在各个子块上近似符合高斯分布，则那些不符合高斯分布的像素点便可能是需要获得的目标像素点。以此为基础，他们提出了著名的RX算法，RX算法根据背景样本点的光谱向量均值和协方差矩阵，计算检测点光谱向量和背景样本的马氏距离，实现高光谱分类。但RX算法要求预先知道目标的形状和大小信息，而通常情况下这些信息可能是无法预先获得的。

发明内容

本发明提出一种基于高斯分布的自适应高光谱分类方法。该方法聚类精度高、边缘辨识度好及鲁棒性强，在对高光谱图像分类时，执行效率高，虚警概率低。

为了解决上述技术问题，本发明提供一种基于高斯分布的自适应高光谱分类方法，具体包括以下步骤：

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。

本发明与现有技术相比，其显著优点在于：

本发明方法采用了基于二维灰度直方图的最佳一维投影代替传统的一维直方图进行高斯拟合，这种一维投影既具有二维直方图的分割精度，又有一维直方图的分割速度，因而大大提高了图像分类的精度和速度；本发明方法充分利用统计直方图的峰谷特性，自动确定分割类数，并对各峰区的截断样本分布数据进行深入分析，利用部分样本点的最小偏度所对应的灰度值作为估计均值，计算各样本点分布数据与估计均值之比获得估计方差样本，取其截尾均值作为估计方差，消除了背景噪声的影响，避免了目标数据间的数据干扰，使拟合值更加精确，从而最终得到最佳分割阈值；通过降元操作和像块合并的方法，实现高光谱分类。

附图说明

图1是本发明方法流程图。

图2是本发明所选取的用于实验的两种场景的高光谱图像，其中图2(a)是场景一的高光谱图像，图2(b)是场景二的高光谱图像。

图3是图2中两种场景的高光谱图像经过本发明方法步骤一得到的高斯拟合曲线图，其中图3(a)是图2(a)的高斯拟合曲线图，图3(b)是图2(b)的高斯拟合曲线图。

图4是分别使用本发明方以及K-MEANS算法和ISODATA算法对图2场景的分类结果图，其中图4(a)是图2(a)使用本发明方法的分类结果；图4(b)是图2(a)使用K-MEANS算法的分类结果；图4(c)是图2(a)使用ISODATA算法的分类结果；图4(d)是图2(b)使用本发明方法的分类结果；图4(e)是图2(b)使用K-MEANS算法的分类结果；图4(f)是图2(b)使用ISODATA算法的分类结果。

具体实施方式

如图1所示，本发明方法包括以下步骤：

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。

进一步，所述步骤一的一种具体实施方式为：

1.1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，