[发明专利]基于小波变换低频谱信息的溢油高光谱图像分类方法

说明书

技术领域

本发明涉及光谱图像处理领域，尤其涉及一种基于小波变换低频谱信息的溢油高光谱图像分类方法。

背景技术

随着对地观测技术的发展，图像的光谱分辨率、空间分辨率和时间分辨率都有了极大提高，其中高光谱图像得到了越来越多的应用。高光谱分辨率遥感是指用很窄而且连续的光谱通道对地物进行成像的技术。在可见光到近红外范围内，其光谱分辨率可达纳米级，通常情况下，高光谱遥感的光谱分辨率通常小于10nm，与多光谱遥感相比，其波段多达几十甚至上百个。由高光谱遥感获得的数据即为高光谱数据。高光谱数据可以用数据立方体来表示，它由3部分组成，即空间图像维、光谱维和特征空间维。空间图像维主要记录地物的地理位置信息，适用于一般的信息挖掘技术，光谱维主要记录地物的光谱特征信息，适用于光谱信息的深度挖掘，特征空间维可以用于深度挖掘地物在高光谱数据形成的维特征空间中分布的特点与行为。高光谱数据的这些特点为图像分类带来了极大优势。首先，连续光谱可以更好的匹配地面实测值，找到欲分类地物的敏感波段区间，减小同物异谱和同谱异物的影响；其次，在分类方法上灵活多样，既可以应用传统的模式识别方法，又可以采用与地物光谱数据库匹配的光谱匹配方法，可以在减小计算量的同时，提高分类精度。高光谱数据的这些优势可为溢油分类提供巨大潜力，针对不同厚度油膜的光谱特点进行波段选择，应用光谱匹配法可以在一定程度上提高分类精度，但如果直接使用原始高光谱数据信号，由于噪声及同物异谱和同谱异物现象的存在，极易造成不同地物类别混淆，分类精度下降等问题，这也正是目前高光谱溢油监测的难点。

现有的溢油分类方案大多直接对影像进行经典方法分类，或者进行简单去噪后利用波段选择的方法选出合适波段进行分类，分类精度不高，主要原因在于直接利用原始光谱信息，并未对不同厚度油膜间的光谱信息进行深层信息挖掘，类间可分性未得到进一步提高。

现有方法介绍如下：

主成分分析法，主要是利用降维思想，把多指标转化为少数几个综合指标，考虑多个影响因素，如噪声、相关性、信息量等，取综合信息最多的几个波段作为进行后续处理的波段，达到降维的目的。该方法可以在总体上选出最优波段，但并不能保证选出的最优波段对后续处理起到关键作用。

最小噪声分离法(MNF)，最小噪声分离变换工具用于判定图像数据内在的维数(即波段数)，分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。该方法的优点是可以尽量减小噪声和波段相关性对后续处理的影响，降低计算量。但是，该方法在去掉噪声的同时，也有可能去掉对分类起作用的信息，且该方法得到的波段数比较少，不利于代表整个图像的信息。

总之，现有溢油高光谱数据分类方法的缺点：未能充分利用光谱信息，对高光谱图像的光谱信息挖掘不够,导致了图像分类效率和分类精度下降。

发明内容

本发明针对现有技术的缺点，提出基于小波变换低频谱信息的高光谱数据分类方法。本方法充分发挥了小波变换中代表低频成分的近似系数对不同波长处地物的刻画，而利用低频谱信息重构的图像则是在有效去除原图像噪音的同时，提高了溢油识别的精度。充分发挥了小波变换的优点和高光谱自身的特性。

一种基于小波变换低频谱信息的溢油高光谱图像分类方法，包括以下步骤：

步骤1：绘制溢油高光谱图像像元的光谱曲线，将该光谱曲线构建为一个连续的一维信号；

步骤2：将该一维信号进行小波分解，提取低频小波系数，得到低频谱曲线；

步骤3：在不同地物的低频谱曲线间选择类别可分性明显的低频谱段生成低频图像；

步骤4：在生成的低频图像中选择地物ROI,对选择的地物ROI进行监督分类。

进一步地，如上所述的基于小波变换低频谱信息的溢油高光谱图像分类方法，所述步骤1包括：

(a)、读取溢油高光谱数据，按照不同厚度油膜反应出来的光谱差异，将油膜分为三类地物，该三类地物为厚油膜、薄油膜，海水；

(b)、选择三类地物的ROI，并根据其光谱特征值绘制光谱特征曲线；

(c)、选择能够区分三类地物的波段区间.

进一步地，如上所述的基于小波变换低频谱信息的溢油高光谱图像分类方法，所述步骤2包括：

(a)、分别对三类地物的ROI内的像素基于db4小波基进行5层分解，并提取第5层的低频小波系数；

(b)、绘制所述低频小波系数的曲线图，并根据所述小波系数的曲线图选取可分性明显的波段。