[发明专利]基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法

权利要求书

1.基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，包括以下步骤：

S1将待分类的高光谱影像输入样本获取单元；

S2将与待分类的高光谱影像相对应的地面调查数据样本集输入样本获取单元，并根据所述地面调查数据样本集中所有样本的坐标位置提取所述高光谱影像中对应坐标位置的像元，进而构成参考数据样本集；

S3参考数据样本集包括多个信息类别，依次为各信息类别随机选取一部分样本作为监督分类的训练样本集；

S4将各信息类别的训练样本集输入分类单元，在所述分类单元中采用支持向量机分类器进行分类，获得高光谱影像的初始分类图，并根据初始分类图计算各类别的属性二值标签图；

S5在处理单元中采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波，获得初始类别属性后验概率估计，并基于最大后验概率估计框架构建马尔科夫随机场模型；

S6采用图割算法对步骤S5构建的马尔科夫随机场模型进行能量最小化求解，得到最终类别属性后验概率估计；其中：在初始化正则化参数后，采用标准的最小图割算法求解能量方程的全局最优解，计算公式为：

式中，表示经过概率扩散处理的后验概率估计；其中：x_j表示像元，y_j表示高光谱影像的类别，λ表示正则化参数，α为像素的类别标签，N_j表示第j个像元的邻域，α-Expansion(.)表示基于图割的一种算法，其通过批量移动像元到标签为α的类来最小化能量函数，其同时考虑了标签为α的像元与其它所有类别像元N_j之间的关系；

S7将最终类别属性后验概率估计利用最大似然估计进行处理，得到最终类别属性标签，输出，即得到高光谱影像的最终分类图。

2.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S3中，各信息类别随机选取10％的样本作为监督分类的训练样本集，余下的样本作为精度评价的测试样本集。

3.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S4中，将各信息类别的训练样本集采用支持向量机分类器进行分类的具体步骤为：

S4.1在各信息类别的训练样本集中选取已知的、有代表性的像元；

S4.2利用步骤S4.1选取的像元来估计支持向量机分类器中的最优惩罚因子和核函数参数；

S4.3利用步骤S4.2训练过的支持向量机分类器为高光谱影像中的每个像元赋予类别属性标签，即完成对高光谱影像的初始分类，获得高光谱影像的初始分类图。

4.根据权利要求3所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S4.2中，在支持向量机分类器中先选择高斯径向基函数为核函数，再将步骤S4.1选取的像元输入支持向量机分类器中，并采取网格搜索法对惩罚因子和核函数参数进行寻优，得到支持向量机分类器中的最优惩罚因子和核函数参数。

5.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S4中，属性二值标签图的计算公式为：

式中：i和j分别表示高光谱影像的类别和像元序号；P_j为每个类别对应的属性标签值。

6.根据权利要求1所述的基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法，其特征在于，所述步骤S5中，采用矢量概率扩散方法分别对各类别的属性二值标签图进行滤波的具体步骤为：

S5.1建立矢量概率扩散模型；

S5.2初始化矢量概率扩散模型的最大迭代次数和扩散尺度参数；

S5.3采用矢量概率扩散模型滤除属性二值标签图中的“椒盐噪声”,并保持边界不被损坏，获得初始类别属性后验概率估计。