[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

说明书

本发明公开了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，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随机选取训练样本集；S4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；S7将最终类别属性后验概率估计进行处理，得到最终类别属性标签，输出最终分类图。本发明为高光谱遥感提供可靠信息来源。

技术领域

本发明涉及图像处理技术领域，尤其涉及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。

背景技术

与多光谱遥感图像相比，高光谱遥感影像具有更加丰富的光谱和空间信息，这些信息能够准确反映不同地物类别之间的属性差异，实现地物准确提取和识别，为更精确的高光谱遥感影像分析与行业应用奠定良好基础。然而，高光谱影像维数高、波段相关性大和包含噪声等不足，给高光谱遥感信息分析与处理带来了巨大挑战。基于光谱特征的影像分类方法仅依据地物光谱特征来判定像元的类别归属，并未利用影像的空间信息，因此，这类方法获得的分类精度难以更进一步地改善。

联合光谱和空间信息的影像分类方法在联合高光谱影像空间信息(主要包括纹理信息、空间结构信息、地物尺寸信息、地物轮廓信息、空间分布信息等)和地物光谱特征的基础上，能够获得更精确的分类结果。但，所得到高光谱影像通常存在噪声干扰，且传统马尔科夫随机场模型并未考虑地物边界信息，因此容易造成“过平滑”的分类结果，难以有效提高分类精度。此外，由于地物目标的各种特征通常存在于多个尺度范围内，因此单一尺度的图像分割难以获得满足要求的同质区域。

发明内容

有鉴于此，本发明的实施例提供了一种优化了类别的属性后验概率估计，能够有效减少同质区域内部“椒盐噪声”和地物边界的划分错误，并通过能量函数最小化对类别属性后验概率估计分布图进行优化，提高了分类精度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。

本发明的实施例提供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，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；

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。

进一步的，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。

进一步，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；