[发明专利]一种高光谱遥感数据分类方法

说明书

本发明公开一种高光谱遥感数据分类方法，包括以下步骤：步骤S1、获取高光谱遥感数据中每一像元在不同波段的光谱值；步骤S2、根据所述光谱值计算极坐标，得到每一所述像元的极坐标矩阵；步骤S3、根据所述极坐标矩阵获取对应像元的特征多边形，计算所述特征多边形的图形特征值；步骤S4、根据所述图形特征值对所述高光谱遥感数据进行分类。本发明具有分类精准的技术效果。

技术领域

本发明涉及高光谱遥感技术领域，具体涉及一种高光谱遥感数据分类方法。

背景技术

高光谱遥感数据的分类方法是地理信息科学领域的重要研究课题。但是，目前分类方法都或多或少存在一些不足：长期以来，广泛使用的数据挖掘方法主要包括主成分分析、线性判别分析、K近邻、支持向量机、神经网络和贝叶斯分类等，这些方法大都是基于统计学原理的方法，模型表达一般是基于向量空间，地理时空数据整个数据集往往采用一个数据矩阵来描述，每个样本被视为有限维欧式空间中一个向量或点，样本之间关系由点之间关系来描述。线性代数、概率统计等是其主要数学工具，相关统计量包括统计平均值、相关系数和协方差阵等。这些方法都是针对原始特征空间的矩阵数据进行直接处理，倚重的是统计信息，未充分关注原始地理研究对象可能存在的空间/结构关系，如分布、格局、拓扑和高阶关联等信息。目前，在遥感数字图像处理领域，普遍采用的方法是将光谱数据转换为光谱曲线，形成一些直接针对光谱曲线图形特征的分析方法，包括采用光谱曲线累计交叉面积的方法、分形特征方法、光谱曲线特征点提取方法、波谱角分类、光谱曲线匹配算法和描述关键统计特征的光谱曲线图形指数方法等。但是，总体来说，这些方法只是提取了光谱曲线的总体形态信息，没有全面把握光谱曲线的结构特征。

发明内容

本发明的目的在于克服上述技术不足，提供一种高光谱遥感数据分类方法，解决现有技术中对高光谱遥感数据进行分类时无法提取对象的结构关系的技术问题。

为达到上述技术目的，本发明的技术方案提供一种高光谱遥感数据分类方法，包括以下步骤：

步骤S1、获取高光谱遥感数据中每一像元在不同波段的光谱值；

步骤S2、根据所述光谱值计算极坐标，得到每一所述像元的极坐标矩阵；

步骤S3、根据所述极坐标矩阵获取对应像元的特征多边形，计算所述特征多边形的图形特征值；

步骤S4、根据所述图形特征值对所述高光谱遥感数据进行分类。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述高光谱遥感数据分类方法。

与现有技术相比，本发明的有益效果包括：本发明以像元作为研究单位，将单个像元转换为特征多边形，通过特征多边形的图形结构描述像元的光谱特性。高光谱遥感像元包括多个像元，因此将高光谱遥感数据转化为一个个多边形。通过多个多边形的图形结构以及图形间关系，描述高光遥感数据的光谱曲线的形态特征和结构特征，从而实现对光谱曲线形态特征和结构特征的兼顾，使得后续对于高光遥感数据的分类更加精准。

附图说明

图1是本发明提供的高光谱遥感数据分类方法一实施方式的流程图。

图2是通过本发明提供的高光谱遥感数据分类方法获取的三组特征多边形的实施例；

图3是本发明中极坐标的计算原理图；

图4是本发明中凸壳面积的计算结果图；

图5是本发明中最小外接矩形的计算结果图；

图6是通过本发明提供的高光谱遥感数据分类方法，根据图形紧凑度进行分类的分类结果图；

图7是通过本发明提供的高光谱遥感数据分类方法，根据图形方位值进行分类的分类结果图。

具体实施方式