[发明专利]一种基于多尺度超像元分割的高光谱图像分类方法

说明书

本发明公开了一种基于多尺度超像元分割的高光谱图像分类方法，包括：设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；将原始图像与超像元分割图像集合进行光谱‑空间特征融合获得多组融合图像；采用支持向量机对每组融合图像进行分类得到分类图像集合；采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。该方法作为一种融合光谱‑空间信息的分类模型，可以有效地解决因单一分割尺度所导致的类别精度分布不均等问题，在高光谱图像地表精细分类等方面具有重要的应用价值。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种基于多尺度超像元分割的高光谱图像分类方法。

背景技术

高光谱遥感是遥感对地观测领域中的一项前沿技术，其特点是既能成像，又能测谱。其图像数据是一个三维的数据立方体，包含丰富的光谱和空间信息，在遥感图像分类等应用领域带了新的技术突破和发展前景。近年来，结合光谱和空间信息的高光谱图像分类框架得到了广泛的应用，但是目前大多数方法主要采用空间信息后处理的方式，侧重于使用空间信息对光谱信息的处理结果进行调整和修正，并没有将具有高度一致性的局部光谱和空间信息作为一个整体来进行考虑和处理。

针对这一现状，面向对象的图像分类框架带了新的研究思路，即在图像分割的基础上再进行图像分类，从而将分类的基本单元转换为融合了光谱和空间特征的图像对象，而不再是单个像元，从而实现分类效果的提升。因此这类方法的核心是图像分割，目前应用效果稳定且快速有效的是超像元分割，但是在应用超像元分割于高光谱图像分类时，面临的一个主要问题是受到地物不同空间尺寸和分布的影响，超像元分割的尺度难以确定，即单一尺度的超像元分割会带来类别精度分布不均等问题。

发明内容

根据现有技术存在的问题，本发明公开了一种基于多尺度超像元分割的高光谱图像分类方法，具体包括如下步骤：

设置多尺度处理框架模型、采用简单线性迭代聚类算法对超像元进行分割获得超像元分割图像集合；

将原始图像与超像元分割图像集合进行光谱-空间特征融合获得多组融合图像；

采用支持向量机对每组融合图像进行分类得到分类图像集合；

采用主投票法对分类图像集合的分类结果进行决策融合得到最终分类结果。

所述采用简单线性迭代聚类算法SLIC对超像元进行分割时具体采用如下方式：

在原始图像中选取若干个聚类中心，计算并衡量不同像元距各个聚类中心的距离，将各像元关联至距离最近的聚类中心生成不同的聚类簇，计算每个聚类簇的均值向量，将该均值向量更新为各聚类簇的新聚类中心，当新聚类中心与原聚类中心位置一致时，则完成分割，否则返回进行下一次象元间的距离衡量和聚类，完成新的聚类中心更新，如此循环最终输出分割结果图像。

采用简单线性迭代聚类算法SLIC在衡量像元间的距离时，其中衡量的搜索范围是在各个超像元定义的局部区域范围内，其中像元间的距离计算方式为：

其中D_spectral表示光谱距离项，具体定义为：

其中和表示像元x_i和x_j在第b个波段的值，B表示波段总数；

其中D_spatial表示空间距离项，具体定义为：