[发明专利]一种高光谱图像分类方法、存储介质和计算机设备

权利要求书

1.一种高光谱图像分类方法，其特征在于：所述的图像分类方法执行以下步骤：

S1：对高光谱数据进行归一化预处理，使得高光谱数据集的取值范围在0到1之间；

S2：设置若干个不同的邻域窗口的尺度；

S3：将原始的高光谱数据通过某个尺度的邻域窗口g，用加权均值滤波器对图像进行降噪和边缘提取特征；

S4：将原始的高光谱数据通过某个尺度的邻域窗口g，获取高光谱图像的属性轮廓，并获取高光谱图像的扩展多属性轮廓，再使用加权均值滤波器来降低噪声并平滑高光谱图像中的同质区域，采用加权扩展多属性轮廓来特征提取；

S5：将步骤S3和S4得到的特征进行特征融合得到一个复合特征，由于有若干个不同的邻域窗口的尺度，从而得到多个尺度的复合特征；

S6：将S5获得的多个尺度的复合特征分别作为极限学习机的输入来进行分类，最后采用了决策融合，使用多票选举制度，将不同尺度的分类结果组合为最终产生的最优结果；

采用加权均值滤波器去处理扩展多属性轮廓提取的特征，采用加权扩展多属性轮廓用于高光谱图像分类，具体如下：

令是EMAP提取的高光谱图像特征，而(p_i,q_i)是样本的像素坐标；将以x_i^EMAP为中心的局部像素邻域定义如下：

其中，w₀是邻域窗口的奇数宽度；

提出的加权扩展多属性轮廓表示如下：

其中，s＝

w₀²-1表示x_i的相邻像素的总数，γ表示过滤度。

2.根据权利要求1所述高光谱图像分类方法，其特征在于：步骤S1，具体地，所述的归一化预处理公式如下：

x_ij＝x_ij^*/max(X)         (1)

其中，x_ij^*表示高光谱数据集中的一个数据，max(X)表示高光谱数据集中最大的那个数据。

3.根据权利要求2所述高光谱图像分类方法，其特征在于：所述的邻域窗口的尺度分别为3、5、7、9。

4.根据权利要求3所述高光谱图像分类方法，其特征在于：步骤S3，将原始的高光谱数据用加权均值滤波器对图像进行降噪和边缘提取特征，具体如下：

对于n个训练样本X＝[x₁，x₂，...，x_n]∈R^d×n相应的类别标签Y＝[y₁，y₂，...，y_n]∈R^m×n，令(p_i，q_i)为空间第i个训练样本x_i的坐标；以x_i为中心的局部像素邻域表示如下：

N(x_i)＝{x＝(p，q)|p∈[p_i-c，p_i+c]，q∈[q_i-c，q_i+c]}    (2)

其中，w₀是邻域窗口的奇数宽度；

令s＝w₀²-1表示x_i的相邻像素的总数，并且还通过x_i，x_i1，x_i2，...，x_is表示其空间邻域N(x_i)中的像素；

标记像素x_i的空间WMF表示如下：

其中，权重v_k＝exp(-γ||x_i-x_ik||²)为测量中心像素与其所有相邻像素之间的光谱距离，γ表示过滤度。

5.根据权利要求4所述高光谱图像分类方法，其特征在于：所述的过滤度γ设为0.2。