[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

说明书

本发明公开了一种高光谱图像分类方法，该方法步骤如下：S1：对高光谱数据进行归一化；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用加权均值滤波器对图像进行降噪和边缘提取特征；S4：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S3和S4得到的特征进行特征融合得到一个复合特征，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。

技术领域

本发明涉及图像处理技术领域，更具体的，涉及一种高光谱图像分类方法、存储介质和计算机设备。

背景技术

高光谱图像是一种具有三维结构特征的数据信息，相比传统的二维图像，高光谱遥感图像具有信息量大、光谱分辨率高等优点，这使得在描述与区分地物类别方面的能力有了大幅提高,进而为地物光谱信息的精确处理与分析提供了更大的可能。高光谱遥感系统已在全球许多国家的先进对地观察遥感系统中占有重要的位置，己成为地球上陆地、海洋、大气观察的生力军。但是由于高光谱图像具有较高的数据维数，传统的图像分类方法在处理高光谱图像时有较大的限制，如何从海量的高光谱数据中快速而又准确地挖掘出所需要的信息，实现高精度的分类，这是一个我们值得研究的问题。

用于高光谱图像分类的传统方法有很多，比如奇异谱分析，支持向量机，主成分分析法等。然而，根据这几年研究表明，高光谱图像分类算法的研究还是有很多挑战。

如中国专利公开号CN103886342A，专利公开日2014.06.25，公开了一种基于光谱和邻域信息字典学习的高光谱图像分类方法，其具体实现的步骤是：(1)输入高光谱图像；(2)获得样本集；(3)确定训练样本集与测试样本集；(4)字典学习；(5)求测试样本集稀疏系数；(6)加权稀疏系数；(7)高光谱图像分类；(8)输出分类图像。该发明具有在高光谱图像边缘和同质区域的分类效果更精确的优点，可用于高光谱图像的分类。

但高光谱的每个像素点的数据结构非常复杂，数据维度非常大，在有限的样本情况下实现高精度的分类和时间耗费较少是非常困难的；高光谱图像信息比较丰富，未能充分利用高光谱的不同空间信息；提取的图像特征未能进行很好的融合；高光谱图像特征提取的扩展多属性轮廓(EMAP)，它在连接多属性特征时会在高光谱图像中引入噪声等。这些问题都会给高光谱图像分类的精度带来很大的影响。

发明内容

本发明为了解决现有技术不能对高光谱图像进行精准的分类等问题，提出一种加权扩展多属性轮廓和极限学习机的高光谱图像分类方法、存储介质和计算机设备，其能有效提取不同属性的各种结构信息的同时，并可以降低噪声以及平滑高光谱图像中的同质区域，能有效提高分类精度。

为实现上述本发明目的，采用的技术方案如下：一种高光谱图像分类方法，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。