[发明专利]一种高光谱影像分类方法

说明书

本发明属于遥感影像处理技术领域，具体涉及一种高光谱影像分类方法。该方法首先采用慢特征分析法，将高光谱影像中待分类像素的光谱特征进行变换，以提取得到各个待分类像素的慢特征；然后选取得到的慢特征中的前N个慢特征作为最终特征；其中，N≥1；最后将高光谱影像各个待分类像素的最终特征作为各个待分类像素的特征输入至构建的分类模型中，以对高光谱影像中各待分类像素进行分类。本发明利用少量的慢特征进行分类，极大地降低了输入到分类器中的特征维度，提高了分类效率；而且，得益于慢特征提取，本发明能够有效提高高光谱影像分类精度。整体方案简单且高效，具有较高的实用价值。

技术领域

本发明属于遥感影像处理技术领域，具体涉及一种高光谱影像分类方法。

背景技术

高光谱影像分类就是对影像中的像素点进行分类，高光谱影像分类在民用和军事领域均有着广泛地应用，如何更好地进行高光谱影像分类一直是遥感图像处理领域中的研究热点之一。早期的高光谱影像分类大多基于支持向量机、随机森林等分类器。为了进一步提高高光谱影像的分类效果，拓展形态学属性剖面、Gabor、局部二值模式等特征提取方法被引入到高光谱影像分类任务中。

近期，深度学习方法被引入到高光谱影像分类任务中，以自动地从高光谱数据中挖掘适合后续分类任务的特征。例如，一维卷积神经网络、二维卷积神经网络、三维卷积神经网络、循环神经网络等深度学习模型先后被用于高光谱影像分类。但大部分深度学习方法需要数量众多的标记样本来优化大量的参数，但高光谱影像中获取标记通常较为困难，也就是标记样本数量较少，将导致分类结果精度较低。而且，输入至分类模型中的特征通常较多，分类效果较低；如若随意将特征进行降维处理，也容易造成分类结果精度低。

发明内容

本发明提供了一种高光谱影像分类方法，用以解决现有技术中分类结果精度低的问题。

为解决上述技术问题，本发明所包括的技术方案以及技术方案对应的有益效果如下：

本发明提供了一种高光谱影像分类方法，包括如下步骤：

1)采用慢特征分析法，将高光谱影像中待分类像素的光谱特征进行变换，以提取得到各个待分类像素的慢特征；

2)选取得到的慢特征中的前N个慢特征作为最终特征；其中，N≥1；

3)将高光谱影像中各个待分类像素的最终特征作为各个待分类像素的特征输入至构建的分类模型中，以对高光谱影像中各待分类像素进行分类。

上述技术方案的有益效果为：本发明利用少量的慢特征进行分类，极大地降低了输入到分类器中的特征维度，提高了分类效率；而且，得益于慢特征提取，本发明能够有效提高高光谱影像分类精度。整体方案简单且高效，具有较高的实用价值。

进一步的，步骤1)中，还包括将高光谱影像中待分类像素的光谱特征进行特征增强处理的步骤。

进一步的，为了保证分类精度的同时又提高分类效率，步骤2)中，10≤N≤15。

进一步的，步骤3)中，所述分类模型为随机森林分类器。

进一步的，所述增强处理包括：将某一波段上以待分类像素为中心周围设定邻域范围内像素值的均值作为在该波段上该待分类像素的光谱特征的值。

附图说明

图1是本发明的高光谱影像分类方法的流程图。

具体实施方式

本发明基于慢性原则设计了一种简单、高效的高光谱影像分类方法，在利用邻域空间信息对光谱特征进行增强的基础上，利用简单的线性慢特征分析对增强后的光谱特征做变换，变换后的特征向量按照特征值的大小进行排序，排序越靠前的特征变换越缓慢，越有利于区分不同的地物；然后只需要选择排序靠前的少量特征就可以完成分类，并有效提高高光谱影像的分类精度。