專利名稱：基于線性預(yù)測倒譜系數(shù)的高光譜圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感數(shù)據(jù)處理或模式識別技術(shù)領(lǐng)域，具體涉及高光譜圖像的光譜數(shù)據(jù)分類，可用于遙感地物類型的識別，礦物成分的識別等。
背景技術(shù)：
隨著遙感技術(shù)的進步，產(chǎn)生了可同時記錄地面空間分布信息和光譜信息的高光譜遙感，高光譜遙感的出現(xiàn)，也給高光譜圖像處理提出了新的要求。高光譜圖像的顯著特點是成像波段多，波段范圍窄，且波段之間相互連接，這就為地物類型的精細識別提供了物理基礎(chǔ)。因此，研究適合高光譜圖像特性的光譜分類技術(shù)對于地物類型的識別，資源勘探，病蟲害的評估等都有重要的實用價值。高光譜圖像相對于傳統(tǒng)的遙感圖像具有更多的成像波段，隨著波段數(shù)據(jù)的增多， 大幅提高了地表形態(tài)分類的精度，然而當(dāng)波段個數(shù)進一步提高，并超過一定的限度后，分類精度不僅不會升高，反而會降低，這就是著名的Huges現(xiàn)象。為了克服因數(shù)據(jù)維數(shù)增高而導(dǎo)致分類精度下降的問題，便出現(xiàn)了高光譜圖像的光譜特征提取方法，降低高光譜數(shù)據(jù)的維數(shù)，從而克服光譜分類中的huges現(xiàn)象。經(jīng)過近些年的發(fā)展，出現(xiàn)了許多高光譜數(shù)據(jù)特征提取方法，其中比較常用的是主成分分析法PCA，最小噪聲分離變換法MNF，線性判別分析法LDA。其中PCA方法主成分以高光譜數(shù)據(jù)的協(xié)方差矩陣為基礎(chǔ)，將高光譜數(shù)據(jù)線性變換到一個新的正交基下，該方法能夠把高光譜圖像中的有用信息集中到數(shù)目盡可能少的特征波段組中，并使不同波段的圖像互不相關(guān)，從而達到減少數(shù)據(jù)量的效果。由于該方法僅僅采用方差作為變換基準(zhǔn)，在變換編程中沒有考慮噪聲對變換結(jié)果的影響，因而取得的分類結(jié)果不夠精確和穩(wěn)定。MNF方法對PCA方法的缺點進行改進，它采用以信噪比為基準(zhǔn)的線性變換，即以PCA為基礎(chǔ)，進行兩次變換，只不過在變換過程中，通過估計噪聲協(xié)方差矩陣來調(diào)整PCA，因此，該方法也被稱為噪聲調(diào)整PCA方法。然而由于這種方法需要進行兩次矩陣變換，因而其存在算法復(fù)雜度比較高且實時性差的缺陷。LDA方法是一種基于先驗信息的變換方法，由于其變換結(jié)果依賴于樣本選取的合理性，因而存在難以廣泛應(yīng)用的不足。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于線性預(yù)測倒譜系數(shù)的高光譜圖像光譜分類方法，它不依賴于樣本的先驗信息且進行了噪聲濾除，提高了光譜數(shù)據(jù)的分類精度和穩(wěn)定性。實現(xiàn)本發(fā)明目的的技術(shù)原理是根據(jù)高光譜圖像的每一像素點的光譜是一條隨波長變換的光譜輻射曲線，不同的地表形態(tài)類型具有不同的光譜曲線，且這一曲線的形狀與語音振動信號隨時間的變化曲線具有極大的相似性這一特性，在比較語音信號波形和光譜數(shù)據(jù)波形相似度的基礎(chǔ)上，基于語音信號識別中的線性預(yù)測倒譜系數(shù)對高光譜圖像進行分類，其實現(xiàn)方案包括如下步驟(I)讀取已知地表形態(tài)類別的基準(zhǔn)高光譜數(shù)據(jù)，分別提取基準(zhǔn)高光譜數(shù)據(jù)中不同地表形態(tài)類別對應(yīng)的光譜向量的線性預(yù)測倒譜系數(shù)匕，其中下角標(biāo)s=l，2，3，4，5，分別表示該基準(zhǔn)高光譜數(shù)據(jù)中表征的地表形態(tài)類別，即I為玉米耕作地、2為建筑物、3為干草地、4為小麥地、5為林地；光譜向量是指每一點在不同波段下的一簇高光譜數(shù)據(jù)；(2)讀取未知地表形態(tài)類別的待分類高光譜數(shù)據(jù)，提取待分類高光譜數(shù)據(jù)的每一個光譜向量的線性預(yù)測倒譜系數(shù)ht，其中t表示待分類高光譜數(shù)據(jù)中的第t個光譜向量，t=l，2，…，z，其中z為待分類高光譜數(shù)據(jù)的大小；
(3)計算所述ht與所述hs之間的夾角9sjt；(4)比較上述基準(zhǔn)高光譜數(shù)據(jù)中表征的地表形態(tài)類別s對應(yīng)的夾角Θ t，Θ 2, t，03,t，04,t，e5,t的大小，選取其中最小值對應(yīng)的s，表征待分類高光譜數(shù)據(jù)的第t個光譜向量的地表形態(tài)類別。本發(fā)明與高光譜圖像分類現(xiàn)有技術(shù)中的PCA方法，MNF方法和LDA方法相比，有如下顯著優(yōu)點(I)本發(fā)明能夠很好地對高光譜圖像進行降維，有效克服了高光譜圖像的地表形態(tài)分類中的Huges現(xiàn)象，并采用均值濾波對高光譜圖像進行光譜噪聲濾除，減少光譜噪聲的干擾，具有較好的分類效果；(2)本發(fā)明不需要對高光譜數(shù)據(jù)進行矩陣操作，算法復(fù)雜度低，實時性高；(3)本發(fā)明中線性預(yù)測倒譜系數(shù)的提取不需要樣本的先驗信息，因而分類結(jié)果穩(wěn)定，應(yīng)用范圍更廣。


圖I為本發(fā)明的總流程示意圖；圖2為基準(zhǔn)高光譜圖像；圖3為待分類高光譜圖像；圖4為未經(jīng)本發(fā)明處理的標(biāo)準(zhǔn)分類圖；圖5為本發(fā)明對圖3處理后的分類結(jié)果圖。
具體實施例方式參照附圖1，本發(fā)明基于線性預(yù)測倒譜系數(shù)的高光譜圖像光譜分類方法的詳細實施步驟如下步驟1，讀取已知地表形態(tài)類別的基準(zhǔn)高光譜圖像?；鶞?zhǔn)高光譜圖像采用標(biāo)準(zhǔn)光譜庫或已知地物類型的高光譜圖像。如圖2所示的圖像，就是已知地表形態(tài)類別的基準(zhǔn)高光譜圖像，它來自于機載紅外成像光譜儀AVRIS中的Indina pink圖像，大小為145 X 145，共有220個波段。步驟2，提取基準(zhǔn)高光譜數(shù)據(jù)的線性預(yù)測倒譜系數(shù)hs。(2. I)對圖2所示的基準(zhǔn)高光譜數(shù)據(jù)進行均值濾波，即進行光譜噪聲濾除，減少光譜噪聲的干擾
通過設(shè)置一個大小為3的濾波窗口，在基準(zhǔn)高光譜數(shù)據(jù)上滑動，計算窗口內(nèi)所有
數(shù)據(jù)的平均值，作為噪聲取出后的結(jié)果值，計算公式為
權(quán)利要求
1.一種基于線性預(yù)測倒譜系數(shù)的高光譜圖像分類方法，包括如下步驟 (1)讀取已知地表形態(tài)類別的基準(zhǔn)高光譜數(shù)據(jù)，分別提取基準(zhǔn)高光譜數(shù)據(jù)中不同地表形態(tài)類別對應(yīng)的光譜向量的線性預(yù)測倒譜系數(shù)hs，其中下角標(biāo)s=l，2，3，4，5，分別表示該基準(zhǔn)高光譜數(shù)據(jù)中表征的地表形態(tài)類別，即I為玉米耕作地、2為建筑物、3為干草地、4為小麥地、5為林地；光譜向量是指每一點在不同波段下的一簇高光譜數(shù)據(jù)； (2)讀取未知地表形態(tài)類別的待分類高光譜數(shù)據(jù)，提取待分類高光譜數(shù)據(jù)的每一個光譜向量的線性預(yù)測倒譜系數(shù)ht，其中t表示待分類高光譜數(shù)據(jù)中的第t個光譜向量，t=l,2，…，z，其中z為待分類高光譜數(shù)據(jù)的大??； (3)計算所述ht與所述hs之間的夾角0s,t; (4)比較上述基準(zhǔn)高光譜數(shù)據(jù)中表征的地表形態(tài)類別s對應(yīng)的夾角Θμ，02,t，03,t,θ4, ； Θ 5, t的大小，選取其中最小值對應(yīng)的S，表征待分類高光譜數(shù)據(jù)的第t個光譜向量的地表形態(tài)類別。
2.根據(jù)權(quán)利要求I所述的高光譜圖像分類方法，其中步驟(I)所述的讀取基準(zhǔn)高光譜數(shù)據(jù)，提取它的不同地表形態(tài)類別對應(yīng)的光譜向量的線性預(yù)測倒譜系數(shù)hs，按如下步驟進行 (1)讀取基準(zhǔn)高光譜數(shù)據(jù)，對其進行均值濾波，即進行光譜噪聲濾除，減少光譜噪聲的干擾； (2)在去噪后的高光譜數(shù)據(jù)的低頻分量上乘以預(yù)加重因子μ，抑制高光譜數(shù)據(jù)的低頻分量，提升高光譜數(shù)據(jù)的高頻分量，μ的取值范圍為O. 8-0. 97 ; (3)將預(yù)加重后的高光譜數(shù)據(jù)用Levinson-Durbin算法迭代,計算預(yù)加重后的高光譜數(shù)據(jù)的線性預(yù)測系數(shù)as; (4)將線性預(yù)測系數(shù)as轉(zhuǎn)化為線性預(yù)測倒譜系數(shù)hs 4a)設(shè)線性預(yù)測倒譜系數(shù)hs的初始值為hs (O) = -as (O)，其中，as (O)為as的初始值； 4b)循環(huán)迭代i次，求取線性預(yù)測倒譜系數(shù)hs的每一維，即線性預(yù)測倒譜系數(shù)hs的第i維為
3.根據(jù)權(quán)利要求I所述的高光譜圖像分類方法，其中步驟(2)所述的讀取未知地表形態(tài)類別的待分類高光譜數(shù)據(jù)，提取它的每一個光譜向量的線性預(yù)測倒譜系數(shù)ht，按如下步驟進行 (O讀取待分類高光譜數(shù)據(jù)，對其進行均值濾波，即進行光譜噪聲濾除，減少光譜噪聲的干擾； (2)在去噪后的高光譜數(shù)據(jù)的低頻分量上乘以預(yù)加重因子μ，抑制高光譜數(shù)據(jù)的低頻分量，提升高光譜數(shù)據(jù)的高頻分量，μ為O. 8-0. 97之間的小數(shù)； (3)將預(yù)加重后的高光譜數(shù)據(jù)用Levinson-Durbin算法迭代,計算預(yù)加重后的高光譜數(shù)據(jù)的線性預(yù)測系數(shù)at; (4)將線性預(yù)測系數(shù)at轉(zhuǎn)化為線性預(yù)測倒譜系數(shù)ht4a)設(shè)線性預(yù)測倒譜系數(shù)ht的初始值為ht (O) = -at (O)，其中，at (O)為at的初始值； 4b)循環(huán)迭代i次，求取線性預(yù)測倒譜系數(shù)ht的每一維，即線性預(yù)測倒譜系數(shù)ht的第i維為
4.根據(jù)權(quán)利要求I所述的高光譜圖像分類方法，其中步驟(3)所述的計算基準(zhǔn)高光譜圖像的線性預(yù)測倒譜系數(shù)hs和待分類高光譜圖像的線性預(yù)測倒譜系數(shù)ht之間的夾角Θ s,t，采用線性預(yù)測倒譜系數(shù)之間的夾角余弦cos ( Θ s, t)，作為特征之間的相似性基準(zhǔn)，余弦值cos(0s,t)越大，夾角Qst越小。
全文摘要
本發(fā)明公開了一種基于線性預(yù)測倒譜系數(shù)的高光譜圖像分類方法，主要解決現(xiàn)有技術(shù)復(fù)雜度高、實時性差，存在Huges現(xiàn)象以及需要樣本的先驗信息，難以廣泛應(yīng)用的不足。其將語音信號識別中的線性預(yù)測倒譜系數(shù)應(yīng)用于光譜圖像的光譜數(shù)據(jù)首先,對高光譜數(shù)據(jù)進行光譜噪聲濾除；其次,對噪聲濾除后的光譜數(shù)據(jù)進行預(yù)加重，增強光譜數(shù)據(jù)的特征；再次，利用Levinson-Durbin算法求解線性預(yù)測系數(shù)，并轉(zhuǎn)化為線性預(yù)測倒譜系數(shù)。最后，進行線性預(yù)測倒譜系數(shù)的匹配，用向量夾角進行描述，夾角越小，分類結(jié)果與基準(zhǔn)地表形態(tài)相似性越高。本發(fā)明具有復(fù)雜度低，實時性高，分類效果好，不需要樣本的先驗信息的優(yōu)點，可應(yīng)用于高光譜圖像的地物分類與礦物識別等方面。
文檔編號G06K9/46GK102880861SQ201210325958
公開日2013年1月16日 申請日期2012年9月5日 優(yōu)先權(quán)日2012年9月5日
發(fā)明者劉德連, 宋碧霄, 韓亮, 宗靖國, 何國經(jīng), 黃曦, 張建奇 申請人:西安電子科技大學(xué)