本發(fā)明屬于圖像分類領(lǐng)域，尤其涉及一種基于形態(tài)學(xué)特征和字典學(xué)習(xí)的高光譜圖像分類方法。
背景技術(shù)：
：隨著遙感技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，高光譜遙感圖像已經(jīng)滲入到社會(huì)、經(jīng)濟(jì)的各個(gè)領(lǐng)域。同時(shí)，高光譜圖像的數(shù)量也日趨增長，如何組織圖像、對(duì)高光譜圖像進(jìn)行分類任務(wù)，就成為了遙感信息
技術(shù)領(lǐng)域：
中一項(xiàng)重要的研究課題。由于高光譜圖像有著維數(shù)高、樣本少的特點(diǎn)，而傳統(tǒng)高光譜圖像分類方法僅考慮了光譜特性而忽略了圖像中的空間特性，加之圖像的數(shù)字化存儲(chǔ)與人類語義理解之間存在天然的“語義鴻溝”問題，高效可靠的高光譜圖像分類依然充滿挑戰(zhàn)。數(shù)學(xué)形態(tài)學(xué)是一種被廣泛用于圖像處理領(lǐng)域的方法，在遙感圖像領(lǐng)域中，數(shù)學(xué)形態(tài)學(xué)應(yīng)用在描述高光譜圖像中地物的輪廓以及空間關(guān)系上。擴(kuò)展形態(tài)學(xué)剖面(ExtendedMorphologicalProfile,EMP)是一種基于數(shù)學(xué)形態(tài)學(xué)的多層分析方法，對(duì)于高光譜圖像能夠很好的的提取其空間信息，保留圖像中的空間幾何結(jié)構(gòu)特性。由于數(shù)學(xué)形態(tài)學(xué)是一種經(jīng)典的非線性空間信息處理技術(shù)，能從復(fù)雜的信息中將有意義的形狀分量提取出來，因而能夠較好的符合遙感地物分類的特性。大量研究表明，類似于EMP這樣的多尺度計(jì)算和處理，是有效地從高光譜圖像中提取空間信息的方法。而同時(shí)，近年來，在自然語言處理(NatureLanguageProcessing,NLP)上取得了巨大成功的詞袋(BagofWord,BoW)已經(jīng)成功的應(yīng)用于自然圖像的分類中。詞袋模型是一種魯棒性的表示方法，能夠很好的表示出高光譜圖像的空間信息以及有效的消弭底層特征與高層語義之間的“語義鴻溝”。在詞袋模型中，需要學(xué)習(xí)一個(gè)過完備的有判別力的字典，字典中的每一項(xiàng)都對(duì)應(yīng)數(shù)據(jù)中一部分感興趣的信號(hào)，稱之為視覺單詞(VisualWord)。字典在詞袋模型中起著關(guān)鍵性作用，直觀上視覺單詞之間有著高度的相關(guān)性，某些視覺單詞在分類中可能屬于同一類別，而某些視覺單詞的出現(xiàn)頻率也影響著其他視覺單詞的出現(xiàn)頻率?；谠~袋模型的圖像分類框架主要由以下三步組成：(1)對(duì)圖像進(jìn)行底層特征的抽??；(2)通過對(duì)底層特征分析學(xué)習(xí)一個(gè)過完備的字典；(3)利用字典對(duì)底層特征進(jìn)行編碼以獲取更有判別力的特征用以分類任務(wù)。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：本發(fā)明為了解決現(xiàn)有技術(shù)中的問題，提出了基于形態(tài)學(xué)特征和字典學(xué)習(xí)的高光譜圖像分類方法。
發(fā)明內(nèi)容：本發(fā)明公開了一種基于形態(tài)學(xué)特征和字典學(xué)習(xí)的高光譜圖像分類方法，包含如下步驟：對(duì)含有待分類像素點(diǎn)的高光譜圖像進(jìn)行以下步驟1～步驟3的處理；步驟1，對(duì)高光譜圖像提取形態(tài)學(xué)特征作為底層形態(tài)學(xué)特征：輸入含有待分類像素點(diǎn)的高光譜圖像I，對(duì)高光譜圖像I的每個(gè)像素利用數(shù)學(xué)形態(tài)學(xué)方法計(jì)算該像素的形態(tài)學(xué)特征F；步驟2，對(duì)獲得的底層形態(tài)學(xué)特征，利用k-均值無監(jiān)督聚類方法學(xué)習(xí)一個(gè)過完備的字典；步驟3，利用學(xué)習(xí)到的字典對(duì)高光譜圖像I的每一個(gè)像素點(diǎn)的底層形態(tài)學(xué)特征進(jìn)行編碼，獲得編碼特征；步驟4，對(duì)高光譜圖像I中的編碼特征進(jìn)行采樣并分類，有標(biāo)簽的的像素點(diǎn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，無標(biāo)簽的像素點(diǎn)數(shù)據(jù)作為待分類數(shù)據(jù)集。對(duì)于AVIRISIndianPines數(shù)據(jù)集來說，本發(fā)明中選擇1000個(gè)像素點(diǎn)作為訓(xùn)練數(shù)據(jù)集，其余19336個(gè)像素點(diǎn)作為待分類數(shù)據(jù)集；對(duì)于HYDICEWashingtonDCMALL數(shù)據(jù)集而言，本發(fā)明中選擇777個(gè)像素點(diǎn)作為訓(xùn)練數(shù)據(jù)集，其余19204個(gè)像素點(diǎn)作為待分類數(shù)據(jù)集；步驟5，將訓(xùn)練數(shù)據(jù)集中的像素點(diǎn)數(shù)據(jù)的編碼特征表示使用支持向量機(jī)建立分類模型(即得到支持向量機(jī)中的參數(shù)權(quán)重向量值和偏移向量值)；步驟6，利用分類模型對(duì)待分類數(shù)據(jù)集中的像素點(diǎn)數(shù)據(jù)進(jìn)行分類，得到像素點(diǎn)對(duì)應(yīng)的分類類標(biāo)，完成圖像分類任務(wù)。其中，步驟1包括如下步驟：步驟1-1，輸入含有待分類像素點(diǎn)的高光譜圖像I，采用核主成分分析方法將高光譜圖像I分析，并提取前d個(gè)主成分，獲得以主成分為數(shù)據(jù)的d張圖像[I1,...,Id]，其中，Id表示第d張成分圖像，d在本發(fā)明中優(yōu)選13。步驟1-2，對(duì)每一個(gè)成分圖像Ii,i＝1,2,...d，定義n種大小的滑動(dòng)窗口，稱為結(jié)構(gòu)元素，其中n在本發(fā)明中優(yōu)選為5，通過如下公式計(jì)算每一個(gè)成分圖像Ii的形態(tài)學(xué)剖面特征MP(Ii)：其中，表示成分圖像Ii的第k個(gè)開形態(tài)學(xué)剖面特征，開形態(tài)學(xué)剖面是利用不同大小的結(jié)構(gòu)元素對(duì)同一幅成分圖像使用開運(yùn)算獲得的，就是開運(yùn)算操作，其中R是指實(shí)數(shù)域，它是一系列膨脹操作接腐蝕操作的結(jié)果。膨脹和腐蝕操作是數(shù)學(xué)形態(tài)學(xué)中最基本的兩種操作。類似的，表示成分圖像Ii的第k個(gè)閉形態(tài)學(xué)剖面特征，閉形態(tài)學(xué)剖面是利用不同大小的結(jié)構(gòu)元素對(duì)同一幅成分圖像使用閉運(yùn)算獲得的，為閉運(yùn)算操作，它與開運(yùn)算相反，是由一系列腐蝕運(yùn)算接膨脹運(yùn)算后得到。步驟1-3，將每一個(gè)成分圖像中計(jì)算得到的形態(tài)學(xué)剖面特征順序排列就得到該高光譜圖像的擴(kuò)展形態(tài)學(xué)特征F：F＝EMP(I)＝{MP(I1),...,MP(Id)}，其中EMP(I)是指對(duì)圖像I利用擴(kuò)展形態(tài)學(xué)剖面算法提取的特征，即擴(kuò)展形態(tài)學(xué)特征F。步驟2包括：由步驟1得到高光譜圖像I中每一個(gè)像素點(diǎn)所對(duì)應(yīng)的底層擴(kuò)展形態(tài)學(xué)特征的維度是d(2n+1)維，假設(shè)高光譜圖像I包含M個(gè)像素點(diǎn)，則對(duì)這d(2n+1)×M維數(shù)據(jù)利用k均值聚類方法，將M個(gè)像素點(diǎn)數(shù)據(jù)聚成K1個(gè)類，每個(gè)類都表示一個(gè)視覺單詞，而每個(gè)像素點(diǎn)的特征都用這些視覺單詞中的數(shù)個(gè)線性表示，這K1個(gè)類的類中心是一個(gè)d(2n+1)維的向量，將這些類中心向量順序排列就得到學(xué)習(xí)到的字典D。其中K1在本發(fā)明中優(yōu)選512。步驟3包括：通過如下目標(biāo)函數(shù)計(jì)算得到編碼特征c：s.t.1Tcj=1,∀j,]]>其中算子表示計(jì)算滿足后面式子中最小的c，j為遍歷下標(biāo)，cj表示第j個(gè)編碼特征，j取值為1～M，λ是權(quán)重參數(shù)，在本發(fā)明中優(yōu)選為0.1，s.t.是使得…滿足…的意思。F＝[f1,...,fj,...fN]，⊙記錄了元素之間的點(diǎn)乘，sj表示第j個(gè)擴(kuò)展形態(tài)學(xué)特征fj和字典D中第j個(gè)編碼基的距離，通過如下公式計(jì)算：是||fj-cp||22<γ,j=1,2,...,|ζj‾|,p=1,2,...,K1,]]>是指第p個(gè)視覺單詞中所包含的特征點(diǎn)個(gè)數(shù)，cp表示第p個(gè)編碼特征，其中對(duì)于每個(gè)擴(kuò)展形態(tài)學(xué)特征在計(jì)算距離時(shí)選取最近鄰的l個(gè)視覺單詞對(duì)其進(jìn)行編碼，γ為參數(shù)，在本發(fā)明中優(yōu)選為0.75。根據(jù)目標(biāo)函數(shù)固定了擴(kuò)展形態(tài)學(xué)特征和字典D獲得最終的編碼特征c。步驟4中包括：對(duì)高光譜圖像編碼特征按列進(jìn)行排列，以每列的K1維編碼表示一個(gè)像素點(diǎn)的特征，將所有M個(gè)K1維編碼特征按地圖像素序列進(jìn)行標(biāo)記，對(duì)應(yīng)地構(gòu)造出一個(gè)標(biāo)簽map，并將有標(biāo)簽的像素點(diǎn)數(shù)據(jù)與待標(biāo)簽的像素點(diǎn)數(shù)據(jù)分離，有標(biāo)簽的的像素點(diǎn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，無標(biāo)簽的像素點(diǎn)數(shù)據(jù)作為待分類數(shù)據(jù)集。步驟5包括：以訓(xùn)練數(shù)據(jù)集中的像素點(diǎn)數(shù)據(jù)的編碼特征為輸入，利用標(biāo)準(zhǔn)的線性支持向量機(jī)對(duì)分類任務(wù)進(jìn)行建模。即將步驟4獲得的高光譜圖像的編碼特征向量按像素點(diǎn)排列，對(duì)每類地物的高光譜圖像編碼特征，隨機(jī)選擇一定數(shù)量的特征作為訓(xùn)練數(shù)據(jù)，在本發(fā)明中，在AVIRISIndianPines以及HYDICEWashingtonDCMall數(shù)據(jù)集上分別選擇1000個(gè)樣本和777個(gè)樣本作為訓(xùn)練數(shù)據(jù)，其余的特征作為待分類數(shù)據(jù)。步驟6包括：對(duì)于待分類數(shù)據(jù)集中的像素點(diǎn)數(shù)據(jù)的編碼特征，利用步驟5中得到的模型對(duì)其進(jìn)行分類，給予該像素點(diǎn)類標(biāo)，完成分類任務(wù)。本發(fā)明是為了解決現(xiàn)有高光譜圖像分類方法中，忽略了高光譜圖像中豐富的空間信息以及圖像底層編碼與高層語義之間固有的“語義鴻溝”問題而提出的新型字典學(xué)習(xí)框架。本發(fā)明具有以下特征：首先，對(duì)高光譜圖像數(shù)據(jù)提取數(shù)學(xué)形態(tài)學(xué)特征作為富含空間信息的底層特征。然后，使用k均值方法聚類生成過完備的字典。最后，使用局部約束線性編碼對(duì)底層特征進(jìn)行編碼，以獲得能夠較好保持特征空間結(jié)構(gòu)信息的高層語義編碼，同時(shí)也消除了圖像底層特征與圖像高層語義之間的“語義鴻溝”。實(shí)驗(yàn)結(jié)果表明該方法能夠獲得更加有判別力的語義特征，獲得較好的分類效果。本發(fā)明可用于高光譜圖像分類方面的任務(wù)。本發(fā)明提出了一種基于字典學(xué)習(xí)的擴(kuò)展形態(tài)學(xué)剖面編碼方法應(yīng)用于高光譜圖像分類上。指出現(xiàn)有的高光譜圖像分類框架沒有充分考慮到圖像空間信息以及圖像高層語義與底層特征的“語義鴻溝”問題。為此設(shè)計(jì)一種利用字典學(xué)習(xí)同時(shí)考慮上述兩個(gè)問題的分類框架。首先，利用擴(kuò)展形態(tài)學(xué)剖面提取高光譜圖像中的形態(tài)學(xué)特征以利用空間信息；然后，基于提取的底層特征利用k-均值算法學(xué)習(xí)一個(gè)過完備的字典；最后，利用局部約束線性編碼基于學(xué)習(xí)到的字典對(duì)底層特征進(jìn)行編碼，獲得富含空間信息的高層表示。使用得到的編碼作為特征用分類器分類，實(shí)驗(yàn)結(jié)果表明與傳統(tǒng)的高光譜圖像分類方法相比，本發(fā)明提出的方法能夠提高分類的準(zhǔn)確率，獲得較好的分類效果。有益效果：本發(fā)明應(yīng)用在高光譜圖像分類領(lǐng)域，在高光譜圖像特征表示上，本發(fā)明提取高光譜圖像中豐富的空間信息，同時(shí)能夠消除圖像底層特征與高層語義之間的“語義鴻溝”，在高光譜圖像分類上有著顯著的效果，因此基于形態(tài)學(xué)特征和字典學(xué)習(xí)的高光譜圖像分類方法具有較高的使用價(jià)值。附圖說明下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明做更進(jìn)一步的具體說明，本發(fā)明的上述和/或其他方面的優(yōu)點(diǎn)將會(huì)變得更加清楚。圖1為本發(fā)明流程圖。圖2為IndianPines數(shù)據(jù)集真值圖。圖3為IndianPines數(shù)據(jù)集分類結(jié)果示意圖。圖4為不同匯合策略在分類準(zhǔn)確率上的比較圖。具體實(shí)施方式如圖1所示，本發(fā)明公開了一種基于形態(tài)學(xué)特征和字典學(xué)習(xí)的高光譜圖像分類方法，包含如下步驟：對(duì)含有待分類像素點(diǎn)的高光譜圖像進(jìn)行以下步驟1～步驟3的處理；步驟1，對(duì)高光譜圖像提取形態(tài)學(xué)特征作為底層特征：對(duì)高光譜圖像I的每個(gè)像素利用數(shù)學(xué)形態(tài)學(xué)方法計(jì)算該像素的形態(tài)學(xué)特征F；步驟2，對(duì)獲得的底層形態(tài)學(xué)特征，利用k-均值無監(jiān)督聚類方法學(xué)習(xí)一個(gè)過完備的字典；步驟3，利用學(xué)習(xí)到的字典對(duì)高光譜圖像I的每一個(gè)像素的底層形態(tài)學(xué)特征進(jìn)行編碼，獲得編碼特征；步驟4，對(duì)高光譜圖像I中的編碼特征進(jìn)行采樣：隨機(jī)以每類地物對(duì)應(yīng)的一定數(shù)量有標(biāo)簽的的像素作為訓(xùn)練數(shù)據(jù)集，無標(biāo)簽的數(shù)據(jù)作為待分類數(shù)據(jù)集；步驟5，將訓(xùn)練數(shù)據(jù)的編碼特征表示使用支持向量機(jī)進(jìn)行建模；步驟6，利用分類模型對(duì)待分類數(shù)據(jù)進(jìn)行分類。步驟1對(duì)高光譜圖像提取底層形態(tài)學(xué)特征具體包括如下步驟：首先利用核主成分分析方法將高光譜圖像I分析，并提取前d個(gè)主成分，獲得以主成分為數(shù)據(jù)的d張圖像[I1,...,Id]。其中d在本發(fā)明中優(yōu)選13。對(duì)每一個(gè)成分圖像Ii,i＝1,2,...d，定義n種大小的滑動(dòng)窗口，稱為結(jié)構(gòu)元素，其中n在本發(fā)明中優(yōu)選。計(jì)算每一個(gè)成分圖像的形態(tài)學(xué)剖面MP(Ii)：其中是開形態(tài)學(xué)剖面特征，開形態(tài)學(xué)剖面是利用不同大小的結(jié)構(gòu)元素對(duì)同一幅成分圖像使用開運(yùn)算獲得的，就是開運(yùn)算操作，其中R是指實(shí)數(shù)域，它是一系列膨脹操作接腐蝕操作的結(jié)果。膨脹和腐蝕操作是數(shù)學(xué)形態(tài)學(xué)中最基本的兩種操作。類似的，是閉形態(tài)學(xué)剖面特征，它是利用不同大小的結(jié)構(gòu)元素對(duì)同一幅成分圖像使用閉運(yùn)算獲得的，即是閉運(yùn)算操作，它與開運(yùn)算相反，是由一系列腐蝕運(yùn)算接膨脹運(yùn)算后得到。將每一個(gè)成分圖像中計(jì)算得到的形態(tài)學(xué)剖面特征順序排列就得到該高光譜圖像的擴(kuò)展形態(tài)學(xué)特征F：F＝EMP(I)＝{MP(I1),...,MP(Id)}，其中EMP(I)是指對(duì)圖像I利用擴(kuò)展形態(tài)學(xué)剖面算法提取的特征，也即擴(kuò)展形態(tài)學(xué)特州F。步驟2的字典學(xué)習(xí)包括：由步驟1可知，對(duì)于高光譜圖像I，它每一個(gè)像素點(diǎn)所對(duì)應(yīng)的底層擴(kuò)展形態(tài)學(xué)特征的維度是d(2n+1)維，假設(shè)高光譜圖像I包含M個(gè)像素點(diǎn)，則對(duì)這d(2n+1)×M維數(shù)據(jù)利用k均值聚類方法，將M個(gè)數(shù)據(jù)聚成K個(gè)類，每個(gè)類都表示一個(gè)視覺單詞，而每個(gè)像素點(diǎn)的特征都可以用這些視覺單詞中的數(shù)個(gè)線性表示。這K個(gè)類的類中心是一個(gè)d(2n+1)維的向量，將這些類中心向量順序排列就得到學(xué)習(xí)到的字典D。其中K在本發(fā)明中優(yōu)選512。步驟3的編碼階段包括：對(duì)于步驟1得到擴(kuò)展形態(tài)學(xué)特征F和步驟2得到的字典D，根據(jù)局部限制線性編碼的目標(biāo)函數(shù)利用D對(duì)特征F進(jìn)行編碼，以獲得需要的編碼c：s.t.1Tcj=1,∀j,]]>其中F＝[f1,...,fj,...fN]，⊙記錄了元素之間的點(diǎn)乘，sj是f和字典D中第j個(gè)編碼基的距離：是指第p個(gè)視覺單詞中所包含的特征點(diǎn)個(gè)數(shù)。根據(jù)目標(biāo)函數(shù)固定了f和D能夠獲得最終的編碼特征c。其中對(duì)于每個(gè)特征f在計(jì)算距離是選取最近鄰的l個(gè)視覺單詞對(duì)其進(jìn)行編碼。步驟5的采樣階段包括：將步驟4獲得的高光譜圖像的編碼特征向量按像素點(diǎn)排列，對(duì)每類地物的高光譜圖像編碼特征，隨機(jī)選擇一定數(shù)量的特征作為訓(xùn)練數(shù)據(jù)，在本發(fā)明中，在AVIRISIndianPines以及HYDICEWashingtonDCMall數(shù)據(jù)集上分別選擇1000個(gè)樣本和777個(gè)樣本作為訓(xùn)練數(shù)據(jù)，其余的特征作為待分類數(shù)據(jù)。步驟6的建模階段包括：對(duì)于訓(xùn)練數(shù)據(jù)的所有像素點(diǎn)對(duì)應(yīng)的編碼特征，對(duì)其使用線性支持向量機(jī)進(jìn)行建模。步驟7的分類階段包括：對(duì)于待分類的像素點(diǎn)的編碼特征，利用步驟6中所得到的模型對(duì)這些向量進(jìn)行分類判定，以獲得最終的分類結(jié)果。實(shí)施例1本實(shí)施例包括以下部分：1、提取高光譜圖像底層特征：首先利用核主成分分析方法將高光譜圖像I分析，并提取前d個(gè)主成分，獲得以主成分為數(shù)據(jù)的d張圖像[I1,...,Id]。其中d在本發(fā)明中優(yōu)選13。對(duì)每一個(gè)成分圖像Ii,i＝1,2,...d，定義n種大小的滑動(dòng)窗口，稱為結(jié)構(gòu)元素，其中n在本發(fā)明中優(yōu)選。計(jì)算每一個(gè)成分圖像的形態(tài)學(xué)剖面MP(Ii)：其中是開形態(tài)學(xué)剖面特征，開形態(tài)學(xué)剖面是利用不同大小的結(jié)構(gòu)元素對(duì)同一幅成分圖像使用開運(yùn)算獲得的，就是開運(yùn)算操作，其中R是指實(shí)數(shù)域，它是一系列膨脹操作接腐蝕操作的結(jié)果。膨脹和腐蝕操作是數(shù)學(xué)形態(tài)學(xué)中最基本的兩種操作。類似的，是閉形態(tài)學(xué)剖面特征，它是利用不同大小的結(jié)構(gòu)元素對(duì)同一幅成分圖像使用閉運(yùn)算獲得的，即是閉運(yùn)算操作，它與開運(yùn)算相反，是由一系列腐蝕運(yùn)算接膨脹運(yùn)算后得到。將每一個(gè)成分圖像中計(jì)算得到的形態(tài)學(xué)剖面特征順序排列就得到該高光譜圖像的擴(kuò)展形態(tài)學(xué)特征F：F＝EMP(I)＝{MP(I1),...,MP(Id)}2、字典學(xué)習(xí)：對(duì)于高光譜圖像I，它每一個(gè)像素點(diǎn)所對(duì)應(yīng)的底層擴(kuò)展形態(tài)學(xué)特征的維度是d(2n+1)維，假設(shè)高光譜圖像I包含M個(gè)像素點(diǎn)，則對(duì)這d(2n+1)×M維數(shù)據(jù)利用k均值聚類方法，將M個(gè)數(shù)據(jù)聚成K個(gè)類，每個(gè)類都表示一個(gè)視覺單詞，而每個(gè)像素點(diǎn)的特征都可以用這些視覺單詞中的數(shù)個(gè)線性表示。這K個(gè)類的類中心是一個(gè)d(2n+1)維的向量，將這些類中心向量順序排列就得到學(xué)習(xí)到的字典D。其中K在本實(shí)例中優(yōu)選512。3、特征編碼：在編碼階段，對(duì)于一個(gè)學(xué)習(xí)到的的字典，可以使用局部約束線性編碼(LLC)算法對(duì)得到的底層特征進(jìn)行編碼。LLC編碼方式是一種集合了硬編碼(VQ)和軟編碼(SC)優(yōu)點(diǎn)的編碼方式。首先，學(xué)習(xí)硬編碼可以看作是一種廣義的零階局域方法。然后，LLC也可以看做是一種局部性的稀疏編碼。受生物視覺系統(tǒng)的啟發(fā)，研究人員認(rèn)為人的視覺總是關(guān)注少數(shù)個(gè)特點(diǎn)，因此稀疏特征對(duì)于特征學(xué)習(xí)是有效的。然而并沒有理論分析說明為什么稀疏性對(duì)高維特征空間的學(xué)習(xí)是有效的。前人研究說明了一個(gè)良好的一階非線性函數(shù)能夠使得編碼是局部性的，從而導(dǎo)致編碼的結(jié)果是稀疏的。這也說明了局部性比稀疏性更為本質(zhì)，而稀疏性只是局部性的一種結(jié)果而已。基于此，LLC應(yīng)該是更適合于特征編碼的算法。如此，則可以通過優(yōu)化下式來求解編碼：s.t.1Tcj=1,∀j]]>其中F＝[f1,...,fj,...fN]，⊙記錄了元素之間的點(diǎn)乘，sj是f和字典D中第j個(gè)編碼基的距離，其描述兩者之間的相似比例：是指第p個(gè)視覺單詞中所包含的特征點(diǎn)個(gè)數(shù)。根據(jù)目標(biāo)函數(shù)固定了f和D能夠獲得最終的編碼特征c。其中對(duì)于每個(gè)特征f在計(jì)算距離是選取最近鄰的l個(gè)視覺單詞對(duì)其進(jìn)行編碼。4、訓(xùn)練集采樣：將高光譜圖像的編碼特征向量按像素點(diǎn)排列，對(duì)每類地物的高光譜圖像編碼特征，隨機(jī)選擇一定數(shù)量的特征作為訓(xùn)練數(shù)據(jù)，在本實(shí)例中，在AVIRISIndianPines數(shù)據(jù)集上分別選擇1000個(gè)樣本作為訓(xùn)練數(shù)據(jù)，其余的特征作為待分類數(shù)據(jù)。5、進(jìn)行建模：對(duì)于訓(xùn)練數(shù)據(jù)的所有像素點(diǎn)對(duì)應(yīng)的編碼特征，使用線性支持向量機(jī)(Supportvectormachine，SVM)對(duì)數(shù)據(jù)進(jìn)行建模。6、圖像分類：對(duì)于待分類的高光譜圖像的編碼特征，利用所得到的模型對(duì)這些特征進(jìn)行分類判定，使得模型對(duì)該高光譜圖像中的每一個(gè)待分類的像素點(diǎn)都有一個(gè)類的定性，從而獲得最終的分類結(jié)果。實(shí)施例2圖2為來源為IndianPines數(shù)據(jù)集的圖像真值表，其縱橫坐標(biāo)為該高光譜圖像所對(duì)應(yīng)物理空間像素點(diǎn)，每個(gè)像素點(diǎn)約代表20平方米的真實(shí)地理空間大小。圖3為用本發(fā)明方法在IndianPines上的分類效果圖，與真值表對(duì)比可知本發(fā)明方法在絕大部分像素點(diǎn)的分類結(jié)果均正確，僅有少量像素點(diǎn)會(huì)有分類誤差產(chǎn)生。(由于附圖均為灰度圖，因此圖2和圖3)圖4為使用不同的參數(shù)l在IndianPines數(shù)據(jù)上獲得的分類準(zhǔn)確率，其中縱坐標(biāo)為分類準(zhǔn)確率，橫坐標(biāo)為發(fā)明中l(wèi)的取值個(gè)數(shù)?？梢钥吹?，隨著l的增長，分類準(zhǔn)確率也隨之上升，但上升的速率隨著l的不斷攀升而減弱。當(dāng)l的取值大于250(即將近一半的字典維數(shù))時(shí)，分類準(zhǔn)確率的上升就非常的緩慢了。但是，計(jì)算的時(shí)間復(fù)雜度則一直增大。為了平衡時(shí)間復(fù)雜的開銷，在本發(fā)明中優(yōu)選250為最佳參數(shù)選擇。本發(fā)明提供了一種基于形態(tài)學(xué)特征和字典學(xué)習(xí)的高光譜圖像分類方法，具體實(shí)現(xiàn)該技術(shù)方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。本實(shí)施例中未明確的各組成部分均可用現(xiàn)有技術(shù)加以實(shí)現(xiàn)。當(dāng)前第1頁1 2 3