[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105809205B - 一种高光谱图像的分类方法及其系统 - Google Patents

一种高光谱图像的分类方法及其系统 Download PDF

Info

Publication number
CN105809205B
CN105809205B CN201610199937.5A CN201610199937A CN105809205B CN 105809205 B CN105809205 B CN 105809205B CN 201610199937 A CN201610199937 A CN 201610199937A CN 105809205 B CN105809205 B CN 105809205B
Authority
CN
China
Prior art keywords
image
spectral domain
interest
description
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610199937.5A
Other languages
English (en)
Other versions
CN105809205A (zh
Inventor
李岩山
石伟
夏荣杰
谢维信
张勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201610199937.5A priority Critical patent/CN105809205B/zh
Publication of CN105809205A publication Critical patent/CN105809205A/zh
Application granted granted Critical
Publication of CN105809205B publication Critical patent/CN105809205B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种高光谱图像的分类方法，包括：通过码本学习方式获取码本；通过训练方式训练支持向量机分类器；利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果。本发明还提供一种高光谱图像的分类系统。本发明通过空谱域兴趣点检测算法提取高光谱图像的空谱域兴趣点，通过图像分块将高光谱图像分割成小块进行学习、训练和分类，提出了一种新的高光谱图像分类框架，能有效对高光谱图像进行表示及分类，显著提高了高空间分辨率高光谱图像分类的准确性和效率。

Description

一种高光谱图像的分类方法及其系统
技术领域
本发明涉及计算机视觉领域，尤其涉及一种高光谱图像的分类方法及其系统。
背景技术
图像分类是计算机视觉领域的重要研究方向，也是一个典型的模式识别问题，它是根据图像信息中反映的不同特征，把不同类别的目标区分开来的图像处理方法。高光谱图像分类是高光谱应用中的热点技术之一，也是实现各种实际应用的前提，如目标识别及跟踪、地质勘探以及环境监测等方面。
原有的高光谱图像分类方法主要针对空间分辨率低的高光谱遥感图像，而现有的高光谱图像具有很高的空间分辨率。采用逐个像素的光谱曲线进行图像分类时，一方面效率低，另一方面识别率容易受“同物异谱”和“同谱异物”的影响而降低。采用像素的光谱信息以及图像的空间信息进行高光谱图像分类时，将空域和光谱域分开来考虑，算法复杂性高，耗时长，识别率低，但是现有算法难以适用于高分辨率的高光谱图像分类上。
因此，如何实现对高空间分辨率高光谱图像进行快速准确的分类一直是业界亟待实现的目标。
发明内容
有鉴于此，本发明的目的在于提供一种高光谱图像的分类方法及其系统，旨在解决现有技术中对高光谱图像识别效率低且准确度不高的问题。
本发明提出一种高光谱图像的分类方法，所述分类方法包括：
通过码本学习方式获取码本；
通过训练方式训练支持向量机分类器；
利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果。
优选的，所述通过码本学习方式获取码本的步骤具体包括：
对待学习码本的高光谱图像进行图像分块；
用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
利用预设聚类方法对获取的所有空谱域兴趣点的描述向量进行聚类以获取码本。
优选的，所述通过训练方式训练支持向量机分类器的步骤具体包括：
对待训练的支持向量机分类器的高光谱图像进行图像分块；
用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
基于获取到的所述码本，利用预设模型对每幅高光谱图像的空谱域特征集进行编码，以获取该图像的描述矢量；
利用获取到的所述描述矢量训练支持向量机分类器。
优选的，所述利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果的步骤具体包括：
将待分类的高光谱图像进行图像分块；
用m个线程并行地提取待分类的高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
基于获取到的所述码本，利用预设模型对待分类的高光谱图像中的空谱域兴趣点集进行编码，以获取该图像的描述矢量；
利用训练好的所述支持向量机分类器对获取到的所述描述矢量进行分类，并输出分类结果。
另一方面，本发明还提供一种高光谱图像的分类系统，所述分类系统包括：
学习模块，用于通过码本学习方式获取码本；
训练模块，用于通过训练方式训练支持向量机分类器；
分类模块，用于利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果。
优选的，所述学习模块包括：
第一分块子模块，用于对待学习码本的高光谱图像进行图像分块；
第一描述子模块，用于用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
第一聚类子模块，用于利用预设聚类方法对获取的所有空谱域兴趣点的描述向量进行聚类以获取码本。
优选的，所述训练模块包括：
第二分块子模块，用于对待训练的支持向量机分类器的高光谱图像进行图像分块；
第二描述子模块，用于用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
第一编码子模块，用于基于获取到的所述码本，利用预设模型对每幅高光谱图像的空谱域特征集进行编码，以获取该图像的描述矢量；
第一训练子模块，用于利用获取到的所述描述矢量训练支持向量机分类器。
优选的，所述分类模块包括：
第三分块子模块，用于将待分类的高光谱图像进行图像分块；
第三描述子模块，用于用m个线程并行地提取待分类的高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
第二编码子模块，用于基于获取到的所述码本，利用预设模型对待分类的高光谱图像中的空谱域兴趣点集进行编码，以获取该图像的描述矢量；
第一分类子模块，用于利用训练好的所述支持向量机分类器对获取到的所述描述矢量进行分类，并输出分类结果。
本发明提供的技术方案提出了一种基于空谱域兴趣点的高空间分辨率高光谱图像分类方法，利用空谱域兴趣点可以有效利用空域和光谱域的信息进行图像分类。本发明通过空谱域兴趣点检测算法提取高光谱图像的空谱域兴趣点，通过图像分块将高光谱图像分割成小块进行学习、训练和分类，提出了一种新的高光谱图像分类框架，能有效对高光谱图像进行表示及分类，显著提高了高空间分辨率高光谱图像分类的准确性和效率。
附图说明
图1为本发明一实施方式中高光谱图像的分类方法流程图；
图2为本发明一实施方式中图1所示的步骤S11的详细流程图；
图3为本发明一实施方式中图1所示的步骤S12的详细流程图；
图4为本发明一实施方式中图1所示的步骤S13的详细流程图；
图5为本发明一实施方式中高空间分辨率高光谱图像分类结果的图表；
图6为本发明一实施方式中高光谱图像的伪彩色图像分类结果的图表；
图7为本发明一实施方式中高光谱图像的分类方法的整体框架图；
图8为本发明一实施方式中高光谱图像的分类系统10的内部结构示意图；
图9为本发明一实施方式中图8所示的学习模块11的内部结构示意图；
图10为本发明一实施方式中图8所示的训练模块12的内部结构示意图；
图11为本发明一实施方式中图8所示的分类模块13的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明具体实施方式提供了一种高光谱图像的分类方法，所述方法主要包括如下步骤：
S11、通过码本学习方式获取码本；
S12、通过训练方式训练支持向量机分类器；
S13、利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果。
本发明提出了一种基于空谱域兴趣点的高空间分辨率高光谱图像分类方法，利用空谱域兴趣点可以有效利用空域和光谱域的信息进行图像分类。本发明通过空谱域兴趣点检测算法提取高光谱图像的空谱域兴趣点，通过图像分块将高光谱图像分割成小块进行学习、训练和分类，提出了一种新的高光谱图像分类框架，能有效对高光谱图像进行表示及分类，显著提高了高空间分辨率高光谱图像分类的准确性和效率。
以下将对本发明所提供的一种高光谱图像的分类方法进行详细说明。
请参阅图1，为本发明一实施方式中高光谱图像的分类方法流程图。
在步骤S11中，通过码本学习方式获取码本。
在本实施方式中，所述通过码本学习方式获取码本的步骤S12具体包括S111—S113，如图2所示。
请参阅图2，为本发明一实施方式中图1所示的步骤S11的详细流程图。
在步骤S111中，对待学习码本的高光谱图像进行图像分块。
在本实施方式中，对待学习码本的高空间分辨率高光谱图像集I＝{I1,I2,I3,…,In}中的图像Ii进行图像分块，可以表示为其中分别表示图像块，其中ni表示图像块的数量。
在步骤S112中，用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量。
在本实施方式中，空谱域兴趣点是在高光谱图像的空域和光谱域组成的空谱域上提取的特征点，反映了空域和光谱域上的特性，利用空谱域兴趣点可以有效利用空域和光谱域的信息进行图像分类。
在本实施方式中，用m个线程并行地提取步骤S111中每幅高光谱图像中所有图像块的空谱域兴趣点，并选用3D SIFT描述子对所有空谱域兴趣点进行特征描述，将每一个空谱域兴趣点描述为640维的描述向量。
在步骤S113中，利用预设聚类方法对获取的所有空谱域兴趣点的描述向量进行聚类以获取码本。
在本实施方式中，预设聚类方法为K-means聚类方法，利用K-means聚类方法对步骤S112中得到的所有的描述向量进行聚类，聚类后得到的k个聚类中心，称为码字或视觉单词，用vi来表示。而所有视觉单词的组合即为码本V＝{v1，v2，v3，…，vk}。
请继续参阅图1，在步骤S12中，通过训练方式训练支持向量机分类器。
在本实施方式中，所述通过训练方式训练支持向量机(Support Vector Machine，SVM)分类器的步骤S12具体包括S121—S124，如图3所示。
请参阅图3，为本发明一实施方式中图1所示的步骤S12的详细流程图。
在步骤S121中，对待训练的支持向量机分类器的高光谱图像进行图像分块。
在本实施方式中，对待训练的SVM分类器的高空间分辨率高光谱图像集T＝{T1,T2,T3,…,TL}中的图像Tj进行图像分块，可以表示为其中分别表示图像块，其中nj表示图像块的数量。
在步骤S122中，用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量。
在本实施方式中，用m个线程并行地提取步骤S121中每幅高光谱图像中所有图像块的空谱域兴趣点，并用3D SIFT描述子对所有空谱域兴趣点进行特征描述，将每一个空谱域兴趣点描述为640维的描述向量。
在步骤S123中，基于获取到的所述码本，利用预设模型对每幅高光谱图像的空谱域特征集进行编码，以获取该图像的描述矢量。
在本实施方式中，预设模型为BoW模型，基于图2所示的学习步骤中得到的码本V，利用BoW模型对每幅待训练的SVM分类器的高空间分辨率高光谱图像Tj的空谱域特征集进行编码，得到所有图像的描述矢量，记为：S＝{S1,S2,S3,…,SL}，其中Sj∈S为Tj∈T的图像描述矢量。
在步骤S124中，利用获取到的所述描述矢量训练支持向量机分类器。
在本实施方式中，利用步骤S123得到的T的描述矢量集S训练SVM分类器。
请继续参阅图1，在步骤S13中，利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果。
在本实施方式中，所述利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果的步骤S13具体包括S131—S134，如图4所示。
请参阅图4，为本发明一实施方式中图1所示的步骤S13的详细流程图。
在步骤S131中，将待分类的高光谱图像进行图像分块。
在本实施方式中，将待分类的高空间分辨率高光谱图像Itest进行图像分块，可以表示为Itest＝{b1，b2，b3，…，bN}，其中b1，b2，b3，…，bN分别表示图像块，N表示图像块的数量。
在步骤S132中，用m个线程并行地提取待分类的高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量。
在本实施方式中，同样用m个线程并行地提取步骤S131中待分类的高光谱图像中所有图像Itest对应的图像块的空谱域兴趣点，并用3D SIFT描述子对每一个空谱域兴趣点进行描述，将每一个空谱域兴趣点描述为640维的描述向量，将N块高光谱图像块中提取的空谱域兴趣点融合形成高光谱图像Itest的空谱域特征集，记为Ftest＝{f1,f2,…,fM}。
在步骤S133中，基于获取到的所述码本，利用预设模型对待分类的高光谱图像中的空谱域兴趣点集进行编码，以获取该图像的描述矢量。
在本实施方式中，预设模型为BoW模型，基于图2所示的学习步骤中得到的码本V，利用BoW模型对待分类的高空间分辨率高光谱图像中图像Itest的空谱域兴趣点集Ftest进行编码，得到图像Itest的描述矢量D。
在步骤S134中，利用训练好的所述支持向量机分类器对获取到的所述描述矢量进行分类，并输出分类结果。
在本实施方式中，利用图3所示的训练步骤所训练好的SVM分类器对步骤S133中得到的描述矢量D进行分类，输出分类结果。
在本实施方式中，不管是步骤S11，步骤S12，还是步骤S13，都是针对大量图像而言，包括连续的多幅图像，而不仅仅只是针对一幅图像而言。
在本实施方式中，应用上述的基于空谱域兴趣点的高空间分辨率高光谱图像的分类方法对一组高空间分辨率高光谱图像进行分类实验，在学习码本时，待学习码本的每幅图像提取3500个空谱域兴趣点用于聚类，聚类后得到的词汇数设为2500。重复进行10次分类实验我们得到如图5所示的分类结果。计算这10次实验的分类结果的均值和标准差，可知，这组高光谱图像分类的准确率为93.22±0.51(％)。
为了说明本发明提出的基于空谱域兴趣点的高空间分辨率高光谱图像的分类方法的有效性，还提取了上述所有待分类高光谱图像的伪彩色图进行了二维图像的分类实验，并计算其准确率。重复进行10次实验，得到如图6所示的分类结果。计算这10次实验的分类结果的均值和标准差，可得到分类的准确率为84.42±0.70(％)。
与图5相比，图6中显示的高光谱图像的伪彩色图像分类的准确率远低于高光谱图像分类的准确率，这充分说明了本发明提出的基于空谱域兴趣点的高空间分辨率高光谱图像的分类方法与系统的有效性以及准确性。
请参阅图7，为本发明一实施方式中高光谱图像的分类方法的整体框架图。
本发明提供的一种高光谱图像的分类方法利用空谱域兴趣点可以有效利用空域和光谱域的信息进行图像分类，能有效对高光谱图像进行表示及分类，显著提高了高空间分辨率高光谱图像分类的准确性和效率。
请参阅图8，所示为本发明一实施方式中高光谱图像的分类系统10的结构示意图。在本实施方式中，高光谱图像的分类系统10主要包括学习模块11、训练模块12以及分类模块13。该高光谱图像的分类系统10，利用空谱域兴趣点可以有效利用空域和光谱域的信息进行图像分类，能有效对高光谱图像进行表示及分类，显著提高了高空间分辨率高光谱图像分类的准确性和效率。
其中，学习模块11，用于通过码本学习方式获取码本。
在本实施方式中，学习模块11具体包括第一分块子模块111、第一描述子模块112以及第一聚类子模块113，如图7所示。
请参阅图9，所示为本发明一实施方式中图8所示的学习模块11的内部结构示意图。
第一分块子模块111，用于对待学习码本的高光谱图像进行图像分块。
在本实施方式中，第一分块子模块111具体的图像分块方法详见前述步骤S111中的相关记载，在此不做重复描述。
第一描述子模块112，用于用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量。
在本实施方式中，第一描述子模块112具体的特征描述方法详见前述步骤S112中的相关记载，在此不做重复描述。
第一聚类子模块113，用于利用预设聚类方法对获取的所有空谱域兴趣点的描述向量进行聚类以获取码本。
在本实施方式中，第一聚类子模块113具体的聚类方法详见前述步骤S113中的相关记载，在此不做重复描述。
请继续参阅图8，训练模块12，用于通过训练方式训练支持向量机分类器。
在本实施方式中，训练模块12具体包括第二分块子模块121、第二描述子模块122、第一编码子模块123以及第一训练子模块124，如图10所示。
请参阅图10，所示为本发明一实施方式中图8所示的训练模块12的内部结构示意图。
第二分块子模块121，用于对待训练的支持向量机分类器的高光谱图像进行图像分块。
在本实施方式中，第二分块子模块121具体的图像分块方法详见前述步骤S121中的相关记载，在此不做重复描述。
第二描述子模块122，用于用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量。
在本实施方式中，第二描述子模块122具体的特征描述方法详见前述步骤S122中的相关记载，在此不做重复描述。
第一编码子模块123，用于基于获取到的所述码本，利用预设模型对每幅高光谱图像的空谱域特征集进行编码，以获取该图像的描述矢量。
在本实施方式中，第一编码子模块123具体的编码方法详见前述步骤S123中的相关记载，在此不做重复描述。
第一训练子模块124，用于利用获取到的所述描述矢量训练支持向量机分类器。
在本实施方式中，第一训练子模块124具体的训练方法详见前述步骤S124中的相关记载，在此不做重复描述。
请继续参阅图8，分类模块13，用于利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果。
在本实施方式中，分类模块13具体包括第三分块子模块131、第三描述子模块132、第二编码子模块133以及第一分类子模块134，如图11所示。
请参阅图11，所示为本发明一实施方式中图8所示的分类模块13的内部结构示意图。
第三分块子模块131，用于将待分类的高光谱图像进行图像分块。
在本实施方式中，第三分块子模块131具体的图像分块方法详见前述步骤S131中的相关记载，在此不做重复描述。
第三描述子模块132，用于用m个线程并行地提取待分类的高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量。
在本实施方式中，第三描述子模块132具体的特征描述方法详见前述步骤S132中的相关记载，在此不做重复描述。
第二编码子模块133，用于基于获取到的所述码本，利用预设模型对待分类的高光谱图像中的空谱域兴趣点集进行编码，以获取该图像的描述矢量。
在本实施方式中，第二编码子模块133具体的编码方法详见前述步骤S133中的相关记载，在此不做重复描述。
第一分类子模块134，用于利用训练好的所述支持向量机分类器对获取到的所述描述矢量进行分类，并输出分类结果。
在本实施方式中，第一分类子模块134具体的分类方法详见前述步骤S134中的相关记载，在此不做重复描述。
本发明提供的一种高光谱图像的分类系统10，利用空谱域兴趣点可以有效利用空域和光谱域的信息进行图像分类，能有效对高光谱图像进行表示及分类，显著提高了高空间分辨率高光谱图像分类的准确性和效率。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种高光谱图像的分类方法，其特征在于，所述分类方法包括：
通过码本学习方式获取码本；
通过训练方式训练支持向量机分类器；
利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果；
其中，所述通过训练方式训练支持向量机分类器的步骤具体包括：
对待训练的支持向量机分类器的高光谱图像进行图像分块；
用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
基于获取到的所述码本，利用预设模型对每幅高光谱图像的空谱域特征集进行编码，以获取该图像的描述矢量；
利用获取到的所述描述矢量训练支持向量机分类器；所述利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果的步骤具体包括：
将待分类的高光谱图像进行图像分块；
用m个线程并行地提取待分类的高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
基于获取到的所述码本，利用预设模型对待分类的高光谱图像中的空谱域兴趣点集进行编码，以获取该图像的描述矢量；
利用训练好的所述支持向量机分类器对获取到的所述描述矢量进行分类，并输出分类结果。
2.如权利要求1所述的高光谱图像的分类方法，其特征在于，所述通过码本学习方式获取码本的步骤具体包括：
对待学习码本的高光谱图像进行图像分块；
用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
利用预设聚类方法对获取的所有空谱域兴趣点的描述向量进行聚类以获取码本。
3.一种高光谱图像的分类系统，其特征在于，所述分类系统包括：
学习模块，用于通过码本学习方式获取码本；
训练模块，用于通过训练方式训练支持向量机分类器；
分类模块，用于利用所述码本和所述支持向量机分类器进行高光谱图像的分类，并输出分类结果；
其中，所述训练模块包括：
第二分块子模块，用于对待训练的支持向量机分类器的高光谱图像进行图像分块；
第二描述子模块，用于用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
第一编码子模块，用于基于获取到的所述码本，利用预设模型对每幅高光谱图像的空谱域特征集进行编码，以获取该图像的描述矢量；
第一训练子模块，用于利用获取到的所述描述矢量训练支持向量机分类器；
所述分类模块包括：
第三分块子模块，用于将待分类的高光谱图像进行图像分块；
第三描述子模块，用于用m个线程并行地提取待分类的高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
第二编码子模块，用于基于获取到的所述码本，利用预设模型对待分类的高光谱图像中的空谱域兴趣点集进行编码，以获取该图像的描述矢量；
第一分类子模块，用于利用训练好的所述支持向量机分类器对获取到的所述描述矢量进行分类，并输出分类结果。
4.如权利要求3所述的高光谱图像的分类系统，其特征在于，所述学习模块包括：
第一分块子模块，用于对待学习码本的高光谱图像进行图像分块；
第一描述子模块，用于用m个线程并行地提取每幅高光谱图像中所有图像块的空谱域兴趣点，并对所有空谱域兴趣点进行特征描述，以获取每一个空谱域兴趣点的描述向量；
第一聚类子模块，用于利用预设聚类方法对获取的所有空谱域兴趣点的描述向量进行聚类以获取码本。
CN201610199937.5A 2016-03-31 2016-03-31 一种高光谱图像的分类方法及其系统 Expired - Fee Related CN105809205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610199937.5A CN105809205B (zh) 2016-03-31 2016-03-31 一种高光谱图像的分类方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610199937.5A CN105809205B (zh) 2016-03-31 2016-03-31 一种高光谱图像的分类方法及其系统

Publications (2)

Publication Number Publication Date
CN105809205A CN105809205A (zh) 2016-07-27
CN105809205B true CN105809205B (zh) 2019-07-02

Family

ID=56460028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610199937.5A Expired - Fee Related CN105809205B (zh) 2016-03-31 2016-03-31 一种高光谱图像的分类方法及其系统

Country Status (1)

Country Link
CN (1) CN105809205B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408009B (zh) * 2016-09-08 2019-04-12 哈尔滨工业大学 基于深度置信网络的邻域加权平均高光谱图像分类方法
WO2018076137A1 (zh) * 2016-10-24 2018-05-03 深圳大学 一种高光谱图像特征描述子的获取方法及装置
CN106682672B (zh) * 2016-10-24 2020-04-24 深圳大学 一种高光谱图像特征描述子的获取方法及装置
CN106529472B (zh) * 2016-10-24 2019-08-02 深圳大学 基于大尺度高分辨率高光谱图像的目标探测方法及装置
WO2018076138A1 (zh) * 2016-10-24 2018-05-03 深圳大学 基于大尺度高分辨率高光谱图像的目标探测方法及装置
WO2019090509A1 (zh) * 2017-11-08 2019-05-16 深圳大学 一种高光谱图像的分类方法及系统
WO2020042070A1 (zh) * 2018-08-30 2020-03-05 深圳大学 提升高光谱图像分类精度的方法、装置、设备及存储介质
CN110244381A (zh) * 2019-06-17 2019-09-17 中国地质大学（北京） 无人机地质勘测方法、装置和系统
CN112257603B (zh) * 2020-10-23 2022-06-17 深圳大学 高光谱图像分类方法及相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400158A (zh) * 2013-07-29 2013-11-20 电子科技大学 基于动态形状码本学习的水平集跟踪方法
CN105389588A (zh) * 2015-11-04 2016-03-09 上海交通大学 基于多语义码本图像特征表示方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400158A (zh) * 2013-07-29 2013-11-20 电子科技大学 基于动态形状码本学习的水平集跟踪方法
CN105389588A (zh) * 2015-11-04 2016-03-09 上海交通大学 基于多语义码本图像特征表示方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于谱域-空域组合特征支持向量机的高光谱图像分类算法;高恒振;《宇航学报》;20110430;第32卷(第4期);第917-921页
基于稀疏表示和词袋模型的高光谱图像分类;任越美等;《计算机科学》;20141031;第41卷(第10期);第113-116页
基于词袋模型的图像分类研究;董振宇等;《中国优秀硕士学位论文全文数据库 信息科技I辑 》;20160315(第3期);第1章1.3，第2章第2.1，2.2，2.5节，图2.1
基于高光谱图像与视觉词袋模型的稻种发芽率预测研究;于施淼等;《激光与光电子学进展》;20151113(第1期);第1-7页

Also Published As

Publication number Publication date
CN105809205A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
CN105809205B (zh) 一种高光谱图像的分类方法及其系统
Carrara et al. Adversarial examples detection in features distance spaces
Jia et al. Gabor cube selection based multitask joint sparse representation for hyperspectral image classification
Zhao et al. Learning mid-level filters for person re-identification
Pflug et al. A comparative study on texture and surface descriptors for ear biometrics
Biglari et al. A cascaded part-based system for fine-grained vehicle classification
Li et al. Robust vehicle detection in high-resolution aerial images with imbalanced data
Manivannan et al. HEp-2 cell classification using multi-resolution local patterns and ensemble SVMs
CN106845341B (zh) 一种基于虚拟号牌的无牌车辆识别方法
AU2011207120B2 (en) Identifying matching images
CN115937655A (zh) 多阶特征交互的目标检测模型及其构建方法、装置及应用
Bai et al. Crowd counting on images with scale variation and isolated clusters
Awang et al. Vehicle counting system based on vehicle type classification using deep learning method
Arróspide et al. A study of feature combination for vehicle detection based on image processing
Pailla et al. Object detection on aerial imagery using CenterNet
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
WO2017166156A1 (zh) 一种高光谱图像的分类方法及其系统
CN110008899A (zh) 一种可见光遥感图像候选目标提取与分类方法
Masi et al. Using 3D models to recognize 2D faces in the wild
Puttemans et al. Visual detection and species classification of orchid flowers
Xu et al. Automated classification for HEp-2 cells based on linear local distance coding framework
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
Deng et al. Nested shallow cnn-cascade for face detection in the wild
CN110472679A (zh) 一种基于Siamese网络的无人机跟踪方法及装置
Premk et al. Automatic latent fingerprint segmentation using convolutional neural networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190702

CF01 Termination of patent right due to non-payment of annual fee