基于Gabor特征与EMAP特征的遥感图像分类方法与流程

基于gabor特征与emap特征的遥感图像分类方法
技术领域
1.本发明属于遥感图像的解译、识别与处理领域，特别涉及一种基于gabor特征与扩展多属性轮廓(emap)特征的高光谱遥感图像的分类方法。


背景技术：

2.高光谱遥感图像中，不同类型地物的光谱信息不同。高光谱图像分类技术对于促进遥感技术应用的发展具有重大意义，但该项技术面临着高光谱图像数据维度高、标记样本少、存在混合像元、数据质量低等问题。
3.针对高光谱图像标记样本少的问题，国内外学者提出了一系列高光谱图像分类算法。目前，应用最为广泛的为监督学习算法。监督学习算法利用高光谱图像中的先验信息，即高光谱图像中的特征，对分类器进行训练，以达到对样本进行分类的目的。
4.在使用监督学习算法时，通常需要先进行特征提取。目前，应用较为广泛的光谱特征提取方法有主成分分析、独立成分分析等。为了更好地提高分类精度，空间特征提取方法被提出以获取空间上下文信息。常用的空间特征包括基于数学形态学变换的特征，如形态学轮廓特征，以及基于形态学轮廓特征所改进的扩展多属性轮廓特征等。另外，还有基于变换域的特征提取算法，该类算法对原始的高光谱图像进行变换，使用变换后的特征作为空间特征，如gabor特征等。在已有技术的方法中，保留了原始的光谱数据。而原始光谱数据质量低，且存在“同物异谱”和“异物同谱”现象，在样本数量少时，对分类精度的影响较大。为了实现光谱特征与空间特征的融合，一些融合的方法被提出。其中，利用广义复合核框架对光谱特征与空间特征进行融合，是一种较为灵活的方法。在分类器的选择上，普遍采用支持向量机及联合稀疏表示方法。但支持向量机计算量较大，而联合稀疏表示方法对于不同类型样本数量不均衡的情况分类精度较低。
5.近年来深度学习方法也开始被应用于遥感图像分类问题。但是，在小样本条件下，深度学习方法的分类精度并不高，且耗时相比起传统深度学习方法更长。


技术实现要素：

6.为此，本发明提出了融合的特征表达方法，通过融合gabor特征与emap特征联合光谱信息与空间信息，以避免原始光谱数据的不利影响，克服类别不均衡、样本数量少的问题，有效解决了由于光谱信息相关性较强导致的信息冗余问题，提高了分类精度。
7.本发明提供了一种基于gabor特征与emap特征的遥感图像分类方法，包括如下步骤：
8.步骤s1：从遥感图像中提取gabor特征并构建gabor特征核，同时从遥感图像中提取emap特征并构建emap特征核；
9.步骤s2：利用特征复合核框架，融合步骤s1中构建的gabor特征核和emap特征核，获得特征复合核；
10.步骤s3：基于步骤s2中获得的特征复合核，通过多项逻辑回归模型对遥感图像中
的样本进行分类。
11.进一步，步骤s1还包括：通过主成分分析方法处理遥感图像，获得遥感图像的前三个主成分；然后在获得的前三个主成分上使用gabor滤波器提取gabor特征，在获得的前三个主成分上使用属性滤波器提取emap特征。
12.进一步，在前三个主成分上使用gabor滤波器提取gabor特征的步骤包括：
13.步骤s101：将遥感图像的前三个主成分与一系列不同频率和多个方向的gabor滤波器进行卷积以提取gabor特征，gabor滤波器表示如下式：
[0014][0015][0016][0017][0018]
其中，g(x,y)表示gabor滤波器；x表示图像横轴方向上的坐标；y表示图像竖轴方向上的坐标；i表示虚数；f
u
表示正弦函数的频率；θ表示高斯核函数的方向；δ与是保持宽度和波长之间的比率的约束条件；度和波长之间的比率的约束条件；w表示gabor滤波器的大小；f
max
是gabor函数的最高峰值频率；u是gabor滤波器的尺度数量；v是gabor滤波器的方向数量。
[0019]
前三个主成分的分量i3(x,y)与gabor滤波器g(x,y)的卷积过程表示为：
[0020]
f
gabor
＝|i3(x，y)*g(x，y)|
[0021]
其中，f
gabor
为表示gabor特征的三维矩阵，大小为m
×
n
×
d1，其中d1＝u
×
v
×
3，m、n分别表示图像的长、宽。
[0022]
步骤s102：从遥感图像中获得gabor特征的三维矩阵f
gabor
，
[0023][0024]
其中，为gabor特征中每个像素对应的特征向量；n为特征向量个数，n＝m
×
n，
[0025]
步骤s103：选择训练样本作为训练集其中，表示每个训练样本像素对应的特征向量，n'是训练样本的数量，
[0026]
步骤s104：计算每个训练样本像素对应的特征向量间的距离d
c，d
，c＝1，2，
…
，n
′
；d＝1,2，
…
，n
′
，组成距离矩阵d
g
：
[0027][0028]
d
g
＝(d
c，d
)
n
×
n
[0029]
其中，m为特征向量维度；x
′
gck
、x
′
gdk
分别表示特征向量的第k维，
[0030]
步骤s105：计算gabor特征核k
gabor
：
[0031][0032]
其中，表示距离矩阵d
g
的均值。
[0033]
进一步，从前三个主成分上使用属性滤波器提取emap特征的步骤包括：
[0034]
步骤s111：提取所述前三个主成分上属性轮廓特征，扩展所述属性轮廓特征：
[0035]
eap(f1,f2,f3)＝{ap(f1),ap(f2),ap(f3)}
[0036]
其中,ap(f
j
)＝{tk
m
(f
j
),
…
tk1(f
j
)，f
j
,th1(f
j
),
…
th
m
(f
j
)j＝1,2,3
[0037]
pp(f
j
)表示属性轮廓特征；tk
i
和th
i
，i＝1,2,
…
,m，分别表示扩充和细化变换；f
j
表示从原始样本信息中提取的特征，
[0038]
在前三个主成分中生成不同属性的扩展属性轮廓特征eap
a
(f1,f2,f3)、eap
d
(f1,f2,f3)、eap
i
(f1,f2,f3)、eap
s
(f1,f2,f3)，堆叠获得emap特征的三维矩阵f
emap
，大小为m
×
n
×
d2，其中d2是emap特征的维数。
[0039]
f
emp
＝{ep
a
(f1,f2,f3),ep
d
(f1,f2,f3),ep
i
(f1,f2,f3),e p
s
(f1,f2,f3)}
[0040]
步骤s112：计算所述遥感图像emap特征的三维矩阵f
emap
，
[0041][0042]
其中，为emap特征中每个像素对应的特征向量；n为特征向量个数，n＝m
×
n，
[0043]
步骤s113：选择训练样本作为训练集其中，表示每个训练样本像素对应的特征向量，n'是训练样本的数量，
[0044]
步骤s114：计算每个训练样本像素对应的特征向量间的距离d
c,d
，c＝1,2,
…
,n
′
；d＝1,2,
…
,n
′
，组成距离矩阵d
e
[0045]
步骤s115：构造emap特征核k
emap
：
[0046][0047]
其中，表示距离矩阵d
e
的均值。
[0048]
进一步，计算特征复合核包括：
[0049]
利用特征复合核框架，将构建的gabor特征核和emap特征核进行堆叠，获得特征复合核：
[0050][0051]
其中，上标t表示矩阵的转置。
[0052]
进一步，通过多项逻辑回归模型对遥感图像中的样本进行分类的步骤包括:
[0053]
步骤s301：计算多项逻辑回归模型的输入函数为训练样本集φ：
[0054]
φ＝[1,k
ft
]
t
。
[0055]
步骤s302：计算逻辑回归系数ω：
[0056][0057][0058][0059]
其中，表示逻辑回归系数ω的估计量；l表示特征数量；p(ω)表示后验概率估计；y
j
表示x
j
所对应的标签量；x
j
表示样本；表示标签量为k的标记；表示逻辑回归量；表示逻辑回归系数ω的第k维；k表示类别数量；x
i
为样本像素对应的特征向量；y
i
是x
i
的类标签，i＝1,2,
…
,n；
[0060]
将逻辑回归量视为具有拉普拉斯密度的随机向量，
[0061]
p(ω)exp(λ||ω||1)
[0062]
其中，λ是控制逻辑回归系数ω稀疏程度的正则化参数。
[0063]
本发明的有益效果：
[0064]
gabor特征可用于表述图像不同尺度和方向的空间结构特征，有效提取纹理信息，对于纹理信息丰富的图像具有较好的分类效果；emap特征包含了尺度信息、几何形状信息等，较为全面地提取了高光谱图像的空间轮廓信息，本发明融合gabor特征与emap特征联合光谱信息与空间信息，避免了原始光谱数据的不利影响。
附图说明
[0065]
图1为本发明实施例基于gabor特征与emap特征的遥感图像的分类方法流程图；
[0066]
图2为本发明实施例提取gabor特征流程图；
[0067]
图3为本发明实施例提取emap特征流程图；
[0068]
图4为本发明实施例通过多项逻辑回归模型对样本进行分类流程图。
具体实施方式
[0069]
下面结合附图和实施例进一步描述本发明，应该理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
[0070]
在本发明所提供的分类方法中，为了降低数据维度，缩短计算时间，首先，通过主成分分析处理高光谱图像以获得高光谱图像的前三个主成分。主成分分析作为一种无监督的光谱特征提取算法，可以从高光谱图像中提取光谱特征，同时也起到了特征降维的作用。而前三个主成分可以保留大部分有效信息，减少噪声的影响。
[0071]
定义高光谱图像的大小是m n d，因此每个主成分的大小是m n。然后，在前三个主成分上提取gabor特征，以表达纹理信息。然后，在前三个主成分上使用属性滤波器提取扩展多属性轮廓特征，以表达空间轮廓信息。为了融合特征，使用特征复合核对gabor特征与扩展多属性轮廓特征进行融合。特征复合核可以保留有效信息，具有较强的灵活性。采用多
项逻辑回归模型作为分类器，可以缓解不同类型的地物的样本数量差距较大的问题。
[0072]
如图1所示，本发明的实施例提供的一种基于gabor特征与emap特征的遥感图像分类方法，包括如下步骤：
[0073]
步骤s1：提取gabor特征和emap特征。具体地，从遥感图像中提取gabor特征并构建gabor特征核，从遥感图像中提取emap特征并构建emap特征核。
[0074]
在一个可选的实施例中，通过主成分分析方法处理遥感图像，获得遥感图像的前三个主成分；然后在获得的前三个主成分上使用gabor滤波器提取gabor特征，在获得的前三个主成分上使用属性滤波器提取emap特征。
[0075]
在一个可选的实施例中，从遥感图像中提取gabor特征并构建gabor特征核。
[0076]
图2为本发明实施例提取gabor特征流程图，如图2所示，具体过程如下：
[0077]
步骤s101：提取前三个主成分的gabor特征。具体地，将遥感图像的前三个主成分与一系列不同频率和多个方向的gabor滤波器进行卷积以提取gabor特征：
[0078][0079][0080][0081][0082]
其中，g(x,y)表示gabor滤波器；x表示图像横轴方向上的坐标；y表示图像竖轴方向上的坐标；i表示虚数；f
u
表示正弦函数的频率；θ表示高斯核函数的方向；δ与是保持宽度和波长之间的比率的约束条件；度和波长之间的比率的约束条件；w表示gabor滤波器的大小；f
max
是gabor函数的最高峰值频率；u是gabor滤波器的尺度数量；v是gabor滤波器的方向数量。可选地，将δ与设为w设为55；将最高峰值频率f
max
设为0.1；滤波器的尺度数量u设置为5；将θ设置为0～180
°
，分别为因此滤波器的方向数量v为8。
[0083]
前三个主成分的分量i3(x,y)与gabor滤波器g(x,y)的卷积过程表示为：
[0084]
f
gabor
＝|i3(x,y)*g(x,y)|
[0085]
其中，f
gabor
为表示gabor特征的三维矩阵，大小为m
×
n
×
d1，其中d1＝u
×
v
×
3，m、n分别表示图像的长、宽。
[0086]
步骤s102：从遥感图像中获得的gabor特征的三维矩阵f
gabor
具体为：
[0087][0088]
其中，为gabor特征中每个像素对应的特征向量；n为特征向量个数，n＝m
×
n
[0089]
步骤s103：选择训练样本作为训练集其中，表示每个训练样本像素对应的特征向量，n'是训练样本的数量，
[0090]
步骤s104：计算每个训练样本像素对应的特征向量间的距离d
c,d
，c＝1,2,
…
,n
′
；d＝1,2,
…
,n
′
，组成距离矩阵d
g
：
[0091][0092]
d
g
＝(d
c,d
)
n
×
n
[0093]
其中，m为特征向量维度；x
′
gck
、x
′
gdk
分别表示特征向量的第k维，
[0094]
步骤s105：计算gabor特征核k
gabor
：
[0095][0096]
其中，表示距离矩阵d
g
的均值。
[0097]
在一个可选的实施例中，从遥感图像中提取emap特征并构建emap特征核，具体过程如下：
[0098]
将在不同主成分上生成的属性特征进行组合，获得扩展属性轮廓特征，堆叠不同类型的扩展属性轮廓特征，生成emap特征，
[0099]
在每个主成分的每个区域对属性a与参考值λ进行比较，进行滤波操作，给定一系列阈值{λ1,λ2,,λ
m
}，通过属性细化和扩充操作获得属性轮廓特征：
[0100]
ap(f
j
)＝{tk
m
(f
j
),
…
tk1(f
j
),f
j
,th1(f
j
),
…
th
m
(f
j
)j＝1,2,3
[0101]
其中，ap(f
j
)表示属性轮廓特征；tk
i
和th
i
，i＝1,2,
…
,m，分别表示扩充和细化变换；f
j
表示从原始样本信息中提取的特征。
[0102]
在一个可选的实施例中，从前三个主成分上使用属性滤波器提取emap特征。
[0103]
图3为本发明实施例提取emap特征流程图。如图3所示，具体过程如下：
[0104]
步骤s111：获得扩展属性轮廓特征。具体地，在前三个主成分上提取属性轮廓特征，对其进行组合，获得扩展属性轮廓特征：
[0105]
eap(f1,f2,f3)＝{ap(f1),ap(f2),ap(f3)}
[0106]
在前三个主成分上提取四种不同属性的扩展属性轮廓特征。在本实施例中，选择区域属性、边界框对角线长度属性、惯性属性、标准差属性。区域属性中，将λ
a
设置为100、500、1000、5000；边界框对角线长度属性中，将λ
d
设置为10、25、50、100；惯性属性中，将λ
i
设置为0.2、0.3、0.4、0.5；标准差属性中，将λ
s
设置为20、30、40、50。
[0107]
在前三个主成分中生成不同属性的扩展属性轮廓特征eap
a
(f1,f2,f3)、eap
d
(f1,f2,f3)、eap
i
(f1,f2,f3)、eap
s
(f1,f2,f3)，堆叠获得emap特征的三维矩阵f
emap
，大小为m
×
n
×
d2，其中d2是emap特征的维数。
[0108]
f
emp
＝{ep
a
(f1,f2,f3),ep
d
(f1,f2,f3),ep
i
(f1,f2,f3),ep
s
(f1,f2,f3)}
[0109]
步骤s112：从遥感图像中获得的emap特征的三维矩阵f
emap
具体为：
[0110][0111]
其中，为emap特征中每个像素对应的特征向量；n为特征向量个数，n＝m
×
n，
[0112]
步骤s113：选择训练样本作为训练集其中，表示每个训练样本像素对应的特征向量，n'是训练样本的数量，
[0113]
步骤s114：计算每个训练样本像素对应的特征向量间的距离d
c,d
，c＝1,2,
…
,n
′
；d＝1,2,
…
,n
′
，组成距离矩阵d
e
[0114]
步骤s115：构造emap特征核k
emap
：
[0115][0116]
其中，表示距离矩阵d
e
的均值。
[0117]
在本实施例中，示例性的，将σ设置为1.5。
[0118]
步骤s2：融合gabor特征核和emap特征核。具体地，利用特征复合核框架，将构建的gabor特征核和emap特征核进行堆叠。
[0119]
在一个可选的实施例中，将所述gabor特征核和emap特征核进行堆叠，获得特征复合核：
[0120][0121]
其中，上标t表示矩阵的转置。
[0122]
相比起堆叠、求和等方式，构建特征核，采用特征复合核框架进行特征融合，有利于保留有效信息，提高灵活度，有效避免信息冗余和计算复杂度增加。
[0123]
步骤s3：通过多项逻辑回归模型对样本进行分类。具体地，基于获得的特征复合核，通过多项逻辑回归模型对遥感图像中的样本进行分类。
[0124]
考虑高光谱图像的高维特性，本发明实施例利用lorsal算法来处理高维特征。
[0125]
在一个可选的实施例中，通过多项逻辑回归模型对遥感图像中的样本进行分类。
[0126]
图4为本发明实施例通过多项逻辑回归模型对样本进行分类流程图。具体的步骤包括：
[0127]
步骤s301：计算多项逻辑回归模型的输入函数为训练样本集φ：
[0128]
φ＝[1，k
t
]
t
。
[0129]
步骤s302：计算逻辑回归系数ω：
[0130][0131]
[0132][0133]
其中，表示逻辑回归系数ω的估计量；l表示特征数量；p(ω)表示后验概率估计；y
j
表示x
j
所对应的标签量；x
j
表示样本；表示标签量为k的标记；表示逻辑回归量；表示逻辑回归系数ω的第k维；k表示类别数量；x
i
为样本像素对应的特征向量；y
i
是x
i
的类标签，i＝1,2，
…
，n；由于分布密度不依赖于回归量ω
(k)
，取ω
(k)
＝0。
[0134]
为了控制算法的复杂性及其泛化能力，将逻辑回归量泛化能力，将逻辑回归量视为具有拉普拉斯密度的随机向量，
[0135]
p(ω)exp(λ||ω||1)
[0136]
其中，λ是控制逻辑回归系数ω稀疏程度的正则化参数。根据实验，将其设置为0.000001，迭代次数设置为700次。
[0137]
多项逻辑回归模型输入函数的开放结构使其更加灵活，输入函数可以是线性结构、非线性结构、核结构的，且其中的样本权重参数可以一定程度上解决不同的地物类型样本数量差距较大的问题。
[0138]
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。