一種新的高光譜圖像分類方法

楊月桃　王茂芝　郭科

摘 要：基于像元波譜曲線特征提取進而利用所提取的特征進行分類是高光譜圖像分類的重要研究內(nèi)容。提出了一種基于傅里葉變換幅度譜的高光譜遙感圖像分類新方法，也就是利用像元波譜曲線傅里葉變換幅度譜最值單一特征實現(xiàn)對地物的分類識別。

關(guān)鍵詞：高光譜圖像分類；特征提取；傅里葉變換

遙感圖像分類是利用計算機對圖像中各類地物的光譜信息和空間信息進行分析和特征選擇，并通過一定的手段將特征空間區(qū)分為互不重疊的子空間，然后將圖像中的各個像元劃分到各子空間中去。

1 基于傅立葉變換幅度譜的高光譜遙感影像分類

1.1 傅立葉變換簡介

傅里葉變換作為信號處理變換域分析中一種最常用的基本方法，能從頻率的角度對某些時空域中比較復雜或者無規(guī)律導致無法清晰認識的信號進行分析、設計和理解。頻域分析方法在通信、力學、量子物理等多種領(lǐng)域中得到廣泛的應用，本文是將其中的一種變換方法應用于高光譜圖像的特征提取以及圖像分類。

1.2 基于傅立葉變換幅度譜的分類算法設計

上文中已證實對于不同的礦物，對其波譜曲線作傅里葉變換后的幅度譜最值具有可分性，可在此基礎上進行高光譜影像的分類。首先依次提取出分類目標影像中每個像元點的特征值后組成特征值矩陣，再利用歐式距離與波譜庫的礦物曲線特征值相匹配將各像元點分配到各指標特征中從而完成高光譜影像的分類。

基于DTFT的高光譜影像分類方法流程如下：（1）確定被分類影像的分類類別K；（2）提取波譜庫中標準礦物波譜曲線進行DTFT變換（公式（2）），提取幅度譜中最大值作為特征值參照數(shù)列sample[K]；（3）對高光譜遙感影像image[M1，M2，N]的每個像元點依次作離散時域傅里葉變換，得到每個像元的反射率曲線對應一個特征值；（4）統(tǒng)計變換后的特征值形成特征值矩陣S[M1，M2]；（5）比較特征參照數(shù)列與特征值矩陣之間的歐式距離min|S（m1，m2）-san，ple（k）|，進行影像分類。

2 應用分析

2.1 數(shù)據(jù)源

實驗數(shù)據(jù)中的參照數(shù)據(jù)sample由表1中八種礦物特征值組成一維數(shù)列。待分類數(shù)據(jù)image是利用此八種波譜庫標準礦物樣本制作的一個56×32×N的模擬數(shù)據(jù)矩陣，N為波段數(shù)，每8×8個矩陣塊儲存一種礦物或者多種礦物的隨機比例線性混合，其中，①：含砷黃鐵礦、②：斜輝石、③：斧石、④：藍銅礦、⑤：重晶石、⑥：古銅輝石、⑦：基鐵礬、⑧：斜綠泥石；

2.2 實驗方案

該實驗主要是利用matlab編程實現(xiàn)對上述數(shù)據(jù)立方體的特征提取以及分類。為了驗證算法的可行性，此處利用已知的礦物光譜建立了數(shù)據(jù)立方體示。進行了基于先驗知識的光譜影像處理，通過實驗結(jié)果來對算法進行驗證分析。

2.3 結(jié)果分析

依據(jù)算法流程圖用matlab編程測試后理論上的輸出數(shù)據(jù)應該是前16行數(shù)據(jù)為可分辨數(shù)據(jù)，并且能分出八種礦物類型，從第17行到56行為不可分辨數(shù)據(jù)顯示為黑色，實際實驗中結(jié)果顯示如圖1所示：

從圖2中可以看出利用模擬數(shù)據(jù)做算法測試得出的效果很理想，在純凈像元區(qū)域，根據(jù)反射率曲線提取出的幅度特征值能明確地對八種礦物進行分類，在混合像元區(qū)域，沒有將混合數(shù)據(jù)分類為已知類別說明該算法不會錯誤分類。

3 結(jié)論

本文主要闡述并實驗了一種新的基于特征提取的高光譜圖像分類方法研究，區(qū)別于原有影響分類的特征提取算法，該算法主要思路是將時空域中的反射率曲線變換到頻率域進行分析以及特征提取，實驗證明此算法能做到對高維數(shù)據(jù)進行降維的基礎上保存了一定的數(shù)據(jù)特征以達到數(shù)據(jù)分類的目的。

[參考文獻]

[1]童慶禧，張兵，鄭蘭芬.高光譜遙感——原理、技術(shù)與應用[M].北京：高等教育出版社，2006.6.

[2]肖平，王旭紅.基于特征提取的高光譜數(shù)據(jù)分類[J].測繪科學，2006.1：45-47.

[3]許衛(wèi)東，尹球，匡定波.小波變換在高光譜決策樹分類中的應用研究[J].遙感學報，2006，10（2）：204-210.

[4]蘇紅軍，盛業(yè)華.高光譜影像的改進K-均值監(jiān)督式聚類分析方法[J].武漢大學學報信息科學版，2012，37（6）：640-643.