欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024112818113
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于超像素的高光谱遥感图像识别方法,其特征在于,包括如下步骤:S1、将源高光谱图像进行光谱降维,得到降维后的高光谱图像;

S2、从源高光谱图像中提取超像素信息,并获取超像素级的类别概率,随后对超像素级的类别概率进行空间优化,得到不同地物的优化概率;

S3、从降维后的高光谱图像中提取结构特征,得到优化的结构特征图像,利用训练好的多类支持向量机模型对优化的结构特征图像进行识别,得到各像素的特征级类别概率;

S4、将不同地物的优化概率和各像素的特征级类别概率进行概率融合,得到最终的分类结果;

所述S3具体包括如下步骤:

S31、对S21中的主成分图进行边缘检测,得到各个像素属于边缘的概率;

S32、通过优化后的加权最小二乘滤波算法提取降维后的高光谱图像的结构信息,得到优化的结构特征图像;具体的,优化后的加权最小二乘滤波算法是对加权最小二乘滤波算法的相似性函数做出优化,相似性函数通过加入边缘信息进行优化,可表示为:其中,表示优化后的相似性函数,表示像素属于边缘的概率;g表示引导图像,即源高光谱图像;表示高斯混合函数的标准差;、分别表示引导图像中像素和像素的像素值;

S33、针对将结构特征图像,利用训练好的多类支持向量机模型进行识别,得到各像素的特征级类别概率。

2.根据权利要求1所述的高光谱遥感图像识别方法,其特征在于,所述S1具体的实现方式为:对输入的源高光谱图像采用平均融合的方法进行光谱维度的降维,得到降维图像,其中,R表示实数三维空间,为图像的空间分辨率,为源图像的波段数,B为降维后的波段数。

3.根据权利要求1所述的高光谱遥感图像识别方法,其特征在于,所述S2具体包括如下步骤:S21、对源高光谱图像进行主成分分析降维,并提取主成分图;然后对主成分图进行超像素分割,得到超像素分割图,超像素分割图由多个超像素块组成;

S22、利用训练好的多类别支持向量机模型对降维后的高光谱图像进行识别,得到超像素分割图中各个超像素块的像素级的类别概率;对每个超像素块的像素级的类别概率执行平均计算,得到超像素级的类别概率;

S23、利用扩展随机行走方法对超像素级的类别概率进行优化,得到不同地物的优化概率。

4.根据权利要求3所述的高光谱遥感图像识别方法,其特征在于,所述S21中利用熵率超像素分割算法进行超像素分割,从而得到超像素分割图。

5.根据权利要求3所述的高光谱遥感图像识别方法,其特征在于,所述S22中的超像素级类别概率采用公式表示,具体如下:其中,为第个超像素块内的像素数量,i表示第个超像素中第i个像素。

6.根据权利要求3所述的高光谱遥感图像识别方法,其特征在于,所述S23具体包括如下步骤:S231、首先对超像素构造权重图,图的顶点为超像素集合,为连接相邻超像素的边缘集合;超像素构造权重图G中不同顶点之间边缘的权重可定义为:上式中,e表示自然常数,表示自由参数,和分别表示不同顶点的光谱值;

S232、对相邻超像素间的空间关系进行建模,并通过求解以下能量函数,得到不同地物的优化概率;

其中,表示能量函数;表示不同地物的类别;表示调节两项权重的参数;和分别表示空间项和非空间项;sp表示spatial,即空间的;as表示aspatial,即非空间的;其中空间项具有如下等式:上式中,为权重图的拉普拉斯矩阵,T表示矩阵的转置;具有如下等式:非空间项具有如下等式:

其中,、分别表示两个不同的对角矩阵,对角矩阵的对角线上的值由超像素级的类别概率构成,表示第q类的优化概率;表示第t类的优化概率。

7.根据权利要求6所述的高光谱遥感图像识别方法,其特征在于,所述S4的实现方式具体如下:对不同地物的优化概率和各像素的特征级类别概率进行概率融合,得到最终的分类结果;

所述S4采用表示具体如下:

其中,表示最终的分类结果,表示自由参数。

8.一种超像素和结构特征融合的高光谱图像分类系统,其特征在于,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行权利要求1至7任一项所述的高光谱遥感图像识别方法。

9.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,所述计算机程序用于被微处理器编程或配置以执行权利要求1至7任一项所述的高光谱遥感图像识别方法。