(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211108338.X (22)申请日 2022.09.13 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 孙希延　李雷　纪元法　付文涛　 (74)专利代理 机构 桂林文必达专利代理事务所 (特殊普通 合伙) 45134 专利代理师 白洪 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/54(2022.01) G06T 3/40(2006.01)G06T 7/11(2017.01) (54)发明名称 融合超像素和扩展多属性轮廓特征的高光 谱图像分类方法 (57)摘要 本发明涉及高光谱遥感图像技术领域， 具体 涉及一种融合超像素和扩展多属性轮廓特征的 高光谱图像分类方法， 分别从超像素级和像素级 获取特征， 其中超像素级特征的获取方法是将高 光谱图像分割成一个个单独的同质区域， 然后对 每一个同质区域进行主成分分析， 然后重构图 像， 像素级特征提取采用扩展多属性轮廓方法 (EMAP)， 对HSI的前三个主成分进行纹理特征的 提取， 沿着光谱的维度将两种特征连接起来达到 信息的互补， 最后输入至支持向量机进行分类， 本发明在减少信息冗余的同时， 提取了HSI的低 维固有特征， 同时利用EMAP方法提取了HSI的纹 理信息， 解决了超像素的特征在单一尺度下提取 信息不足的问题。 权利要求书1页 说明书4页 附图4页 CN 115457321 A 2022.12.09 CN 115457321 A 1.一种融合超像素和扩展多属性轮廓特征的高光谱 图像分类方法， 其特征在于， 包括 下列步骤： 步骤1： 对高光谱图像进行主成分 分析， 分别获取第一主成分图像和前三个主成分； 步骤2： 对所述第一主成分图像设置超像素数目， 进行熵率超像素分割， 并将分割后的 每一个同质区域拆分成单独的结构体； 步骤3： 对每一个拆分后的结构体进行主成分分析， 然后将这些结构体重组还原， 形成 新的降维HSI； 步骤4： 基于所述前三个主成分构建E MAP特征； 步骤5： 对所述E MAP特征进行主成分 分析， 并融合 步骤3所得的降维HSI， 获得融合特 征； 步骤6： 对所述融合特 征进行递归滤波； 步骤7： 划分训练集和 测试集， 输入支持向量机， 获取分类标签。 2.如权利要求1所述的融合超像素和扩展多属性轮廓特征的高光谱图像分类方法， 其 特征在于， 在对高光谱图像进行主成分 分析的过程中， 首 先需要降低图像的光谱维度波段 数目。 3.如权利要求1所述的融合超像素和扩展多属性轮廓特征的高光谱图像分类方法， 其 特征在于， 所述熵率超像素分割中的超像素数目为人工设置， 所述同质区域的数量与超像素数目 相同。 4.如权利要求1所述的融合超像素和扩展多属性轮廓特征的高光谱图像分类方法， 其 特征在于， 所述新的降维HS I为具有超像素特征的图像Isp， 在提取超像素特征的过程中， 首先针对 图像Isp中的同质区域进行主成分分析， 使每个同质区域的维度达到预设维度， 之后重组为 原始的尺寸。 5.如权利要求1所述的融合超像素和扩展多属性轮廓特征的高光谱图像分类方法， 其 特征在于， 在基于所述前三个主成分构建EMAP特征的过程中， 采用扩展形态学轮廓方法来提取像 素特征， 通过对所述前三个主成分按照不同的属性 规则构建。 6.如权利要求1所述的融合超像素和扩展多属性轮廓特征的高光谱图像分类方法， 其 特征在于， 所述融合特征通过将所述EMAP特征与所述新的降维HSI沿着光谱维度连接生成新的特 征集合， 并采用递归滤波 去除冗余信息 。 7.如权利要求1所述的融合超像素和扩展多属性轮廓特征的高光谱图像分类方法， 其 特征在于， 划分训练集和测试集， 输入支持向量机， 获取分类标签的过程， 具体为首先将原始图像 划分训练集和测试集， 再输入到支持向量机内进行训练获得结构体， 最后将所述结构体和 测试样本作为输入进行 预测， 获得 预测的分类标签。权　利　要　求　书 1/1 页 2 CN 115457321 A 2融合超像素和扩展多属性轮廓特征的高光谱图像分类方 法 技术领域 [0001]本发明涉及高光谱遥感图像技术领域， 具体涉及 一种融合超像素和扩展多属性轮 廓特征的高光谱图像分类方法。 背景技术 [0002]高光谱图像作为遥感数据的一种， 图像形式为三维立方体， 由几十到几百的连续 窄波段频带组成， 涵盖了可见光和红外光的范围， 具有图谱合一的特点， 因此在矿物勘探、 水文监测、 环 境保护等领域有着众多应用。 ， 高光谱图像分辨率高， 包含信息丰富， 因此针对 高光谱数据的处 理工作一 直是众多学者研究的热点课题。 [0003]由于其数据形式的特殊性， 其包含了丰富的空间信息和光谱信息,同时其波段之 间信息的高度相关性也带来了图像数据冗余， 致使在高光谱数据的处理过程中经常出现 Hughes现象， 在数据的高维和标记样 本不足的情况下尤为明显， 同时由于其数据的高维性， 数据量大， 导致了数据计算的复杂度很高， 此外， 高光谱图像的噪声也会降低分类模型效果 的准确性。 因此在高光谱数据处理的过程中， 需要针对其主要信息进 行提取， 在目前的高光 谱分类技 术中， 单纯提取光谱信息进行处 理的分类结果并不理想 。 [0004]近期， 基于超像素分割的方法由于其高效性， 被广泛应用到高光谱图像处理领域 中， 其基于相邻像素之间具有相似空间结构的假设， 利用超像素将图像分割成多个互不重 叠的同质区域， 每个同质区域内视为结构相似的同类地物。 在多 数的文献中， 众多 学者将其 视为预处理过程， 因此超像素分割方法可视为是在超像素级对HSI进行表征， 提高了对HSI 的辨识度。 [0005]尽管超像素方法已成功应用于高光谱图像的特征提取， 但由于噪声和缺乏空间信 息， 模型的准确性依然会收到影响， 因此为了去除图像中的噪声， 通常会将超像素方法中引 入图像滤波模型可以有效减少噪声并在 全局意义上进 行平滑。 但是滤波器的定义均是在全 局意义上的定义， 其通常使用各种窗口来过滤图像， 在处理复杂边界区域时有 可能失败， 在 地物边缘信息的处理过度依赖超像素 的参数， 参数过低会导致分解不全， 参数过高会致使 图像过分解。 同时分类效果 也受到地物不同空间尺寸和分布的影响。 发明内容 [0006]本发明的目的在于提供一种融合超像素和扩展多属性轮廓特征的高光谱图像分 类方法， 旨在采用两种方式提取两种不同的特征， 达到信息互补的目的， 充分提取HSI的空 间特征， 解决高光谱图像分类过程中对复杂边界区域的过度平 滑的问题。 [0007]为实现上述目的， 本发明提供了一种融合超像素和扩展多属性轮廓特征的高光谱 图像分类方法， 包括下列步骤： [0008]步骤1： 对高光谱图像进行主成分分析， 分别获取第一主成分图像和前三个主成 分； [0009]步骤2： 对所述第一主成分图像设置超像素数目， 进行熵率超像素分割， 并将分割说　明　书 1/4 页 3 CN 115457321 A 3