(19)中华 人民共和国 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 202111619914.2 (22)申请日 2021.12.28 (71)申请人 河南大学 地址 475001 河南省开封市明伦街85号 (72)发明人 渠慎明　李祥　栗晓文　韩丰羽　 席广正　谢苑　侯松鹂　 (74)专利代理 机构 郑州联科专利事务所(普通 合伙) 41104 代理人 王聚才 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/58(2022.01) G06V 10/54(2022.01) G06V 10/80(2022.01) G06V 10/77(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于空谱特征联合的高光谱图像分类 方法 (57)摘要 本发明涉及一种基于空谱特征联合的高光 谱图像分类方法， 针对高光谱图像的数据特点， 将二维的Gabor滤波器与随机块卷积特征提取相 结合， 构建了一种新型的适用于高光谱图像分类 的空谱特征联合方法GRPC。 首先通过主成分分析 和线性判别分析进行降维， 对降维后的图像使用 Gabor滤波器提取图像的边缘纹理和空间信息。 其次， 对提取后的信息通过随机块卷积提取光谱 特征信息。 最后， 融合空间特征和多层次光谱特 征使用支持向量机分类器对图像进行分类， 解决 了现有的分类技术中容易出现过拟合的问题； 构 建出适用于高光谱图像数据的分类模 型， 充分利 用了高光谱图像丰富的信息； 基于提出的空谱特 征联合的高光谱图像分类方法， 提高了高光谱图 像的分类精度。 权利要求书2页 说明书5页 附图2页 CN 114187479 A 2022.03.15 CN 114187479 A 1.一种基于空谱特 征联合的高光谱图像分类方法， 其特 征在于， 包括以下步骤： S1： 设置分类模型输入的参数； 具体的， 设置Gabor核大小、 方向和频率， 随机块的数量k和大小w， 主成分的数量P和网 络层数L； S2： 加载高光谱图像数据集； 具体的， 使用matlab软件中自带函数l oad加载用于分类的高光谱图像数据集； S3： 对HSI数据集进行主成分分析降维操作， 然后使用线性判别式分析算法增大类间与 类内的距离比； 具体的， 先使用PCA降维， 对高维的高光谱数据进行降维， 然后再使用LDA算法增大类间 与类内的距离比， 提高降维后数据样本的区分度； S4： 使用Gabor滤波器提取图像的空间特 征信息； 具体的， 使用Gabor滤波器提取 XLDA的空间信息， 表示 为G＝{G1,…,GR}； S5： 判断当前层数l是否小于模型的网络层数L， 若小于网络层数L， 循环执行步骤5到步 骤9， 若l不小于网络层数L， 则跳出循环， 执 行步骤10； S6： 对G进行PCA降维和白化操作， 并将进行PCA降维和白化操作后的HSI数据集输入随 机块网络的第l层； 具体的， 对G进行PCA降维， 只保留前P个主成分； 然后对于降维后的高光谱图像数据集 进行白化操作， 得到白化后的高光谱图像数据集Gwhiten， 然后将白化后的高光谱图像数据集 输入随机块卷积特 征提取网络的第l层； S7： 在随机块卷积特征提取网络的第l层对白化后的高光谱图像数据集进行随机投影， 选取随机块； 并提取光谱特 征信息； 具体的， 利用随机函数， 随机选择k个像素， 在每个像素周围， 取一个w ×w×p随机块， 得 到k个随机块； 利用k个随机块作为卷积核， 对步骤6中白化后的高光谱图像数据集Gwhiten进 行卷积， 提取图像光谱特 征， 并将提取后的图像特 征存入特征矩阵Zl； S8： 使用激活函数， 对特 征图进行非线性激活； 具体的， 激 活函数可表示为f(I)＝max(0,I ‑S),S＝[S2…S2]是由的k个S2组成的平均矩 阵， S2为第二维中I的均值向量， k 为特征图数量， 若I 为第一层的卷积特 征， 则Z1＝f(I)； S9： 判断当前层l是否小于网络层数L， 满足则Zl更新矩阵Z； S10： 将获取到的光谱和空间特 征信息与原 始光谱数据进行 特征堆叠； 具体的， 如M为堆叠后的特征向量， 将光谱和空间特征信 息与原始光谱数据变换到相同 的维度进行拼接， 每个像素(i,j)中的最终特征向量如下所示， M(i,j)＝{G1,…,GR,Z1,…,ZL, x}， GR为不同的Gabor特 征， ZL为不同层的卷积特 征， L为卷积特 征提取的网络层数。 S11： 使用支持向量机对特 征标准化后的特 征进行分类； 具体的， 使用标准化函数对 进行特征标准化， M(i,j)norm、 var (M(i,j))和mean(M(i,j))分别是M(i,j)的标准化、 方差和平均值。 最后采用标准化后的最终特 征， 利用支持向量机(Support  Vector Machine,SVM)分类器对HSI进行分类， SVM分类器有 着计算简单、 分类性能良好的优点； S12： 输出分类精度和分类结果图。权　利　要　求　书 1/2 页 2 CN 114187479 A 22.根据权利要求1所述的一种基于空谱特征联合的高光谱图像分类方法， 其特征在于， 所述步骤S4中Gabor滤波器的定义如下： 其中， x′＝xcosθ+ysinθ和y ′＝‑sinθ+ycosθ； λ为波长； θ为Gabor核方向的夹角； ψ为相 位偏移； σ 是高斯包络的标准差， 由波长 λ和空间频率带宽bw决定， 定义如下： 其中， 带宽bw的值为正实数， 带宽越小， 标准差越大， 则Gabor核形状越大。 3.根据权利要求1所属的一种基于空谱特征联合的高光谱图像分类方法， 其特征在于， 所述步骤S7具体包括： S7.1： 使用随机函数随机选择k个随机像素Xwhiten∈Rrc×P， 在每个像素周围， 取一个w ×w ×p块， 得到k个随机块P1,P2,……,Pk∈Rw×w×P； S7.2： 将所有k个随机块作为卷积核， 将白化数据与随机块进行 卷积， 得到k个特 征图， Ii∈Rr×c是i维的特征图， 是降维数据的j维数， Pi(j)∈Rw×w是第i随机块第 j维数； S7.3： 对于分布在高光谱图像数据集边缘的像素， 通过镜像高光谱图像数据集来填充 近邻的空白像素。权　利　要　求　书 2/2 页 3 CN 114187479 A 3