高光谱遥感图像联合加权随机分类方法

摘要

一种高光谱遥感图像联合加权随机分类方法，利用遥感图像处理与开发平台ENVI/IDL提供的开发语言，针对高光谱图像的文件大小及计算机的处理速度，给出一定的权系数，用改进的自适应最小距离法对其进行粗分类，然后，按照另一个加权系数，以误差准则和为准则函数，利用聚类的反复迭代完成精分类，最后根据对分块图像的分类结果进行拼接，获得整幅高光谱遥感图像的分类图像。本发明方法所取得的结果，无论是目视解释还是定量评价，可提高约10％的总体分类精度，并能显著提高计算机处理速度，可广泛用于高光谱遥感图像数据的分类处理，在提高处理速度的条件下获得更加可靠的遥感分类图像。

主权项

1、一种高光谱遥感图像联合加权随机分类方法，其特征在于包括如下具体步骤：1)高光谱图像数据特性的提取：根据应用的需求，获得配准后待分类的高光谱图像文件，通过遥感图像处理与开发平台ENVI/IDL提供的接口函数，取得它们的特性数据，包括文件大小，空间分辨率以及图像高光谱遥感图像的波段数；2)高光谱图像的数据分块：以高光谱图像的空间分辨率为标准，通过WINDOWS2000操作系统的API函数，自动获取计算机的内存与CPU处理速度指标后，根据高光谱图像文件对应的数据量的大小将其分割为几个连续的数据块，并对各数据块进行编号，数据块的数目为高光谱图像数据量/计算机内存量；3)循环调入对应的高光谱图像数据块，在每一个数据块中，设训练样本分为N个类别W1、W2、...、Wn，根据公式$C_i=\frac{1}{m_i}\underset{j=1}{\overset{m_i}{\Sigma }}{X}_i$ 计算分类样本集的中心Ci及半径，并记住类别号，其中，mi为第Wi类的样本个数，Xi为样本总数，然后将所有的样本点作为待分点，按改进的自适应最小距离法准则函数di(P)＜dj(P)，j≠i P∈Wi进行第一次粗分类，这里P为待分类的象素点；4)根据粗分类结果，结合原始图像，给定精分类精度，将N个样本分成K个聚类，根据公式$M_i=\frac{1}{N_i}\underset{y\in w_i}{\Sigma }y,J_e=\underset{i=1}{\overset{k}{\Sigma }}\underset{y\in w_i}{\Sigma }{\left|\right|y-M_i\left|\right|}^2$ 以及$\Delta J_k=\underset{J}{\min \left[\Delta J_j\right]}$ 进行数据块样本的K-平均精分类计算，这里Mi为每个聚类的均值，Ni为第i个聚类Wi中的样本数目，Je为样本集y和类别集Ω的误差平方和准则函数；期间，须反复迭代，直到各样本集的分类精度达到分类要求；5)分类图像数据块的重新的拼接：将高光谱图像数据块的分类块按前述的分割顺序进行重新拼接，组成新的分类图像。