一种多边形结构引导的高光谱图像单样本识别方法及系统转让专利
申请号 : CN202110450691.5
文献号 : CN112990368B
文献日 : 2021-07-30
发明人 : 李树涛 , 章硕 , 康旭东
申请人 : 湖南大学
摘要 :
本发明公开了一种多边形结构引导的高光谱图像单样本识别方法及系统，本发明包括：针对高光谱图像降维；对降维图像进行多尺度分割得到多尺度分割图；利用已知的单样本，结合多尺度分割得到的最细尺度的分解结果及光谱角距离，在单样本所在的多边形内扩充样本，随后搜索相似多边形，在相似多边形内部二次扩充样本，并利用扩充后的样本训练像素级的分类器识别模型；利用分类器识别模型对降维图像识别得到逐像素的初始识别结果；结合多尺度分割图优化初始识别结果再融合得到最终的识别结果。本发明针对农田场景或城市场景实现多边形结构引导的高光谱图像单样本识别，在解决样本数量不足问题的同时，能够提升识别精度并优化识别视觉效果。
权利要求 :
1.一种多边形结构引导的高光谱图像单样本识别方法，其特征在于，包括：
1）针对输入的高光谱图像进行光谱维度的降维，得到降维图像；
2）对降维图像进行多尺度分割得到多尺度分割图；
3）利用已知的单样本，结合多尺度分割得到的最细尺度的分解结果及光谱角距离，在单样本所在的多边形内扩充样本，随后搜索相似多边形，在相似多边形内部二次扩充样本，并利用扩充后的样本训练像素级的分类器识别模型；
4）利用训练好的分类器识别模型对降维图像进行识别，得到逐像素的初始识别结果；
5）结合多尺度分割图优化初始识别结果，得到多尺度识别结果；
6）融合多尺度识别结果，得到最终的识别结果；
步骤2）中进行多尺度分割时，针对每一种尺度的分割步骤包括：
2.1）基于图像梯度的区域增长检测降维图像中的线段，且检测得到的线段数量为该尺度对应的预设线段数量；
2.2）对检测到的线段基于下式通过最小能量函数对线段重新定向；
U(x)=(1‑λ)D(x)+λV(x)上式中，U(x)表示最小能量函数，D(x)表示数据项，V(x)表示线段成对倾向，λ∈[0,1]为权重，数据项D(x)限制线段相对其初始方向的较大角度偏差，线段成对倾向V(x) 将几乎平行或几乎正交的成对空间上接近的线段变为完全平行或正交，x=(x1,…,xn)，xi∈[‑θmax，θmax]是在n条线段上施加的干扰参数，θmax为线段的最大偏移量，数据项D(x)和线段成对倾向V(x)的函数表达式分别为：
上式中，n为线段数量，xi为第i项干扰参数，xj为第j项干扰参数，θmax为线段的最大偏移量，μij表示线段i和j之间的相关性，当线段i和j在空间位置上非常接近或者|θij|<2θmax，μij=1，否则μij =0，θij表示线段i和j之间的相对角度偏离直线或直角的距离；
2.3）将线段在基于动态平面图Gt= (Vt，Et)的框架中逐渐延伸，这一平面图划分了图像域，Vt和Et分别是顶点和边的集合，当线段相交时，在图中插入新顶点和边，当线段停止延长时，得到最终的多边形分割结果，在此过程中图始终保持平面；
步骤3）包括：首先在多边形内部扩充样本，找到单样本所在的多边形，计算该多边形内部所有像素点与单样本的光谱距离SAM，将距离小于前第一预设比例的像素点作为新的扩充样本点；然后计算其他多边形的平均光谱以及单样本与这些光谱的光谱距离，将距离小于前第二预设比例的多边形作为相似多边形，然后在相似多边形内部搜索样本，且搜索样本具体操作为计算单样本与相似多边形内所有像素的光谱距离SAM，当光谱距离SAM的值小于阈值θ1时，赋予计算光谱距离SAM的两个像素sj与si同类的标签，将其加入训练样本集；采用得到的训练样本集作为输入，训练像素级的分类器识别模型。
2.根据权利要求1所述的多边形结构引导的高光谱图像单样本识别方法，其特征在于，M
步骤1）中针对输入的高光谱图像进行光谱维度的降维是指针对输入的高光谱图像H∈R×N×B M×N×L
采用主成分分析进行光谱维度的降维，得到降维图像S∈R ，其中M×N为图像的空间分辨率，B为图像的波段数，L为降维后的波段数。
3.根据权利要求1所述的多边形结构引导的高光谱图像单样本识别方法，其特征在于，步骤2）中对降维图像进行多尺度分割之前还包括针对首先降维图像选取前p个波段构成待分割图像的步骤。
4.根据权利要求3所述的多边形结构引导的高光谱图像单样本识别方法，其特征在于，步骤2）中对降维图像进行多尺度分割之前还包括对待分割图像进行预处理操作的步骤，且所述预处理操作包括首先进行直方图均衡化操作增强对比度、然后再平滑图像中的纹理信息以突出地块边界。
5.根据权利要求1所述的多边形结构引导的高光谱图像单样本识别方法，其特征在于，步骤5）包括：将初始识别结果分别映射到多尺度分割图上，分别在不同尺度上统计每个多边形内部类别标签的数量和占比，当数量最多的类别占比满足设定的阈值θ2时，将整个多边形内的像素重新标记为该类别，从而得到多尺度的优化结果。
6.根据权利要求1所述的多边形结构引导的高光谱图像单样本识别方法，其特征在于，步骤6）包括：针对多尺度的优化结果，统计每个尺度为j时对应优化结果中的第i个像素Pij所属的类别，将出现概率最大的地物类别标签作为该像素最终的标签，将对整幅图像进行*
此操作得到的结果作为最终的识别结果R 。
7.一种多边形结构引导的高光谱图像单样本识别系统，包括相互连接的处理器和存储器，其特征在于，该处理器被编程或配置以执行权利要求1～6中任意一项所述多边形结构引导的高光谱图像单样本识别方法的步骤。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有被编程或配置以执行权利要求1～6中任意一项所述多边形结构引导的高光谱图像单样本识别方法的计算机程序。
说明书 :
一种多边形结构引导的高光谱图像单样本识别方法及系统
技术领域
[0001] 本发明涉及一种高光谱图像识别方法，具体涉及一种多边形结构引导的高光谱图像单样本识别方法及系统。
背景技术
[0002] 高光谱图像（HSI）含有数百个连续的波段，具有丰富的光谱信息，能够提供不同地物的光谱“指纹”，为地物的精确分类与识别带来了前所未有的机遇。因此，高光谱图像识别
一直是高光谱图像处理的热点研究方向，该技术现已被广泛应用于土地覆盖调查、环境监
测、矿物制图等应用中。
一直是高光谱图像处理的热点研究方向，该技术现已被广泛应用于土地覆盖调查、环境监
测、矿物制图等应用中。
[0003] 高光谱图像识别旨在通过模式识别的方式为图像中每个像素赋予一个指定的类别标签，以便于后续的图像分析。然而，众多地物识别方法的性能都与训练样本的数量密切
相关。在实际应用中，获取标记样本往往又是费时费力的，并且有一定难度。为了解决样本
数量不足的问题，涌现了一些利用半监督学习进行地物识别的技术，半监督学习能够利用
现成的无标记样本来改进监督学习任务，能进一步提高了小样本情况下的图像识别精度。
相关。在实际应用中，获取标记样本往往又是费时费力的，并且有一定难度。为了解决样本
数量不足的问题，涌现了一些利用半监督学习进行地物识别的技术，半监督学习能够利用
现成的无标记样本来改进监督学习任务，能进一步提高了小样本情况下的图像识别精度。
[0004] 除了样本数量的问题以外，尽管前沿算法的地物识别结果的客观评价指标能达到很高的数值，但是视觉效果往往不尽人意。例如，在一些未充分利用图像空间信息的方法
中，会存在类似噪声的误分样本；当识别结果中同类样本内部较为匀质时，不同类别的边界
与真实地物边界仍有一定差异。这些现象在人造场景中尤为明显，例如农田，建筑物。
中，会存在类似噪声的误分样本；当识别结果中同类样本内部较为匀质时，不同类别的边界
与真实地物边界仍有一定差异。这些现象在人造场景中尤为明显，例如农田，建筑物。
发明内容
[0005] 本发明要解决的技术问题：针对现有技术的上述问题，提供一种多边形结构引导的高光谱图像单样本识别方法及系统，本发明针对农田场景或城市场景实现多边形结构引
导的高光谱图像单样本识别，在解决样本数量不足问题的同时，能够提升识别精度并优化
识别视觉效果。
导的高光谱图像单样本识别，在解决样本数量不足问题的同时，能够提升识别精度并优化
识别视觉效果。
[0006] 为了解决上述技术问题，本发明采用的技术方案为：
[0007] 一种多边形结构引导的高光谱图像单样本识别方法，包括：
[0008] 1）针对输入的高光谱图像进行光谱维度的降维，得到降维图像；
[0009] 2）对降维图像进行多尺度分割得到多尺度分割图；
[0010] 3）利用已知的单样本，结合多尺度分割得到的最细尺度的分解结果及光谱角距离，在单样本所在的多边形内扩充样本，随后搜索相似多边形，在相似多边形内部二次扩充
样本，并利用扩充后的样本训练像素级的分类器识别模型；
样本，并利用扩充后的样本训练像素级的分类器识别模型；
[0011] 4）利用训练好的分类器识别模型对降维图像进行识别，得到逐像素的初始识别结果；
[0012] 5）结合多尺度分割图优化初始识别结果，得到多尺度识别结果；
[0013] 6）融合多尺度识别结果，得到最终的识别结果。
[0014] 可选地，步骤1）中针对输入的高光谱图像进行光谱维度的降维是指针对输入的高M×N×B M×N×L
光谱图像H∈R 采用主成分分析进行光谱维度的降维，得到降维图像S∈R ，其中M×
N为图像的空间分辨率，B为图像的波段数，L为降维后的波段数。
光谱图像H∈R 采用主成分分析进行光谱维度的降维，得到降维图像S∈R ，其中M×
N为图像的空间分辨率，B为图像的波段数，L为降维后的波段数。
[0015] 可选地，步骤2）中对降维图像进行多尺度分割之前还包括针对首先降维图像选取前p个波段构成待分割图像的步骤。
[0016] 可选地，步骤2）中对降维图像进行多尺度分割之前还包括对待分割图像进行预处理操作的步骤，且所述预处理操作包括首先进行直方图均衡化操作增强对比度、然后再平
滑图像中的纹理信息以突出地块边界。
滑图像中的纹理信息以突出地块边界。
[0017] 可选地，步骤2）中进行多尺度分割时，针对每一种尺度的分割步骤包括：
[0018] 2.1）基于图像梯度的区域增长检测降维图像中的线段，且检测得到的线段数量为该尺度对应的预设线段数量；
[0019] 2.2）对检测到的线段基于下式通过最小能量函数对线段重新定向；
[0020] U(x)=(1‑λ)D(x)+λV(x)
[0021] 上式中，U(x)表示最小能量函数，D(x)表示数据项，V(x)表示线段成对倾向，λ∈[0,1]为权重，数据项D(x)限制线段相对其初始方向的较大角度偏差，线段成对倾向V(x)
将几乎平行或几乎正交的成对空间上接近的线段变为完全平行或正交，x=(x1,…,xn)，xi∈
[‑θmax，θmax]是在n条线段上施加的干扰参数，θmax为线段的最大偏移量，数据项D(x)和线段
成对倾向V(x)的函数表达式分别为：
将几乎平行或几乎正交的成对空间上接近的线段变为完全平行或正交，x=(x1,…,xn)，xi∈
[‑θmax，θmax]是在n条线段上施加的干扰参数，θmax为线段的最大偏移量，数据项D(x)和线段
成对倾向V(x)的函数表达式分别为：
[0022]
[0023] 上式中，n为线段数量，xi为第i项干扰参数，xj为第j项干扰参数，θmax为线段的最大偏移量，μij表示线段i和j之间的相关性，当线段i和j在空间位置上非常接近或者|θij|<2
θmax，μij=1，否则μij =0，θij表示线段i和j之间的相对角度偏离直线或直角的距离；
θmax，μij=1，否则μij =0，θij表示线段i和j之间的相对角度偏离直线或直角的距离；
[0024] 2.3）将线段在基于动态平面图Gt= (Vt，Et)的框架中逐渐延伸，这一平面图划分了图像域，Vt和Et分别是顶点和边的集合，当线段相交时，在图中插入新顶点和边，当线段停止
延长时，得到最终的多边形分割结果，在此过程中图始终保持平面。
延长时，得到最终的多边形分割结果，在此过程中图始终保持平面。
[0025] 可选地，步骤3）包括：首先在多边形内部扩充样本，找到单样本所在的多边形，计算该多边形内部所有像素点与单样本的光谱距离SAM，将距离小于前第一预设比例的像素
点作为新的扩充样本点；然后计算其他多边形的平均光谱以及单样本与这些光谱的光谱距
离，将距离小于前第二预设比例的多边形作为相似多边形，然后在相似多边形内部搜索样
本，且搜索样本具体操作为计算单样本与相似多边形内所有像素的光谱距离SAM，当光谱距
离SAM的值小于阈值θ1时，赋予计算光谱距离SAM的两个像素sj与si同类的标签，将其加入训
练样本集；采用得到的训练样本集作为输入，训练像素级的分类器识别模型。
点作为新的扩充样本点；然后计算其他多边形的平均光谱以及单样本与这些光谱的光谱距
离，将距离小于前第二预设比例的多边形作为相似多边形，然后在相似多边形内部搜索样
本，且搜索样本具体操作为计算单样本与相似多边形内所有像素的光谱距离SAM，当光谱距
离SAM的值小于阈值θ1时，赋予计算光谱距离SAM的两个像素sj与si同类的标签，将其加入训
练样本集；采用得到的训练样本集作为输入，训练像素级的分类器识别模型。
[0026] 可选地，步骤5）包括：将初始识别结果分别映射到多尺度分割图上，分别在不同尺度上统计每个多边形内部类别标签的数量和占比，当数量最多的类别占比满足设定的阈值
θ2时，将整个多边形内的像素重新标记为该类别，从而得到多尺度的优化结果。
θ2时，将整个多边形内的像素重新标记为该类别，从而得到多尺度的优化结果。
[0027] 可选地，步骤6）包括：针对多尺度的优化结果，统计每个尺度为j时对应优化结果中的第i个像素Pij所属的类别，将出现概率最大的地物类别标签作为该像素最终的标签，将
*
对整幅图像进行此操作得到的结果作为最终的识别结果R 。
*
对整幅图像进行此操作得到的结果作为最终的识别结果R 。
[0028] 此外，本发明还提供一种多边形结构引导的高光谱图像单样本识别系统，包括相互连接的处理器和存储器，该处理器被编程或配置以执行前述多边形结构引导的高光谱图
像单样本识别方法的步骤。
像单样本识别方法的步骤。
[0029] 此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述多边形结构引导的高光谱图像单样本识别方法的计算机程序。
[0030] 和现有技术相比，本发明主要具有以下技术效果：
[0031] 1、本发明的高光谱图像地物识别方法能够适用于标签数量很少的识别任务，借助有限标签的光谱信息和图像的空间信息进行样本扩充，能够显著提高识别准确率；实验结
果表明，本发明方法能取得更好的地物识别效果；
果表明，本发明方法能取得更好的地物识别效果；
[0032] 2、本发明提出的多尺度优化方法能够消除识别结果中类似噪声分布的误标记样本，缓解边界模糊的问题，实验结果表明，经过优化，地物识别精度和视觉效果均有提升。
附图说明
[0033] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0034] 图1为本发明实施例方法的基本流程示意图。
[0035] 图2为本发明实施例中的多尺度分割结果图，其中（a）为获得的待分割图像，（b）为不同尺度的分割结果。
[0036] 图3为本发明实施例方法对高光谱图像识别的结果，其中（a）为高光谱图像可见光波段对应彩色图像的灰度化显示，（b）为地面真实标签，（c）～（g）是其他几种现有高光谱识
别方法得到的结果，图（h）为本实施例方法得到的结果。
别方法得到的结果，图（h）为本实施例方法得到的结果。
[0037] 图4为本发明实施例方法和其他现有方法的识别结果对比表。
具体实施方式
[0038] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合流程图与实施例，对本发明实施例中的技术方案进行详尽的说明与描述，显然，所描述的实施例是本发明
一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有
做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有
做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039] 如图1所示，本实施例多边形结构引导的高光谱图像单样本识别方法包括：
[0040] 1）针对输入的高光谱图像进行光谱维度的降维，得到降维图像；
[0041] 2）对降维图像进行多尺度分割得到多尺度分割图；
[0042] 3）利用已知的单样本，结合多尺度分割得到的最细尺度的分解结果及光谱角距离，在单样本所在的多边形内扩充样本，随后搜索相似多边形，在相似多边形内部二次扩充
样本，并利用扩充后的样本训练像素级的分类器识别模型；
样本，并利用扩充后的样本训练像素级的分类器识别模型；
[0043] 4）利用训练好的分类器识别模型对降维图像进行识别，得到逐像素的初始识别结果；
[0044] 5）结合多尺度分割图优化初始识别结果，得到多尺度识别结果；
[0045] 6）融合多尺度识别结果，得到最终的识别结果。
[0046] 本实施例中，步骤1）中针对输入的高光谱图像进行光谱维度的降维是指针对输入M×N×B M
的高光谱图像H∈R 采用主成分分析（PCA）进行光谱维度的降维，得到降维图像S∈R
×N×L
，其中M×N为图像的空间分辨率，B为图像的波段数，L为降维后的波段数。在此实施例
中，降维后的波段数L设置为20。PCA是一种经典的特征提取和数据表示技术，通过线性投影
将高维的向量映射到低维空间中表示，用原始特征的线性组合的表示新的特征，故PCA在降
低数据维数的同时，能够保留数据中的大部分信息。
的高光谱图像H∈R 采用主成分分析（PCA）进行光谱维度的降维，得到降维图像S∈R
×N×L
，其中M×N为图像的空间分辨率，B为图像的波段数，L为降维后的波段数。在此实施例
中，降维后的波段数L设置为20。PCA是一种经典的特征提取和数据表示技术，通过线性投影
将高维的向量映射到低维空间中表示，用原始特征的线性组合的表示新的特征，故PCA在降
低数据维数的同时，能够保留数据中的大部分信息。
[0047] 本实施例中，步骤2）中对降维图像进行多尺度分割之前还包括针对首先降维图像选取前p个波段构成待分割图像的步骤。在此实施例中，p的默认值设为3。本实施例中，步骤
1）中针对输入的高光谱图像进行光谱维度的降维目的是减少冗余信息和计算代价，选取前
p个波段构成待分割图像，因为前p个波段有效包含了高光谱图像的空间信息。在固定的尺
度下，一张高光谱图像只需要得到一个分割结果图。所以无需处理每个波段。
1）中针对输入的高光谱图像进行光谱维度的降维目的是减少冗余信息和计算代价，选取前
p个波段构成待分割图像，因为前p个波段有效包含了高光谱图像的空间信息。在固定的尺
度下，一张高光谱图像只需要得到一个分割结果图。所以无需处理每个波段。
[0048] 本实施例中，步骤2）中对降维图像进行多尺度分割之前还包括对待分割图像进行预处理操作的步骤，且所述预处理操作包括首先进行直方图均衡化操作增强对比度、然后
再平滑图像中的纹理信息以突出地块边界，通过上述操作，能够削弱地块内农作物的空间
信息对分割的影响。
再平滑图像中的纹理信息以突出地块边界，通过上述操作，能够削弱地块内农作物的空间
信息对分割的影响。
[0049] 本实施例中步骤2）中进行多尺度分割的原理为采用基于动力学的方法Kinetic polygonal partitioning of images（KIPPI）分割图像，通过扩展图像中检测到的线段直
至它们相交，合并交点得到分割结果。步骤2）中进行多尺度分割时，针对每一种尺度的分割
步骤包括：
至它们相交，合并交点得到分割结果。步骤2）中进行多尺度分割时，针对每一种尺度的分割
步骤包括：
[0050] 2.1）基于图像梯度的区域增长检测降维图像中的线段，且检测得到的线段数量为该尺度对应的预设线段数量；
[0051] 2.2）对检测到的线段基于下式通过最小能量函数对线段重新定向（用于对检测到的线段进行优化，使其更精确符合地物边界）；
[0052] U(x)=(1‑λ)D(x)+λV(x)
[0053] 上式中，U(x)表示最小能量函数，D(x)表示数据项，V(x)表示线段成对倾向（pairwise potential），λ∈[0,1]为权重（本实施例中默认值为0.8），数据项D(x)限制线段
相对其初始方向的较大角度偏差，线段成对倾向V(x) 将几乎平行或几乎正交的成对空间
上接近的线段变为完全平行或正交，x=(x1,…,xn)，xi∈[‑θmax，θmax]是在n条线段上施加的
干扰参数，θmax为线段的最大偏移量，数据项D(x)和线段成对倾向V(x)的函数表达式分别
为：
相对其初始方向的较大角度偏差，线段成对倾向V(x) 将几乎平行或几乎正交的成对空间
上接近的线段变为完全平行或正交，x=(x1,…,xn)，xi∈[‑θmax，θmax]是在n条线段上施加的
干扰参数，θmax为线段的最大偏移量，数据项D(x)和线段成对倾向V(x)的函数表达式分别
为：
[0054]
[0055] 上式中，n为线段数量，xi为第i项干扰参数，xj为第j项干扰参数，θmax为线段的最大偏移量，μij表示线段i和j之间的相关性，当线段i和j在空间位置上非常接近或者|θij|<2
θmax，μij=1，否则μij =0，θij表示线段i和j之间的相对角度偏离直线或直角的距离；
θmax，μij=1，否则μij =0，θij表示线段i和j之间的相对角度偏离直线或直角的距离；
[0056] 2.3）将线段在基于动态平面图Gt= (Vt，Et)的框架中逐渐延伸，这一平面图划分了图像域，Vt和Et分别是顶点和边的集合，当线段相交时，在图中插入新顶点和边，当线段停止
延长时，得到最终的多边形分割结果，在此过程中图始终保持平面。
延长时，得到最终的多边形分割结果，在此过程中图始终保持平面。
[0057] 本实施例中步骤2）中进行多尺度分割时，多尺度是指设置不同的预先检测的线段数量，从而使分割图像中多边形的数量不同。在此实施例中，多尺度的数量M默认值设为8。
[0058] 本实施例中，步骤3）包括：首先在多边形内部扩充样本，找到单样本所在的多边形，计算该多边形内部所有像素点与单样本的光谱距离SAM，将距离小于前第一预设比例的
像素点作为新的扩充样本点；然后计算其他多边形的平均光谱以及单样本与这些光谱的光
谱距离，将距离小于前第二预设比例的多边形作为相似多边形，然后在相似多边形内部搜
索样本，且搜索样本具体操作为计算单样本与相似多边形内所有像素的光谱距离SAM，当光
谱距离SAM的值小于阈值θ1时，赋予计算光谱距离SAM的两个像素点sj与si同类的标签，将其
加入训练样本集；采用得到的训练样本集作为输入，训练像素级的分类器识别模型。步骤3）
扩充训练样本时，利用已知的单样本光谱信息及地块自身的空间信息，在全局尺度搜索相
似样本。具体的，根据实地调查得到的地面真实标记随机选取初始单样本，并记录其对应的
类别标记。然后利用已知标记样本的光谱信息分别在最细尺度分割结果中的多边形内部和
多边形之间进行样本扩充，样本扩充的依据是标记样本与原始高光谱图像H中未标记像素
的光谱角距离SAM，光谱角距离SAM是高光谱图像中常用的一种光谱相似性度量方法,该方
法通过计算两个像素点sj与si的光谱角度来确定两个像素之间的相似性。
像素点作为新的扩充样本点；然后计算其他多边形的平均光谱以及单样本与这些光谱的光
谱距离，将距离小于前第二预设比例的多边形作为相似多边形，然后在相似多边形内部搜
索样本，且搜索样本具体操作为计算单样本与相似多边形内所有像素的光谱距离SAM，当光
谱距离SAM的值小于阈值θ1时，赋予计算光谱距离SAM的两个像素点sj与si同类的标签，将其
加入训练样本集；采用得到的训练样本集作为输入，训练像素级的分类器识别模型。步骤3）
扩充训练样本时，利用已知的单样本光谱信息及地块自身的空间信息，在全局尺度搜索相
似样本。具体的，根据实地调查得到的地面真实标记随机选取初始单样本，并记录其对应的
类别标记。然后利用已知标记样本的光谱信息分别在最细尺度分割结果中的多边形内部和
多边形之间进行样本扩充，样本扩充的依据是标记样本与原始高光谱图像H中未标记像素
的光谱角距离SAM，光谱角距离SAM是高光谱图像中常用的一种光谱相似性度量方法,该方
法通过计算两个像素点sj与si的光谱角度来确定两个像素之间的相似性。
[0059] 两个像素间的SAM计算公式如下：
[0060]
[0061]
[0062] 上式中，θ(si,sj)为像素点sj与si的夹角，B为图像的波段数。光谱角距离SAM的取值范围在0∼1.57之间。作为一种具体的实施方式，本实施例中首先在多边形内部扩充样本，
找到单样本所在的多边形，计算该多边形内部所有像素点与单样本的光谱距离SAM，将距离
小于前10%的像素点作为新的扩充样本点。然后计算其他多边形的平均光谱以及单样本与
这些光谱的光谱距离，将距离小于前30%的多边形作为相似多边形，然后在相似多边形内部
搜索样本，具体操作为计算单样本与相似多边形内所有像素的光谱距离，当SAM的值小于阈
值θ1时，赋予sj与si同类的标签，将其加入训练样本集。通过此步骤能够丰富训练样本，解决
样本数量不足的问题。在此实施例中，光谱阈值θ1设置为0.01。
找到单样本所在的多边形，计算该多边形内部所有像素点与单样本的光谱距离SAM，将距离
小于前10%的像素点作为新的扩充样本点。然后计算其他多边形的平均光谱以及单样本与
这些光谱的光谱距离，将距离小于前30%的多边形作为相似多边形，然后在相似多边形内部
搜索样本，具体操作为计算单样本与相似多边形内所有像素的光谱距离，当SAM的值小于阈
值θ1时，赋予sj与si同类的标签，将其加入训练样本集。通过此步骤能够丰富训练样本，解决
样本数量不足的问题。在此实施例中，光谱阈值θ1设置为0.01。
[0063] 本实施例中，分类器识别模型具体采用支持向量机(SVM）分类器，此外也可以根据需要采用其他类型的机器学习分类器。利用扩充后的样本训练像素级的分类器识别模型
时，采用扩充后的样本集作为输入，训练像素级识别模型，在此实施例中，选择支持向量机
（SVM）作为分类器。SVM是高光谱图像地物识别任务中一种常用的机器学习地物识别模型，
它的基本想法是通过选定的核函数将输入特征映射到一个高维特征空间，求解能够正确划
分训练数据集并且几何间隔最大的分离超平面。在SVM的过程中，采用多次交叉验证获得模
‑5 5 ‑2 4
型参数，使用的是高斯核，高斯核的宽度范围在2 ∼2之间，惩罚因子的范围在10 ∼10 之
间。
时，采用扩充后的样本集作为输入，训练像素级识别模型，在此实施例中，选择支持向量机
（SVM）作为分类器。SVM是高光谱图像地物识别任务中一种常用的机器学习地物识别模型，
它的基本想法是通过选定的核函数将输入特征映射到一个高维特征空间，求解能够正确划
分训练数据集并且几何间隔最大的分离超平面。在SVM的过程中，采用多次交叉验证获得模
‑5 5 ‑2 4
型参数，使用的是高斯核，高斯核的宽度范围在2 ∼2之间，惩罚因子的范围在10 ∼10 之
间。
[0064] 本实施例中，步骤4）用于利用训练好的分类器识别模型对降维图像进行识别，得M×N×L
到逐像素的初始识别结果。具体的，采用降维后的图像S∈R 作为输入，使用训练好的
SVM分类器对S进行识别，在识别过程中，SVM将每个像素的光谱特征映射到预先得到的高维
特征空间，根据特征在空间中的分布判断其代表的地物类别。
到逐像素的初始识别结果。具体的，采用降维后的图像S∈R 作为输入，使用训练好的
SVM分类器对S进行识别，在识别过程中，SVM将每个像素的光谱特征映射到预先得到的高维
特征空间，根据特征在空间中的分布判断其代表的地物类别。
[0065] 本实施例中，步骤5）包括：将初始识别结果分别映射到多尺度分割图上，分别在不同尺度上统计每个多边形内部类别标签的数量和占比，当数量最多的类别占比满足设定的
阈值θ2时，将整个多边形内的像素重新标记为该类别，从而得到多尺度的优化结果。在上述
识别过程中，特征的选取较为单一，仅利用了光谱信息，在初始识别结果中，会存在类似“噪
声”分布的误分样本，故需要进一步优化。在此实施例中，光谱阈值θ2设置为0.8。
阈值θ2时，将整个多边形内的像素重新标记为该类别，从而得到多尺度的优化结果。在上述
识别过程中，特征的选取较为单一，仅利用了光谱信息，在初始识别结果中，会存在类似“噪
声”分布的误分样本，故需要进一步优化。在此实施例中，光谱阈值θ2设置为0.8。
[0066] 本实施例中，步骤6）包括：针对多尺度的优化结果，统计每个尺度为j时对应优化结果中的第i个像素Pij所属的类别，将出现概率最大的地物类别标签作为该像素最终的标
*
签，将对整幅图像进行此操作得到的结果作为最终的识别结果R ，采用公式表示为：
*
签，将对整幅图像进行此操作得到的结果作为最终的识别结果R ，采用公式表示为：
[0067]
[0068] 上式中，多尺度优化结果R=(R1, R2,…, RM)；α表示不同的地物类别，且α=(1,2,…,c)，c是地物类别总数。
[0069] 为了对本实施例方法进行验证，本实施例中采用公开数据集Salinas对本发明的方法进行测试。公开数据集Salinas通过AVIRIS高光谱传感器系统在美国加利福尼亚州的
Salinas山谷上空拍摄获取，该数据空间大小为512像素×217像素，空间分辨率为3.7米/像
素，除去受噪声干扰波段和水吸收波段后，将剩余的204个光谱波段用于后续识别任务。此
外，该数据一共包含16种地物类别。在公开数据集Salinas上进行测试，采用OA、AA、Kappa系
数三个常用的客观评价指标评估不同算法性能，对比的算法包括PCA‑EPF、MSTV、GTR、RPNET
以及PKCRCAWG。每类地物的初始训练样本数均为1，得到的识别结果表格如图4所示。参见图
4可以看出，本实施例方法在OA、AA、Kappa系数三个客观评价指标均取得了最高值，即本实
施例方法能够取得最佳的识别精度，与其他方法相比提升了2～10个百分点。此外，图3展示
了本实施例方法的识别结果，从中可以看出使用本实施例方法能够有效扩充样本，并且通
过多尺度优化在一定程度上消除了误分样本、优化了农田边界，进一步提升了识别精度和
视觉效果。
Salinas山谷上空拍摄获取，该数据空间大小为512像素×217像素，空间分辨率为3.7米/像
素，除去受噪声干扰波段和水吸收波段后，将剩余的204个光谱波段用于后续识别任务。此
外，该数据一共包含16种地物类别。在公开数据集Salinas上进行测试，采用OA、AA、Kappa系
数三个常用的客观评价指标评估不同算法性能，对比的算法包括PCA‑EPF、MSTV、GTR、RPNET
以及PKCRCAWG。每类地物的初始训练样本数均为1，得到的识别结果表格如图4所示。参见图
4可以看出，本实施例方法在OA、AA、Kappa系数三个客观评价指标均取得了最高值，即本实
施例方法能够取得最佳的识别精度，与其他方法相比提升了2～10个百分点。此外，图3展示
了本实施例方法的识别结果，从中可以看出使用本实施例方法能够有效扩充样本，并且通
过多尺度优化在一定程度上消除了误分样本、优化了农田边界，进一步提升了识别精度和
视觉效果。
[0070] 此外，本实施例还提供一种多边形结构引导的高光谱图像单样本识别系统，包括相互连接的处理器和存储器，该处理器被编程或配置以执行前述多边形结构引导的高光谱
图像单样本识别方法的步骤。
图像单样本识别方法的步骤。
[0071] 此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述多边形结构引导的高光谱图像单样本识别方法的计算机程序。
[0072] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机
可读存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产
品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程
图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流
程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工
作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的
制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框
中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使
得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计
算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方
框图一个方框或多个方框中指定的功能的步骤。
施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机
可读存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产
品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程
图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流
程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工
作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的
制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框
中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使
得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计
算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方
框图一个方框或多个方框中指定的功能的步骤。
[0073] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域
的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也
应视为本发明的保护范围。
的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也
应视为本发明的保护范围。