多光谱图像数据分析和挖掘方法

多光谱图像数据分析和挖掘方法
【技术领域】
[0001] 本发明设及一种数据存储和挖掘技术，尤其设及一种多光谱图像数据分析和挖掘 方法，属于多光谱图像处理领域。
【背景技术】
[0002] 针对遥感信息提取方法可比性，普适性，和通用性差的特点，应该按照一定标准建 立可W验证各类信息提取算法的图像库、纹理库、相关地表信息和知识数据库。
[0003] 首先，在建立基于高光谱信息的数据库时，其组织和建模必须满足如下的需求：能 够描述高光谱数据的图谱合一特性，将变化性很强的图像光谱维数据与图像空间维数据很 好地结合在一起，准确地刻画图像的时空特性；满足高光谱波段众多（高者达到数百波段， 纳米级的光谱分辨率），千兆量级的数据构成的海量存储需求；每个波段的数据都可能需 要单独提出，用作分析、计算，同时需要对光谱曲线进行提取分析。按照上述要求，在高光谱 数据库管理系统中，数据W记录（records)形式被永久保存，一条记录即一个对象实例，例 如一幅影像。不同表中记录不同的空间影像数据、光谱数据与属性数据，包括影像数据本 身、影像的特征信息、影像数据的属性信息等。在实际应用时，单纯将整幅影像作为一条记 录写入数据库中往往是不现实的，需要利用I/O并行性能，将元数据的基本信息W索引的 形式存储于数据库中，数据信息则存储为本地文件。并按照一定的规则对影像进行分块，实 现多分辨率和并行读取。

【发明内容】

[0004] 鉴于上述现有技术的不足之处，本发明的目的在于提供一种多光谱图像数据分析 和挖掘方法。
[0005] 为了达到上述目的，本发明采取了W下技术方案；相较于现有技术，本发明提供的 多光谱图像数据分析和挖掘方法，使用实体图像数据表，缩略图数据表与本地元数据的方 法来存储，使用其来读取任意相关数据文件中的光谱信息读取到内存中并显示倒序存储的 RGB像素。
[0006] 本发明提供另一种多光谱图像数据分析和挖掘方法，使用实体图像数据表，缩略 图数据表与本地元数据的方法来存储，使用其来读取任意相关数据文件中的光谱信息读取 到内存中并显示倒序存储的RGB像素；根据多光谱数据建立起来的数据库，其具体分析包 括W下步骤：
[0007] 步骤一、基础信息管理；包括目标的波谱数据、参数信息和景观照片的管理，具备 单个数据入库、修改、删除、查询，并根据查询结果显示相应的波谱曲线及景观照片；
[000引步骤二、数据预处理：包括数据格式转换、反射率计算、粗差检测与剔除、数据平滑 和纯光谱求混计算；
[0009]步骤=、可视化分析；通过多条曲线的叠加显示，对比分析同类地物或各类地物在 不同或相同环境下的光谱特征，其中背景光源根据用户需要进行改动；
[0010] 步骤四、光谱曲线特征分析与光谱匹配；包括光谱数据的归一化处理与分析、导数 光谱分析、光谱重采样，用W消除背景、光照及噪声对数据造成的影响，提取光谱典型特征， 用包络线、光谱角度匹配进行光谱匹配，分析诊断光谱，查找到与未知地物最为相近的匹配 曲线，W定位未知地物的名称及其属性；
[0011] 步骤五、从空间数据库中提取用户感兴趣的空间模型与特征，空间与非空间数据 的普遍关系，及其它一些隐含在数据库中的普遍的数据特征，通过决策树分类法、基于贝 叶斯概率的非监督分类法、人工神经网络、粗趟集方法、用于产生关联规则的方法等方法中 的一种或多种。
[0012] 本发明提供的一种多光谱图像数据分析和挖掘方法，向人们介绍了具体如何对海 量的多光谱图像数据进行分析和挖掘，如何建立相应的多光谱图像数据库，为人们提供了 明确的方法步骤和指导。
【具体实施方式】
[0013] 本发明提供一种多光谱图像数据分析和挖掘方法，为使本发明的目的、技术方案 及效果更加清楚、明确，W下参照附图并举实施例对本发明进一步详细说明。应当理解，此 处所描述的具体实施例仅用W解释本发明，并不用于限定本发明。
[0014] 实施例
[0015] 本实施例公开的多光谱图像数据分析和挖掘方法，包括。
[0016] 对于海量的高光谱数据图像，使用实体图像数据表，缩略图数据表与本地元数据 的方法来存储，可W使用其来读取任意相关数据文件中的光谱信息读取到内存中并显示倒 序存储的RGB像素。
[0017] 高光谱数据库部分核屯、表结构定义如下。
[001引 （1)高光谱元数据表HI_IMAGE
[0019] 存储高光谱影像的成像时间、地点、数据类型、行数、像元比特数、光谱范围、视场 角、瞬时视场角、波段数、光谱分辨率、帖速率、空间像元数等信息。其中，ImagelD为高光谱 影像标识，标识号唯一，为表Image的主关键词，数据类型为化iqueidentifier，用来区分 高光谱影像对象；
[0020]InterLeave为影像类型标识BSQ、BIP或BIL格式；
[0021] 化taType表示为高光谱影像数据编码结构，由字符和数字组成，编码意义由用户 定义。
[0022] FileType表示影像数据存储方式，可选有皿F4/5，TIFF，EnviW及bitmap图像数 据文件集，数据库系统根据文件类型不同选择不同的处理方式。
[0023]
[0024] (2)高光谱影像缩略图数据信息HI_ColorImage
[0025] 本地存储影像低分辨率数据及相关参数。其中，ImagelD为缩略图所对应的高光谱 数据标识号，为关键字；IstrueColor字段判定是来自全波段积分得到缩略图是取相关RGB 波段的伪彩色图像合成。
[0026] StrechCount表示缩略图的比例。
[0027] (3)目标光谱曲线信息表HI_S阳CTRUM
[002引存储目标光谱曲线信息。SpectrumID为光谱表示号，每个光谱对应的元数据标识 为ImagelD，对应元数据的像素位置用positionX，positionY存储，对应的光谱反射率存储 为SpectrumRefData，对应的DN值为SpectrmnDNData;因为光谱的反射率和DN值信息都是 W二进制的形式存储于表中的，在系统中应用该数据需要对信息进行序列化和反序列化： 其中把对象转换为字节序列的过程称为对象的序列化；把字节序列恢复为对象的过程称为 对象的反序列化。公共语言运行时（CLR)管理对象在内存中的分布，.NET框架则通过使用 反射提供自动的序列化机制。对象序列化后，类的名称、程序集W及类实例的所有数据成员 均被写入存储媒体中。对象通常用成员变量来存储对其他实例的引用。类序列化后，序列 化引擎将跟踪所有已序列化的引用对象，W确保同一对象不被序列化多次。.NET框架所提 供的序列化体系结构可W自动正确处理对象图表和循环引用。
[0029] 按照上述高光谱数据库设计，建立起高光谱数据库管理与分析系统，系统：
[0030] (1)基础信息管理；包括目标的波谱数据、参数信息和景观照片的管理，具备单个 数据入库、修改、删除、查询等功能，并根据查询结果显示相应的波谱曲线及景观照片。
[0031] (2)数据预处理；包括数据格式转换、反射率计算、粗差检测与剔除、数据平滑、纯 光谱求混计算等。
[0032] (3)可视化分析；通过多条曲线的叠加显示，对比分析同类地物或各类地物在不 同或相同环境下的光谱特征。背景光源根据用户需要进行改动。
[0033] (4)光谱曲线特征分析与光谱匹配；数据库实现了W下特征分析功能，如；光谱数 据的归一化处理与分析、导数光谱分析、光谱重采样等，用W消除背景、光照及噪声等因素 对数据造成的影响，提取光谱典型特征，用包络线、光谱角度匹配等方法进行光谱匹配，分 析诊断光谱，查找到与未知地物最为相近的匹配曲线，W定位未知地物的名称及其属性。数 据库设计（模式）是否支持应用系统的对象模型，该是判断是否是面向对象数据库系统的 基本出发点。由于应用系统设计在前，数据库设计随后，所W应用系统对象模型向数据库模 式的映射是面向对象数据库设计的关键。
[0034] 一般数据库设计多参照AN化/SPARC关于数据库模式的 3层标准结构提案。最接近 物理数据库的内部模式由DBMS提供的S化来描述。概念模式可W由若干个内部模式聚集而 成，它是由数据库用户规范的一些表的集合。一般的概念模式是数据库物理模式作用域的 边界，它能实现数据库的物理意义、特定DBMS的特殊操作对外部应用程序的信息隐蔽。外 部模式是从特定用户应用角度看待的数据库模式，从不同的应用出发对同一概念模式可W 给出多种不同的外部模式。当外部应用系统W对象模型进行抽象时，从各个应用出发抽象 出的对象模型可W映射到外部模型上，对此我们不妨称之为外部对象模型。但是，外部模型 只是概念模型的子集，所W面向对象的数据库设计核屯、在于系统对象模型（不妨称之为概 念对象模型）向数据库概念模型的映射。
[0035] 由于畑BMS是W二维表为基本管理单元的，所W对象模型最终是由二维表及表间 关系来描述的。换言之，对象模型向数据库概念模型的映射就是向数据库表的变换过程。有 关的变换规则简单归纳如下：
[0036] 一个对象类可W映射为一个W上的库表，当类间有一对多的关系时，一个表也可 W对应多个类。
[0037] 关系（一对一、一对多、多对多W及S项关系）的映射可能有多种情况，但一般映 射为一个表，也可W在对象类表间定义相应的外键。对于条件关系的映射，一个表至少应 有3个属性。
[003引单一继承的泛化关系可W对超类、子类分别映射表，也可W不定义父类表而让子 类表拥有父类属性；反之，也可W不定义子类表而让父类表拥有全部子类属性。对多重继承 的超类和子类分别映射表，对多次多重继承的泛化关系也映射一个表。
[0039] 对映射后的库表进行冗余控制调整，使其达到合理的关系范式。
[0040] 空间数据挖掘是指从空间数据库中提取用户感兴趣的空间模型与特征，空间与非 空间数据的普遍关系，及其它一些隐含在数据库中的普遍的数据特征，它是数据挖掘技术 在空间数据库方面应用的延伸，但是基于空间数据仓库的数据挖掘和基于一般空间数据库 的数据挖掘有着较大的不同。
[0041] 数据挖掘与知识发现的主要方法有走种：
[0042] (1)于决策树分类的ID3和C45方法；
[0043] ID3算法的核屯、是：在决策树各级结点上选择属性时，用信息增益 (in化rmationgain)作为属性的选择标准，W使得在每一个非叶结点进行测试时，能获得关 于被测试记录最大的类别信息。其具体方法是：检测所有的属性，选择信息增益最大的属性 产生决策树结点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立 决策树结点的分支，直到所有子集仅包含同一类别的数据为止。最后得到一棵决策树，它可 W用来对新的样本进行分类。
[0044] 某属性的信息增益按下列方法计算。通过计算每个属性的信息增益，并比较它们 的大小，就不难获得具有最大信息增益的属性。
[0045] ID3算法的优点是：算法的理论清晰，方法简单，学习能力较强。其缺点是；只对比 较小的数据集有效，且对噪声比较敏感，当训练数据集加大时，决策树可能会随之改变。
[0046]C4. 5算法继承了ID3算法的优点，并在W下几方面对ID3算法进行了改进：
[0047] (a)用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的 属性的不足；
[0048] 化）在树构造过程中进行剪枝；
[0049] (C)能够完成对连续属性的离散化处理；
[0化0] (d)能够对不完整数据进行处理。
[0化1] C4. 5算法与其它分类算法如统计方法、神经网络等比较起来有如下优点；产生的 分类规则易于理解，准确率较高。其缺点是；在构造树的过程中，需要对数据集进行多次的 顺序扫描和排序，因而导致算法的低效。此外，C4. 5只适合于能够驻留于内存的数据集，当 训练集大得无法在内存容纳时程序无法运行。
[0化2] (2)基于贝叶斯概率的非监督分类方法；
[0化引 （3)用于概括的AQ15和CN2方法；
[0化4] (4)解决不精确、不确定知识的粗趟集方法；
[0化5] (5)大量人工神经网络方法，如经典的反向传播算法、自组织映射算法等；
[0056] 做用于产生关联规则的方法；
[0057] (7)贝叶斯概率网络学习方法等。
[005引由于空间数据的关联特性，空间数据挖掘算法必须对传统挖掘算法加W拓展才能 更好地分析复杂的空间对象。空间数据挖掘的技术有空间关联、聚类、分类等算法，评价空 间数据挖掘方法主要看它的挖掘效率、与数据库的结合层度、与用户的交互能力W及发现 新知识的能力。
[0化9] 由于成像光谱仪得到的信息提取方法可比性，普适性，和通用性差，建立一个可W 验证各类信息提取算法的图像库、纹理库、相关地表信息和知识数据库是有必要的。
[0060] 一个高光谱数据库管理与分析系统由基础信息管理、数据预处理、可视化分析、光 谱曲线特征分析与光谱匹配等几方面构成。面向对象数据库系统能够更有效地实现数据提 取，应用系统对象模型向数据库模式的映射是面向对象数据库设计的关键。空间数据挖掘 是指从空间数据库中提取用户感兴趣的空间模型与特征是数据挖掘技术在空间数据库方 面应用的延伸。
[0061] 本发明提供的一种多光谱图像数据分析和挖掘方法，向人们介绍了具体如何对海 量的多光谱图像数据进行分析和挖掘，如何建立相应的多光谱图像数据库，为人们提供了 明确的方法步骤和指导。
[0062] 可W理解的是，对本领域普通技术人员来说，可W根据本发明的技术方案及其发 明构思加W等同替换或改变，而所有该些改变或替换都应属于本发明所附的权利要求的保 护范围。
【主权项】
1. 一种多光谱图像数据分析和挖掘方法，其特征在于：使用实体图像数据表，缩略图 数据表与本地元数据的方法来存储，使用其来读取任意相关数据文件中的光谱信息读取到 内存中并显示倒序存储的RGB像素。2. -种多光谱图像数据分析和挖掘方法，其特征在于：使用实体图像数据表，缩略图 数据表与本地元数据的方法来存储，使用其来读取任意相关数据文件中的光谱信息读取到 内存中并显示倒序存储的RGB像素；根据多光谱数据建立起来的数据库，其具体分析包括 以下步骤： 步骤一、基础信息管理：包括目标的波谱数据、参数信息和景观照片的管理，具备单个 数据入库、修改、删除、查询，并根据查询结果显示相应的波谱曲线及景观照片； 步骤二、数据预处理：包括数据格式转换、反射率计算、粗差检测与剔除、数据平滑和纯 光谱求混计算； 步骤三、可视化分析：通过多条曲线的叠加显示，对比分析同类地物或各类地物在不同 或相同环境下的光谱特征，其中背景光源根据用户需要进行改动； 步骤四、光谱曲线特征分析与光谱匹配：包括光谱数据的归一化处理与分析、导数光 谱分析、光谱重采样，用以消除背景、光照及噪声对数据造成的影响，提取光谱典型特征，用 包络线、光谱角度匹配进行光谱匹配，分析诊断光谱，查找到与未知地物最为相近的匹配曲 线，以定位未知地物的名称及其属性； 步骤五、从空间数据库中提取用户感兴趣的空间模型与特征，空间与非空间数据的普 遍关系，及其它一些隐含在数据库中的普遍的数据特征，通过决策树分类法、基于贝叶斯概 率的非监督分类法、人工神经网络、粗糙集方法、用于产生关联规则的方法等方法中的一种 或多种。
【专利摘要】本发明提供了一种多光谱图像数据分析和挖掘方法，使用实体图像数据表，缩略图数据表与本地元数据的方法来存储，使用其来读取任意相关数据文件中的光谱信息读取到内存中并显示倒序存储的RGB像素。本发明提供的一种多光谱图像数据分析和挖掘方法，向人们介绍了具体如何对海量的多光谱图像数据进行分析和挖掘，如何建立相应的多光谱图像数据库，为人们提供了明确的方法步骤和指导。
【IPC分类】G06T7/40, G06F17/30
【公开号】CN104881885
【申请号】CN201510216417
【发明人】励彩玲
【申请人】奉化科创科技服务有限公司
【公开日】2015年9月2日
【申请日】2015年4月27日