一種基于核低秩表示圖和空間約束的高光譜圖像分類方法
【專利摘要】本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體提供了一種基于核低秩表示圖和空間約束的高光譜圖像分類方法，其實(shí)現(xiàn)步驟是：(1)把高光譜圖像所有已知標(biāo)簽的樣本作為訓(xùn)練樣本，未知標(biāo)簽的樣本用作測(cè)試樣本，按訓(xùn)練樣本在前測(cè)試樣本在后構(gòu)造樣本集；(2)對(duì)樣本集進(jìn)行列歸一化并作核空間映射；(3)對(duì)核映射后的樣本集作低秩表示得到低秩表示圖；(4)構(gòu)造樣本集的空間信息圖；(5)把低秩表示圖和空間信息圖加和構(gòu)成新的圖；(6)按照?qǐng)D保持標(biāo)準(zhǔn)方法得到測(cè)試樣本的類別標(biāo)簽。本發(fā)明主要解決現(xiàn)有方法中訓(xùn)練樣本較少時(shí)分類精度較低的不足，同時(shí)合理的考慮高光譜圖像自身的特點(diǎn)結(jié)合空間信息可以得到比較好的分類結(jié)果，采用核低秩的方法有更好的魯棒性和準(zhǔn)確率。
【專利說(shuō)明】-種基于核低秩表示圖和空間約束的高光譜圖像分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及半監(jiān)督圖的高光譜圖像分類方法，可用于少 量標(biāo)記樣本的情況下完成高光譜圖像的分類，具體是一種基于核低秩表示圖和空間約束的 高光譜圖像分類方法。

【背景技術(shù)】
[0002] 成像光譜技術(shù)（Imaging Spectroscopy)是二十世紀(jì)八十年代以測(cè)譜學(xué) (Spectroscopy)為基礎(chǔ)在遙感界發(fā)展起來(lái)的新型研究領(lǐng)域，傳感器的光譜分辨率在1(Γ 2 λ 的遙感稱為高光譜（Hyperspectral)遙感，在可見(jiàn)光到近紅外光譜區(qū)其波段多達(dá)數(shù)十至數(shù) 百個(gè)。高光譜遙感可以利用很多很窄的電磁波波段從感興趣的物體獲取有關(guān)數(shù)據(jù)，將圖像 維信息與光譜維信息有機(jī)的融合在一起，在獲取地表空間圖像同時(shí)也可以獲得各地物的連 續(xù)光譜信息，從而可以根據(jù)地物光譜特征進(jìn)行地物成份信息反演與地物識(shí)別。
[0003] 高光譜遙感幾個(gè)重要的處理技術(shù)為降維、目標(biāo)探測(cè)、變化檢測(cè)與分類技術(shù)，高光譜 遙感實(shí)現(xiàn)了捕獲地物的光譜特征同時(shí)又不失其整體形態(tài)及其與周圍地物的關(guān)系，高光譜技 術(shù)產(chǎn)生的一組圖像所提供的豐富信息可以顯著地提高分析的質(zhì)量、細(xì)節(jié)性、可靠性以及可 信度。一般地，高光譜地物分類可以從三個(gè)方面入手：圖像空間、光譜空間和特征空間：圖 像空間反映了不同地物的分布和變化情況，圖像是地物最直觀的表示，地物的各個(gè)像元對(duì) 應(yīng)的光譜波段組成了光譜空間，不同地物有不同光譜特征，利用該方法對(duì)區(qū)域進(jìn)行探測(cè)與 處理；高光譜數(shù)據(jù)通常維數(shù)在上百維，特征空間更有利用目標(biāo)探測(cè)及數(shù)據(jù)處理。
[0004] 在分類算法方面，傳統(tǒng)的基于統(tǒng)計(jì)和模式識(shí)別的分類方法包括無(wú)監(jiān)督分類和有 監(jiān)督分類，與常規(guī)遙感圖象的分類方法一樣直接應(yīng)用原始的高光譜遙感數(shù)據(jù)，其中無(wú)監(jiān)督 分類主要包括Fihser線性判別分類、貝葉斯（Byaes)判別分類（最大似然判別法）、決策 樹(shù)分類、模糊分類、神經(jīng)網(wǎng)絡(luò)分類等，常用的無(wú)監(jiān)督聚類算法有K-Means和動(dòng)態(tài)聚類方法 ISoDATA(Iterative Self Organizing Data Analysis Techniques Algorithm)〇
[0005] 高光譜遙感圖像實(shí)際應(yīng)用中的地物分類和預(yù)測(cè)，目前有監(jiān)督方法效果較好，有監(jiān) 督方法需要大量正確的訓(xùn)練樣本，即需要獲得地物的類別標(biāo)記，然而，在許多情況下，地物 標(biāo)記難以獲得，實(shí)地勘察要耗費(fèi)大量人力物力，在許多緊急的情況（例如山體滑坡，森林大 火，地震，洪水）下，獲得地物標(biāo)記是不可能的。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于核低秩表示圖和空 間約束的高光譜圖像分類方法，在有標(biāo)記樣本較少的時(shí)候，利用半監(jiān)督的思路實(shí)現(xiàn)較高精 度的高光譜圖像分類。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明提供的這種基于核低秩表示圖和空間約束的高光譜圖像 分類方法，包括如下步驟：
[0008] (1)采用高光譜圖像中所有已知標(biāo)簽的光譜向量作為訓(xùn)練樣本，按標(biāo)簽類別第1 類第2類直到第16類依次排列構(gòu)成有標(biāo)簽的樣本集合& = [xu, x21,. . . . x161]，所有未知標(biāo) 簽的光譜向量構(gòu)成測(cè)試樣本集合Xu = [xlu, x2u，--x16u]，其中，xu，i = 1，2,.. · 16代表已 經(jīng)標(biāo)簽的各類樣本集，xiu，i = 1，2,... 16代表未知標(biāo)簽的樣本集；
[0009] (2)對(duì)樣本集合X = Dyg進(jìn)行列歸一化，把矩陣X通過(guò)核映射至特征空間，得到 映射后的樣本集合X1;
[0010] (3)對(duì)映射后的樣本集合&作低秩表示，求解如下式子得到低秩系數(shù)矩陣Z :
[0011]

【權(quán)利要求】
1. 一種基于核低秩表示圖和空間約束的高光譜圖像分類方法，其特征在于：包含如下 步驟： (1) 采用高光譜圖像中所有已知標(biāo)簽的光譜向量作為訓(xùn)練樣本，按標(biāo)簽類別第1類第2 類直到第16類依次排列構(gòu)成有標(biāo)簽的樣本集合X1 = [Xll，x21，....X161]，所有未知標(biāo)簽的光 譜向量構(gòu)成測(cè)試樣本集合Xu = [xlu,x2u,--X16J，其中，xai= 1, 2,... 16代表已經(jīng)標(biāo)簽 的各類樣本集，xiu，i= 1，2,... 16代表未知標(biāo)簽的樣本集； (2) 對(duì)樣本集合X= [X1Xu]進(jìn)行列歸一化，把矩陣X通過(guò)核映射至特征空間，得到映射 后的樣本集合X1 ; (3) 對(duì)映射后的樣本集合X1作低秩表示，求解如下式子得到低秩系數(shù)矩陣Z:
其中E表示噪聲矩陣，Z為低秩系數(shù)矩陣，即低秩表示圖，
稱之為U1范數(shù)，I1*1 1?稱為矩陣的核范數(shù)，入（入> 0)是控制噪聲矩陣的參數(shù)，入按照 從1到10間隔1依次取值，按分類結(jié)果正確率最高的情況取值；求解方法采用非精確增廣 型拉格朗日乘子法； (4) 對(duì)于每個(gè)像素點(diǎn)，考慮其上下左右的位置關(guān)系，將該點(diǎn)與其對(duì)應(yīng)的四個(gè)位置的像素 點(diǎn)的關(guān)系設(shè)置為1，與其余點(diǎn)的關(guān)系設(shè)置為0,利用樣本的空間位置關(guān)系構(gòu)造樣本關(guān)系的空 間信息圖G; (5) 把低秩表示圖Z和空間信息圖G加和構(gòu)成圖W=Z+G; (6) 使用圖保持標(biāo)準(zhǔn)方法得到測(cè)試樣本的類別概率矩陣，選取類別概率矩陣每一列的 最大值，將最大值所在行的行標(biāo)作為測(cè)試樣本的類別，輸出測(cè)試樣本的類別標(biāo)簽。
2. 根據(jù)權(quán)利要求1所述的一種基于核低秩表示圖和空間約束的高光譜圖像分類方法， 其特征在于：其中步驟（2)所述的把矩陣X核映射至特征空間，即對(duì)X中任意兩個(gè)樣本Xi，\ 計(jì)算X1(Xi, Xj) =exp(_I I Xi-Xj I 12/2p2)，pGR，得到核映射的樣本集合X1，其中p是核映射 參數(shù)，P從〇. 1到1間隔〇. 1依次取值，通過(guò)實(shí)驗(yàn)分類結(jié)果正確率最高的一個(gè)選取。
3. 根據(jù)權(quán)利要求1所述的一種基于核低秩表示圖和空間約束的高光譜圖像分類方法， 其特征在于：其中步驟（3)所述的通過(guò)非精確增廣型拉格朗日乘子法來(lái)求解低秩系數(shù)矩 陣，按如下步驟進(jìn)行：
其中，J為等價(jià)矩陣，U為控制等價(jià)矩陣的固有參數(shù)，^2為拉格朗日乘子矩陣，tr(*) 為矩陣的跡函數(shù)，代表矩陣對(duì)角線元素的和，（*)1表示矩陣的轉(zhuǎn)置矩陣； (3b)初始化低秩系數(shù)矩陣Z和等價(jià)矩陣J為NXN的零矩陣，N表示樣本集合中樣本的 個(gè)數(shù)，將誤差矩陣E和兩個(gè)拉格朗日乘子矩陣Y1,Y2分別初始化為dXN的零矩陣，d表示樣 本的維數(shù)； (3c)將用于控制等價(jià)矩陣的固有參數(shù)初始化為y=KT6; (3d)更新等價(jià)矩陣，
，其中，|*|表示矩陣F范 數(shù)的平方； (3e)更新低秩矩陣，Z= (I+Xar1 (X1tX1-X1^p(X1tY1-Y2Vii),其中，I表示單位矩 陣，or1表示（*)的逆矩陣； (3f)更新誤差矩陣，
(3g)更新拉格朗日乘子矩陣
(3h)更新固有參數(shù)ii=min(I.IXy，IO6)，其中，min表示兩者中取較小值； (3i)判斷是否以下收斂條件是否滿足，若滿足，則終止，若不滿足，返回步驟（3d)，IX1-X1Z-ElI"< 10_8| |Z-J|I"<KT8 其中，11*1U表示矩陣的無(wú)窮范數(shù)。
4.根據(jù)權(quán)利要求1所述的一種基于核低秩表示圖和空間約束的高光譜圖像分類方法， 其特征在于：其中步驟（6)所述的使用圖保持標(biāo)準(zhǔn)方法得到測(cè)試樣本的類別概率矩陣按如 下步驟進(jìn)行： (4a)采用公式Dii =I：H導(dǎo)到對(duì)角矩陣D，其中，D表示對(duì)角矩陣的第i行第i列的 元素，i= 1，2, ...，N，表示所有樣本的總數(shù)，Wij表示相似度矩陣第i行第j列的元素，j= I, 2,. . . ,N； (4b)用對(duì)角矩陣的對(duì)應(yīng)元素減去相似度矩陣的對(duì)應(yīng)元素得到特征矩陣，即L=D-W，C=L+L* ； (4c)按照如下公式，生成初始的標(biāo)記樣本的標(biāo)簽矩陣：
其中，Yi (k)表示第i個(gè)樣本屬于第k類的概率； (4d)通過(guò)Yu = -Y7ClaCwI得到測(cè)試樣本集合的類別概率矩陣，其中，Yu表示測(cè)試樣本集 合的類別概率矩陣，Y1表示標(biāo)記樣本的初始標(biāo)簽矩陣，Clu表示將特征矩陣劃分成四個(gè)子矩 陣后的右上矩陣，C=表示將特征矩陣劃分成四個(gè)子矩陣后的右下矩陣的逆矩陣。
【文檔編號(hào)】G06K9/62GK104268556SQ201410465418
【公開(kāi)日】2015年1月7日 申請(qǐng)日期:2014年9月12日 優(yōu)先權(quán)日:2014年9月12日
【發(fā)明者】楊淑媛, 焦李成, 任宇, 劉芳, 劉紅英, 張向榮, 侯彪, 王爽, 程時(shí)倩, 馮志璽 申請(qǐng)人:西安電子科技大學(xué)