[發明專利]基于核Fisher自適應學習的高光譜遙感圖像端元分類方法

在審

• 申請號: 201310434441.8
• 申請日: 2013-09-23
• 公開（公告）號: CN104036298A
• 公開（公告）日: 2014-09-10
• 發明（設計）人: 劉訓非;吳冬燕;曹建東;吳振英
• 申請（專利權）人: 蘇州工業職業技術學院
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 呂書桁

技術領域

本發明涉及一種高光譜圖像分析方法，尤其涉及一種對高光譜遙感圖像端元的高分辨率分類方法。?

背景技術

高光譜遙感圖像是由幾十乃至數百個連續波段圖像組成的三維數據立方體，同時具備圖譜的特點，可有效提高了對地物的分類和監測能力，在軍事偵察、資源勘探、環境監測、災害評估等領域應用前景廣闊。硬件等因素制約著高光譜圖像的實際應用，表現為光譜空間分辨率高而空間分辨率相對較低的問題，為進一步提取圖像的形狀、紋理、空間關系和擴展形態剖面等特征。為提高圖像分辨率，需對端元進行分類以區分不同地物。目前常用的高光譜圖像端元分類算法可分為有監督和無監督算法，前者已知地物類屬判斷每個端元代表的地物類別的分類算法，而后者則未知地物種類純粹依靠光譜統計差異進行分類。常用的有分類方法包括光譜角填圖法、二進制編碼法、平行六面體方法、最小距離法以及最大似然法、IsoData方法和K-Means方法等方法。?

除了上述傳統的分類方法外，還有一些新的分類方法，如基于各種神經網絡、決策樹、支持向量機和專家系統等分類方法。?

然而，目前高光譜遙感圖像端元分類方法由于受到采集樣本的限制，用于高光譜遙感圖像端元分類的分類器不能獲得最大泛化能力，不能獲得最優圖像分辨率。?

發明內容

鑒于上述現有技術的不足和迫切需求，本發明的目的是提出一種基于核Fisher自適應學習的高光譜遙感圖像端元分類方法，解決目前高光譜遙感圖像分類方法存在分辨率低的問題。?

本發明的上述目的，其實現的技術解決方案是：基于核Fisher自適應學習的高光譜遙感圖像端元分類方法，其特征在于包括：?

步驟Ⅰ、對高光譜遙感圖像端元分類任務判斷結構變化與否的優化方法，若結構變化優化則跳轉執行步驟Ⅲ、若結構不變化優化則順序執行步驟Ⅱ；?

步驟Ⅱ、采用傳統核函數，然后利用Fisher準則和最大間隔準則獲得優化目標函數，再通過基于遺傳算法的自適應尋求算法對獲得的優化目標函數進行計算，獲得最優參數和不變結構的最優核函數，后接執行步驟Ⅳ；?

步驟Ⅲ、采用數據依賴核函數，然后利用全局流形保持設計準則獲得優化目標函數，再通過基于拉格朗日法的自適應尋求算法對獲得的優化目標函數進行計算，獲得數據依賴核參數和變結構的最優核函數，后接執行步驟Ⅳ；?

步驟Ⅳ、根據步驟Ⅱ所得不變結構的最優核函數或步驟Ⅲ所得變結構的最優核函數得到最優Fisher分類器，再對實測高光譜遙感圖像進行分類，獲得該高光譜遙感圖像的類別。?

進一步地，步驟Ⅱ獲得不變結構的最優核函數的過程為：i)，對核參數進行初始化，將初始化后的參數進行編碼后作為候選解；ii)，利用優化目標函數計算所述候選解的適應度，保留適應度大于或等于閾值的候選解，舍棄余下的候選解；iii)，對保留的候選解進行復制、交叉以及變異，生成新的候選解；iv)，對新的候選解進行解碼得到最優核化參數，進而獲得不變結構的最優核函數。?

進一步地，步驟Ⅲ獲得變結構的最優核函數的過程為：a)，利用高光譜遙感圖像訓練樣本集的標注信息，擴展數據依賴核函數，然后求得所述數據依賴核函數與已知基礎核函數的關系，并求得所述數據依賴核函數的Fisher度量表達式，建立以該數據依賴核函數參數為自變?量的Fisher度量函數；b)，根據訓練樣本集的標注信息進行優化目標函數設計，建立一個用于求解最優數據依賴核參數的約束方程；c)，利用循環迭代法對所述約束方程進行計算，獲得以訓練樣本集為變量的最優解表達式，然后將訓練樣本集代入所述最優解表達式，計算獲得自適應參數，進而獲得變結構的最優核函數。?

應用本發明高光譜遙感圖像端元分類的技術方案，其較之于現有技術方法的顯著效果體現于：能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的分辨率，能夠應用于地形軍事目標偵察、高效的戰事打擊效果評估、海軍潛艇實時海上環境監測、突發自然災害的應急響應技術領域。?

附圖說明

圖1是本發明高光譜遙感圖像端元分類方法的主體流程圖。?

圖2是圖1所示端元分類方法步驟Ⅱ中獲得不變結構最優核函數的具體過程流程圖。?

圖3是圖1所示端元分類方法步驟Ⅲ中獲得變結構最優核函數的具體過程流程圖。?

圖4a和圖4b分別為內在圖的正約束圖與k最近鄰圖。?

圖4c和圖4d分別為懲罰圖的負約束圖與非k最近鄰圖。?

具體實施方式