[發(fā)明專(zhuān)利]一種基于多目標(biāo)免疫克隆的高光譜圖像分類(lèi)和波段選擇的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410105055.9
• 申請(qǐng)日: 2014-03-20
• 公開(kāi)（公告）號(hào): CN103914705B
• 公開(kāi)（公告）日: 2017-02-15
• 發(fā)明（設(shè)計(jì)）人: 張向榮;焦李成;李玉芳;袁永福;李陽(yáng)陽(yáng);馬文萍;馬晶晶;侯彪
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 西安智萃知識(shí)產(chǎn)權(quán)代理有限公司61221
• 代理人: 李東京

1.一種基于多目標(biāo)免疫克隆的高光譜圖像分類(lèi)和波段選擇的方法，其特征在于，包括如下步驟：

（1）利用稀疏表示分類(lèi)器對(duì)高光譜遙感圖像進(jìn)行分類(lèi)得到基于像素的分類(lèi)圖；

（2）利用均值漂移聚類(lèi)對(duì)高光譜遙感圖像進(jìn)行預(yù)分割，得到圖像超像素，把預(yù)分割后的圖像經(jīng)過(guò)多目標(biāo)免疫克隆聚類(lèi)和波段選擇算法進(jìn)行分割得到多個(gè)聚類(lèi)結(jié)果，然后從這些聚類(lèi)結(jié)果中選出最優(yōu)的聚類(lèi)結(jié)果組成最終分割圖，是通過(guò)如下步驟進(jìn)行的：

2a）對(duì)高光譜圖像數(shù)據(jù)進(jìn)行均值漂移聚類(lèi)得到高光譜圖像的分塊圖；

2b）由步驟2a）中得到的分塊圖作為多目標(biāo)免疫克隆聚類(lèi)和波段選擇算法的輸入得到多個(gè)聚類(lèi)結(jié)果；

2c）從步驟2b）中得到的多個(gè)聚類(lèi)結(jié)果中選出一個(gè)最優(yōu)的聚類(lèi)結(jié)果構(gòu)成分割圖；

（3）利用最大投票規(guī)則融合步驟（1）中得到的分類(lèi)圖和步驟（2）得到的分割圖獲得最后的分類(lèi)結(jié)果圖，即對(duì)分割圖中的每一個(gè)區(qū)域，在分類(lèi)圖中對(duì)應(yīng)該區(qū)域內(nèi)樣本多數(shù)所屬的類(lèi)別作為該區(qū)域內(nèi)所有樣本的類(lèi)別，得到最后的結(jié)果圖。

2.根據(jù)權(quán)利要求1所述的基于多目標(biāo)免疫克隆的高光譜圖像分類(lèi)和波段選擇的方法，其特征在于，其中步驟（1）中所述的分類(lèi)圖按如下步驟進(jìn)行：

將高光譜遙感圖像分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，圖像的每一個(gè)像素點(diǎn)為一個(gè)樣本，每個(gè)樣本用一個(gè)特征向量表示，選用樣本的特征維數(shù)為D，該高光譜圖像包含c類(lèi)像素點(diǎn)，訓(xùn)練樣本集為A=[A₁,A₂,…A_c]，其中第i類(lèi)的訓(xùn)練樣本集為n_i表示該類(lèi)的訓(xùn)練樣本數(shù)，a_i,j是第i類(lèi)訓(xùn)練樣本集A_i中的第j個(gè)樣本，它是一個(gè)D維的數(shù)據(jù)，y∈R^D表示一個(gè)測(cè)試樣本，R^D是指D維的實(shí)數(shù)域空間；

1）利用高光譜圖像的訓(xùn)練樣本A求解最小化問(wèn)題：

其中，α是未知的稀疏向量，γ是一個(gè)標(biāo)量常數(shù)，是使得最小的α的值；

2）根據(jù)步驟1）得到的計(jì)算殘差其中是第i類(lèi)的系數(shù)向量；

3）根據(jù)步驟2）中得到的e_i，計(jì)算測(cè)試樣本y的類(lèi)標(biāo)，即把使得e_i最小的對(duì)應(yīng)的類(lèi)別i當(dāng)做y的類(lèi)標(biāo)；

4）根據(jù)步驟3）中得到的測(cè)試樣本的類(lèi)標(biāo)以及已知的訓(xùn)練樣本的類(lèi)標(biāo)組成分類(lèi)圖。