[發明專利]基于一種復合核函數的高光譜分類方法

有效

• 申請號: 201410386737.1
• 申請日: 2014-08-07
• 公開（公告）號: CN104200217B
• 公開（公告）日: 2017-05-24
• 發明（設計）人: 王立國;郝思媛;竇崢;趙春暉
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及的是一種高光譜圖像的分類方法，特別是基于一種新復合核函數的高光譜分類方法(Hyperspectral Image Classification Based on A New Composite Kernel)。

背景技術

近些年，衛星傳感器的發展提高了空間分辨率和光譜分辨率，同時也縮短了訪問時間，進而為高光譜分類方法的發展創造了條件。神經網絡分類器，K近鄰分類器，貝葉斯分類器，決策樹分類器以及基于核的分類器等已經廣泛地應用于高光譜領域，其中基于核函數的分類方法得到越來越多的關注。支持向量機(Support Vector Machine,SVM)是最為典型的基于核函數的分類方法，在處理有限的高維訓練樣本時，依然可以取得良好的分類性能，使得其在高光譜分類中占有一定的地位。鑒于實際數據的多源性且表達方式的多樣性，傳統的單核已不足以滿足實際需求。近十多年里，多核學習(Multiple Kernel Learning,MKL)技術得到了關注和發展，主要從四個方面進行改進：1)多核學習策略的改進；如Rakotomamonjy等提出的簡單多核學習(Simple-MKL)，其使用梯度下降法來解決多核學習問題。2)參數優化的改進；Li等提出不使用任何凸約束項的參數優化方式。3)多個核函數結合方式的改進；如Xia等利用了boosting的結合方式。4)快速策略的改進；如Gu等人提出高光譜分類的代表性多核學習。最為常見的多核學習方法為混合核函數(Mixture Kernels,MKs)，即將多個核函數線性加權求和，該核函數的有效性已經得到了驗證且廣泛地應用于高光譜分類領域。但是其在訓練過程中，參數優化所消耗的時間卻也是巨大的。

發明內容

本發明的目的在于提供一種可以更好的描述數據集的分布特征，且分類精度相對較高，參數優化所消耗的時間相對較短的基于一種復合核函數的高光譜分類方法。

本發明的目的是這樣實現的：

步驟1：輸入一幅高光譜圖像，類別數為N；

步驟2：以支持向量機為基分類器，同時從所述高光譜圖像每個類別中隨機地選取s個樣本組成訓練集，剩余樣本組成測試集，確定各參數的變化范圍，然后結合K次交叉驗證確定支持向量機的最優性能參數，包括懲罰因子和核參數；

步驟3：利用復合核構建策略，構造復合核函數，對支持向量機進行訓練；

步驟4：利用訓練過程得到的支持向量機判決函數的參數，循環N次，進而得到測試集屬于每類別的判決函數值，組成矩陣其中n_test表示測試樣本的個數；

步驟5：確定多分類器策略，即找到矩陣每列的最大值，其行序號對應每個測試樣本的預測標簽，i＝1,...,n_test。

本發明的特點在于：

1、參數設置過程中基分類器的選擇可以使用其他基于核的分類器代替支持向量機。

2、參數設置過程中最優性能參數的確定，是采用網格搜索和K次交叉驗證相結合的方式。

3、訓練過程中復合核函數的構建是通過多次非線性映射而得到的，計算如下：

K₁(x,z)＝φ₁(x)·φ₁(z)

K₂(x,z)＝φ₂[φ₁(x)]·φ₂[φ₁(z)]

K_M(x,z)＝φ_M[φ_M-1(x)]·φ_M[φ_M-1(z)]

其中K_M(x,z)表示樣本x和z的核函數，φ_M表示第M次非線性映射函數。φ_M可以是高斯映射，多項式映射或是其他非線性映射，且當M＝2時，基于該復合核函數分類器的分類性能可達到收斂狀態。

4、當M＝2時，復合核函數的參數優化時間要遠小于傳統的混合核函數的參數優化時間。

基于上述特點，本發明提出的基于一種新復合核函數的高光譜分類方法具有可以更好的描述數據集的分布特征，且分類精度相對較高等特點。與此同時，其參數優化所消耗的時間相對于傳統多核學習方法也相對較短。

附圖說明

圖1為本發明的基于一種復合核函數的高光譜分類方法流程圖。

圖2a-圖2b為高光譜圖像Indian Pines，其中：圖2a為灰度圖、圖2b為參考地物類別。