[發(fā)明專利]基于奇異值分解和鄰域空間信息的高光譜影像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610044303.2
• 申請(qǐng)日: 2016-01-22
• 公開(kāi)（公告）號(hào): CN105740884B
• 公開(kāi)（公告）日: 2019-06-07
• 發(fā)明（設(shè)計(jì)）人: 廖文超;張斌;朱述龍
• 申請(qǐng)（專利權(quán)）人: 廈門理工學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 廈門市精誠(chéng)新創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 35218
• 代理人: 方惠春

本發(fā)明公開(kāi)一種基于奇異值分解和鄰域空間信息的高光譜影像分類方法，步驟是：輸入每一類的訓(xùn)練樣本矩陣，并對(duì)訓(xùn)練樣本矩陣進(jìn)行奇異值分解，得到第j類訓(xùn)練樣本對(duì)應(yīng)的右奇異矩陣；對(duì)于訓(xùn)練樣本矩陣中的數(shù)據(jù)，利用最小二乘方法計(jì)算其對(duì)應(yīng)每一類別的殘差，并比較該數(shù)據(jù)對(duì)應(yīng)每個(gè)類別的殘差大小，將其劃分到最小殘差對(duì)應(yīng)的類別中；如此重復(fù)，得到每一個(gè)訓(xùn)練樣本的類別，與其原有類別做對(duì)比，通過(guò)迭代比較，得到使訓(xùn)練樣本的分類正確率最高的參數(shù)，再對(duì)測(cè)試樣本矩陣中每個(gè)數(shù)據(jù)進(jìn)行分類，輸出分類結(jié)果矩陣。此種分類方法可提高分類精度，縮短分類時(shí)間，提升高光譜影像分類的自動(dòng)化水平。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及一種基于奇異值分解和鄰域空間信息的高光譜影像分類方法。

背景技術(shù)

大多數(shù)高光譜影像監(jiān)督分類方法需要足夠多的訓(xùn)練樣本來(lái)支持分類結(jié)果，如線性判別分析、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)等。樣本獲取往往需要耗費(fèi)大量的時(shí)間和金錢。支持向量機(jī)方法在小樣本的情況下也能獲得較高的分類精度，但是支持向量機(jī)需要選擇適合的核函數(shù)及其相應(yīng)的參數(shù)，不同的參數(shù)對(duì)分類結(jié)果往往影響較大，而通過(guò)交叉驗(yàn)證等手段獲得合適的參數(shù)往往需要消耗大量的訓(xùn)練時(shí)間。

發(fā)明內(nèi)容

本發(fā)明的目的，在于提供一種基于奇異值分解和鄰域空間信息的高光譜影像分類方法，其可提高分類精度，縮短分類時(shí)間，提升高光譜影像分類的自動(dòng)化水平。

為了達(dá)成上述目的，本發(fā)明的解決方案是：

一種基于奇異值分解和鄰域空間信息的高光譜影像分類方法，包括如下步驟：

步驟1，輸入每一類的m×n訓(xùn)練樣本矩陣其中，m為訓(xùn)練樣本個(gè)數(shù)，n為高光譜向量維數(shù)，j表示其對(duì)應(yīng)類別；同時(shí)輸入l×n測(cè)試樣本矩陣D_l×n，l為測(cè)試樣本數(shù)量；

步驟2，利用公式A_m×n＝U_m×rS_r×rV_r×n對(duì)訓(xùn)練樣本矩陣進(jìn)行奇異值分解，其中，U_m×r和V_r×n分別為左、右奇異矩陣，S_r×r為對(duì)角線元素為奇異值的奇異值矩陣；設(shè)定初始值r，r為整數(shù)，其取值范圍為0＜r≤min(m，n)，根據(jù)r的取值，從而計(jì)算得到第j類訓(xùn)練樣本的

步驟3，對(duì)于第i個(gè)訓(xùn)練樣本矩陣中的數(shù)據(jù)a_i×n，利用步驟2得到的對(duì)應(yīng)每個(gè)類別的采用最小二乘方法計(jì)算其對(duì)應(yīng)每一類別的殘差I(lǐng)_n×n為單位矩陣；比較該數(shù)據(jù)a_i×n對(duì)應(yīng)每個(gè)類別的殘差大小，將其劃分到最小殘差對(duì)應(yīng)的類別中；

步驟4，重復(fù)步驟3，得到每一個(gè)訓(xùn)練樣本的類別，與其原有類別做對(duì)比，計(jì)算當(dāng)前r對(duì)應(yīng)得到訓(xùn)練樣本的分類正確率，保留目前使正確率達(dá)到最大的r_max及各類然后將r加1，重復(fù)步驟2-4，在r的取值范圍內(nèi)，得到訓(xùn)練樣本的分類正確率最高的r_max及各類從而完成訓(xùn)練過(guò)程并轉(zhuǎn)至步驟5；

步驟5，對(duì)測(cè)試樣本矩陣D_i×n中第i個(gè)數(shù)據(jù)d_i×n進(jìn)行分類，1≤i≤l，其中e^j表示在每個(gè)類別中的殘差；

步驟6，重復(fù)步驟5，對(duì)測(cè)試樣本矩陣D_l×n中的每一條數(shù)據(jù)都進(jìn)行分類，輸出分類結(jié)果矩陣R_l×1。

上述步驟2中，r的取值為5，6，…，20，初始值為5。