[發明專利]一種基于空譜局部性低秩超圖學習的高光譜圖像分類方法

有效

• 申請號: 201610134494.1
• 申請日: 2016-03-09
• 公開（公告）號: CN105787516B
• 公開（公告）日: 2019-07-16
• 發明（設計）人: 劉青山;孫玉寶;杭仁龍;王素娟
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 江蘇愛信律師事務所 32241
• 代理人: 唐小紅

本發明公開了一種基于空譜局部性低秩超圖學習的高光譜圖像分類方法，屬于圖像信息處理技術領域。本發明方法包括以下步驟：輸入高光譜數據集，組成光譜特征矩陣X；設置相關參數，融入空譜局部性約束，構建空譜局部性約束的低秩表示模型；設置相關參數，使用交替方向乘子算法開始迭代求解；根據低秩表示模型中系數矩陣Z構建空譜局部性低秩超圖；設置相關參數，建立半監督超圖學習模型；設置相關參數，迭代求解半監督超圖模型，輸出光譜特征數據集X的分類結果矩陣F^*。本發明設計了半監督超圖學習算法應用于最后的高光譜圖像分類。相對于其他較為先進的方法，本發明的分類效果更好，并且對噪聲和圖像退化的魯棒性更高。

技術領域

本發明涉及圖像信息處理技術領域，尤其涉及一種基于空譜局部性低秩超圖學習的高光譜圖像分類方法。

背景技術

遙感成像已經廣泛應用于各個領域，包括環境監測、城市規劃、重大災害管理以及精準農業應用之中。大部分應用中，基于像素級別的遙感圖像分類都是最先步驟。但是遙感圖像自動分類仍然是極具挑戰的問題。首先，在圖像獲取過程中，存在各種成像退化因素，比如由傳感器，光子效應和校準誤差引起的噪聲干擾、條紋腐蝕和數據缺失。其次，由于電磁譜較窄的波段中進行了密集的光譜采樣，所以高維度的光譜特征間會存在高度相關性。再次，遙感成像有很強的空譜一致性，這樣光譜或空間域中鄰近像素點很可能屬于同一類。最后，樣本集中通常既有一定數量的已標記類別的樣本，又有很多未標記類別的樣本。

現有的文獻中存在很多針對上述問題的解決方法，但是大多數都是圍繞特征表示方面的，獨立成分分析(ICA)被用來提取獨立的成分以表示遙感圖像中的樣本。作為一種非監督特征提取方法，ICA方法忽略了已標記樣本所包含的信息。為了解決這個問題，Fisher線性判別分析(LDA)被用于學習樣本具備識別力的表示。它的目的在于尋求一種具有判別力的向量，可以使得類間距離與類內距離比例最大化。非參數加權特征提取是LDA的創新點。它提出了強調類分布邊界之間的可分性一個新的標準。而且，在沒有足夠的訓練樣本時，為了充分使用未標記樣本，多個文獻中同時提出了半監督的LDA方法。廖等人在使得已標記樣本類別之間距離最大化時，設計了一種優化目標矩陣來保留未標記樣本的局部鄰近信息。最近，據觀測知，屬于同一類別的樣本，大約都存在于同個低維子空間中，所以稀疏編碼通過給定字典的一些原子被成功用于學習最初樣本的稀疏表示。同樣地，低秩表示(LRR)被應用于高光譜圖像復原中。

還有一些關于分類器設計的工作。在過去的幾十年中，核方法尤其是支持向量機(SVMs)介于多重優勢，比如對數據維數敏感度較低以及對噪聲數據的魯棒性的優點，已被廣泛應用于遙感圖像的分類。最近，為了利用未標記樣本的信息，半監督分類器已被廣泛應用。一個主流方法是基于SVM分類器。為了同時最大化標記與未標記樣本邊界，一種直推式SVM方法由此提出。此外，一種復合半監督SVM方法將先進的半監督SVM方法和空譜混合核函數相結合，從而提高訓練階段只有少量訓練樣本時的可靠性。另一個主流的半監督分類器是基于圖模型的。該方法中，每個樣本將自己的標記信息傳遞給它的鄰近樣本直到整個數據集達到全局穩定狀態。有的科研工作者采用k鄰近方法(KNN)構建半監督圖模型，并且使用復合核來計算圖每邊的權重。圖模型也可以與SVM分類器相結合，有人把非正則圖的拉普拉斯矩陣融入SVM中，產生拉普拉斯SVM方法。除了上述兩種主流方法，還存在許多其他半監督分類器。比如經典的協同訓練算法用標記樣本訓練了兩個分類器，然后以高可靠度選擇未標記樣本來單獨訓練其他分類器。還有一種半監督自學習方法將已有的主動學習算法適應自學習框架，該框架中機器學習算法選擇最有用和信息量最為豐富的未標記樣本以實現分類的目的。

本發明針對高光譜圖像分類，公開了一種基于空譜局部性低秩超圖學習的方法。該方法為了保留局部流形結構，將局部性約束融入低秩表示模型(LRR)，鑒于空間信息在分類效果中起著重要作用，本發明通過空譜相似性引入局部性約束。同時為了充分利用未標記樣本所包含的信息，本專利采用半監督分類器進行最后的分類。由于高光譜遙感圖像的空譜信息聯合的特點，二元關系不足以描述樣本間的關系，不然會使得有用信息流失，因此本專利還采用了超圖模型來描述樣本間的空譜聯合關系以獲得更好的分類效果。