[發明專利]一種利用空間關系的遙感圖像字典學習分類方法

有效

• 申請號: 201910711662.2
• 申請日: 2019-08-02
• 公開（公告）號: CN110414616B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 甘樂;詹德川
• 申請（專利權）人: 南京大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/772;G06V10/77
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 李玉平

1.一種利用空間關系的遙感圖像字典學習分類方法，其特征在于，包括如下步驟：

步驟100，對整幅遙感圖像逐像元遍歷，并對每個像元執行空間近鄰提取操作，獲得每個像元空間鄰域集；

步驟101，對每個p-鄰域集進行局部空間關系特征抽取，獲得每個像元對應的局部近鄰特征；

步驟102，利用訓練數據的總重構誤差最小準則構建基于空間關系的字典學習模型；

步驟103，利用流數據通過在線字典更新機制訓練最優字典集；

步驟200，利用學習得到的最優字典集獲取對各像元基于局部近鄰區域聯合表示，獲取各p-鄰域集的稀疏判別系數特征；

步驟201，選取部分標注樣本，利用稀疏判別系數特征訓練線性支持向量機機，并利用學習得到模型實現對遙感圖像分類；

所述步驟100對整幅遙感圖像逐像元遍歷，并對每個像元執行空間近鄰提取操作的具體方法為：根據影像空間分辨率的特點，確定局部近鄰窗口，對影像任一像元y_i獲取其對應p-鄰域集Y_G,i＝[y_i,0,y_i,1,...,y_i,p]，其中y_i,0表示窗口中心像元，即當前像元y_i，y_i,j表示與中心像元相關聯的第j個空間近鄰像元；

所述步驟101對每個p-鄰域集進行局部空間關系特征抽取，獲得每個像元對應的局部近鄰特征的具體方法為：首先，在每個p-鄰域集上利用高斯核函數確定中心像元同各近鄰像元之間相似性，即

其中，表示中心像元y_i同其第j個空間近鄰像元y_i,j之間的自適應權重，σ表示高斯核頻帶寬度，并對中心像元權重參數作歸一化處理，即其后，根據局部自適應權重得到各p-鄰域集的局部近鄰自適應特征

步驟102，利用訓練數據的總重構誤差最小準則構建基于空間關系的字典學習模型的具體方法為：假定一組訓練數據利用訓練數據的各p-鄰域集蘊含的空間關系信息，根據訓練數據總重構誤差最小準則，構建基于局部近鄰區域聯合表示的字典學習模型，具體公式如下：

其中，表示基于局部近鄰特征的字典集，其初始狀態由每類選取相同數目地物特征構成；α_i表示基于字典的稀疏編碼系數，S(α_i)表示稀疏正則化約束項；

所述步驟103利用流數據通過在線字典更新機制訓練最優字典集的具體做法為：將訓練數據劃分成流數據形式，利用在線兩步優化策略，依次交替進行基于局部近鄰區域聯合稀疏編碼與字典更新，從流數據中學習得到最優字典集；其中，稀疏編碼階段利用上一次迭代訓練得到的字典集計算當前的編碼系數α_t，具體公式表達如下：

上述函數通過基于l₁-范數約束的稀疏優化問題求解，具體優化方法包括最小角回歸法和交替方向乘子法；當獲得編碼系數α_t后，當前迭代字典集通過如下公式近似求解得到：

其中，統計矩陣和存儲基于局部近鄰區域聯合表示的字典學習模型先前迭代的已有信息；字典更新對應優化問題通過塊坐標下降算法求解；當滿足算法停止準則后，訓練獲得的最優字典即為當前迭代對應字典

2.如權利要求1所述的利用空間關系的遙感圖像字典學習分類方法，其特征在于，所述步驟200利用學習得到的最優字典集獲取對各像元基于局部近鄰區域聯合表示的具體做法為：基于訓練過程中訓練得到的最優字典由下述基于局部近鄰區域聯合編碼模型獲得遙感圖像上任意像元對應空間p-鄰域集關聯的特征對應編碼系數α，即稀疏判別編碼特征，具體求解公式如下：

3.如權利要求1所述的利用空間關系的遙感圖像字典學習分類方法，其特征在于，所述步驟201，利用稀疏判別系數特征訓練線性支持向量機，并利用學習得到模型實現對遙感圖像分類的具體做法為：每類隨機選取部分標注樣本，基于稀疏判別系數特征訓練線性支持向量機模型，并根據學習得到模型對圖像各像元關聯的稀疏判別系數特征進行分類。