[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

本發明公開一種利用空間關系的遙感圖像字典學習分類方法，包括如下步驟：首先將每個像元的p?鄰域集視為一個訓練單元，并對每個訓練單元進行空間關系信息提取與表達；然后引入局部近鄰空間關系信息構建基于局部近鄰區域聯合表示的字典學習模型，利用從各訓練單元抽取的特征借助在線字典更新機制訓練得到最優字典集。最后基于訓練得到的最優字典對各像元關聯的p?鄰域集進行稀疏編碼，并基于得到的稀疏判別系數特征和標注信息訓練線性支持向量機模型對未標注像元進行分類。本發明對遙感圖像局部近鄰區域像元進行聯合稀疏表達，使得構建的字典學習模型可以充分地感知圖像中潛在的空間關系信息，以達到對地物目標精確識別的目的。

技術領域

本發明涉及一種利用空間關系的遙感圖像字典學習分類方法，可用于復雜高光譜圖像場景下地表精細化解譯任務中，屬于遙感大數據智能解譯技術領域。

背景技術

當前，機器學習新方法、新模型在遙感圖像數據處理中已經成為熱點研究方向，稀疏表達作為一種新型的機器學習技術，利用海量高維數據的高冗余性與感興趣信號的稀疏性，能夠有效提取出遙感圖像地物信息。現有的基于稀疏表達的遙感圖像分類方法通常直接從標注的訓練樣本中直接構建字典集，并通過類最小殘差準則和字典對應標注信息確定圖像上未標注像元地物類別。依據這種方式構建的稀疏表達模型嚴重依賴于字典集的選取質量，即選取字典的數目較多時，由于字典規模較大，通常會招致較低的運算效率。當選取字典數目較少時，由于字典的規模比較小，通常不能有效地稀疏表達部分像元，從而不能有效地正確分類部分像元。

發明內容

發明目的：針對現有技術中存在的問題與不足，本發明提供一種利用空間關系的遙感圖像字典學習分類方法，鑒于遙感圖像空間上同質性分布特性，即空間上毗鄰像元通常由相似材料構成，在遙感圖像分類中歸屬到同一地物類別的概率更高。借助字典學習思想，利用在線兩步字典更新策略，從整幅圖像中學習得到完備的字典集，以實現對全體像元的充分表達，從而在訓練樣本有限的情況下即能取得優異的分類性能。

技術方案：一種利用空間關系的遙感圖像字典學習分類方法，首先，依據遙感圖像空間分辨率等確定合適空間窗口尺寸，將每個像元的p-鄰域集視為一個訓練單元，并對每個訓練單元進行空間關系信息提取與表達。然后，將圖像局部近鄰空間關系信息嵌入到字典學習模型中構建基于局部近鄰區域聯合表示的字典學習模型，并利用從各訓練單元抽取的特征借助在線字典更新機制訓練得到最優字典。最后，利用訓練得到的最優字典對遙感圖像各像元關聯的p-鄰域集進行稀疏編碼得到稀疏判別系數特征，并利用標注圖層選取部分樣本訓練線性支持向量機模型，對未標注樣本進行分類。具體可分為訓練過程和分類過程。

訓練過程具體為：

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(即像元空間鄰域集)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(圖像上可用的像元)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(完備的)字典集；

分類過程具體為：

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(帶有標注信息的像元)，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。