[發明專利]基于多核學習的遙感圖像稀疏表達分類方法

有效

• 申請號: 201910833071.2
• 申請日: 2019-09-04
• 公開（公告）號: CN110533118B
• 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: G06V20/10
• 分類號: G06V20/10;G06V10/77;G06V10/764;G06V10/772
• 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

1.一種基于多核學習的遙感圖像稀疏表達分類方法，其特征在于，包括多核學習分類模型訓練步驟和多核學習分類模型預測步驟：

(1)所述多核學習分類模型訓練步驟具體包括：

步驟1.1對原始遙感圖像進行空-譜特征信息提取操作；

步驟1.2從原始遙感圖像中選取部分標注像元構建訓練數據，根據訓練數據總重構誤差最小準則，將多核學習嵌入到稀疏表示模型構建多核稀疏表達模型；

步驟1.3根據標注圖層，每類選取預設數量的像元構建訓練數據，通過兩步交替優化策略訓練多核稀疏表達模型，即訓練得到多核稀疏表達模型各基核最優權重系數；

(2)所述多核學習分類模型預測步驟具體包括：

步驟2.1根據標注圖層每類選取預設數目像元構建字典集，利用訓練得到最優基核權重系數β，將未標注像元映射到多核特征空間并構建多核字典，即計算多核空間表示向量K(D,y)和多核格拉姆矩陣G；

步驟2.2在多核誘導空間中，對任意未標注像元y借助多核稀疏表示模型求解其對應編碼系數向量α；

步驟2.3根據多核字典對應標注信息和編碼系數向量α，在多核特征空間中利用類最小重構誤差準則得到像元地物類別，其后獲得最終的場景分類效果圖。

2.如權利要求1所述的基于多核學習的遙感圖像稀疏表達分類方法，其特征在于，對原始遙感圖像進行空-譜特征信息提取操作，得到形態學特征，具體為：利用主成分分析算法獲取遙感圖像前p-主分量圖像，并利用不同尺寸結構化元素定義的形態學開閉算子對各主分量圖像進行濾波操作，并通過特征堆列方式得到拓展形態學特征。

3.如權利要求1所述的基于多核學習的遙感圖像稀疏表達分類方法，其特征在于，所述步驟1.2的具體內容為：結合場景數據分布特點根據不同準則選取一組基核函數利用該組基核函數通過線性組合形式將形態學特征映射到集成核特征空間，并通過最小化一組訓練數據學習得到基核函數的最優線性組合以增強多核字典在多核特征空間中的稀疏表達能力，即同時學習稀疏編碼系數矩陣X和核權重系數β，多核稀疏表示模型具體實現公式如下：

其中，M表示基核函數的數目，X為訓練數據Y在集成核特征空間的編碼系數矩陣，K_m(D,Y)為訓練數據Y在第m個基核空間中的特征表示，β_m表示與基核K_m關聯的核權重參數，G_m為訓練字典D同第m個基核關聯的核格拉姆矩陣；S(X)表示稀疏誘導正則化項，采用與其中⊙表示矩陣元素級相乘，將字典原子在稀疏重建過程中不同作用信息嵌入到多核稀疏表示學習模型中，λ為正則化參數。

4.如權利要求1所述的基于多核學習的遙感圖像稀疏表達分類方法，其特征在于，所述步驟1.3的具體內容為：由于步驟1.2中定義的多核稀疏表達模型存在兩個待求解變量，即稀疏編碼系數矩陣X和基核權重系數β，對選定的訓練數據Y難以直接優化其解該模型，在每次迭代中，固定X和β中的一個變量優化另一個變量，直到滿足相應的收斂條件或最大的迭代數目；首先需要從標注圖層中每類選取相同數目像元構建訓練數據并根據隨機初始化得到的基核權重系數β初始化和多核格拉姆矩陣其后主要交替執行如下步驟：

①固定基核權重系數β，更新編碼系數矩陣X；具體為：利用先前一次迭代更新的核權重系數β，在更新的集成多核特征空間對訓練數據進行稀疏表示，則多核稀疏表示問題轉化成如下稀疏求解問題：

由于編碼系數矩陣X對應的是訓練數據Y中各個像元相關聯編碼系數的組合，能分離地優化每個編碼系數α_i，即上述問題能轉化為如下一系列等價稀疏優化問題：

其中，S(α_i)對應與相應地上述函數在集成多核特征空間由稀疏優化求解得到，將串聯得到編碼系數矩陣X；

②固定編碼系數矩陣X，更新基核權重系數β；具體為：固定當前迭代計算得到編碼系數矩陣X，則多核稀疏表達問題轉化成如下優化問題：

上述函數通過標準約束二次規劃問題求解，得到基核權重系數β；

③判斷迭代次數是否達到預設數目或核權重系數趨于穩定，如果是，則輸出最后一次迭代得到的基核權重系數β作為最優基核權重；如果否，則返回步驟①，繼續執行編碼系數矩陣X更新與基核權重系數β更新。

5.如權利要求1所述的基于多核學習的遙感圖像稀疏表達分類方法，其特征在于，所述步驟2.2在多核誘導空間中，對任意未標注像元y借助多核稀疏表示模型求解其對應編碼系數向量α，具體公式如下：